风机故障预测与健康管理装置和方法

技术领域

本发明涉及轨道交通技术领域，尤其涉及一种风机故障预测与健康管理(Prognostic and health management，简称PHM)装置和方法。

背景技术

在电力铁路机车车辆中，风机主要用于牵引系统冷却及供风，其运行稳定性对牵引逆变器及牵引电机的发热控制至关重要。现阶段运行情况表明，在磁浮、地铁、机车和高速列车上，风机被广泛使用。风机问题时常发生，而现阶段主要通过观察外观和噪声的方法诊断风机问题，此方法只可检测故障较为严重的风机，无法对风机的早期故障进行诊断。

发明内容

有鉴于此，本发明提供一种风机故障预测与健康管理装置和方法，以解决现有技术中无法对风机的早期故障进行诊断的问题。

为实现上述目的，本发明提供如下技术方案：

一种风机故障预测与健康管理装置，包括：

数据处理模块，用于采集风机的数据、分析数据、存储数据以及建模，得到风机健康状况诊断结果；

人机交互模块，与所述数据处理模块相连，用于控制所述数据处理模块，并显示所述诊断结果和数据传输；

控制模块，与所述数据处理模块相连，用于根据所述诊断结果，控制所述风机的启停。

优选地，所述数据处理模块包括电流传感器、电压传感器、数据分析模块、数据存储模块；

所述电压传感器和所述电流传感器均与所述数据分析模块相连，用于为所述数据分析模块提供电压和电流数据；

所述数据分析模块与所述数据存储模块相连，将数据分析结果存储在所述数据存储模块中。

优选地，还包括：

扩展模块，用于获取振动信息、风压信息、温度信息中的至少一种信息。

优选地，所述扩展模块包括振动传感器、风压传感器和温度传感器中至少一种。

本发明还提供一种风机故障预测与健康管理方法，应用于上面任意一项所述的风机故障预测与健康管理装置，所述风机故障预测与健康管理方法包括：

监测并获取风机运行参数，所述风机运行参数至少包括电压和电流；

对所述风机运行参数进行数据分析，提取特征参数；

将所述特征参数与历史数据进行对比，提取畸变参数，所述历史数据包括：实验数据和风机安装到列车初期正常运行的数据；

对所述畸变参数进行分析，并基于所述历史数据与故障案例匹配，得到诊断结果；

基于所述诊断结果，评估所述风机的运行健康状况，控制所述风机启停。

优选地，在所述监测风机运行参数步骤之前还包括：

确定风机起动状态，所述起动状态包括风机转速大小和风机正反转信息。

优选地，所述对所述畸变参数进行分析，并基于所述历史数据与所述故障案例匹配，得到诊断结果，具体包括：

基于聚类算法模型原理，对所述畸变参数进行分析，并基于所述历史数据与故障案例匹配，得到诊断结果。

优选地，所述聚类算法模型原理包括：

建立聚类算法诊断模型；

将所述畸变参数输入至所述聚类算法诊断模型中；

经过诊断分析，得到所述诊断结果。

优选地，所述聚类算法模型原理还包括：

算法验证优化过程，所述算法验证优化过程，具体包括：

基于所述诊断结果，对风机进行检修，获取检修数据；

将所述检修数据与所述诊断结果进行差异性判断；

若差异大于预设阈值，则触发模型优化，对所述聚类算法模型进行优化。

优选地，所述风机运行参数还包括：

风机的振动、温度、风压中的至少一种。

优选地，所述对所述风机运行参数进行数据分析，提取特征参数，具体包括：

对所述电压的波形数据进行分析，得到电压的频谱、幅值、相位和谐波含量；

对所述电流的波形数据进行分析，得到电流的频谱、幅值、相位和谐波含量。

优选地，还包括：

重复所述检测并获取风机运行参数、所述对所述风机运行参数进行数据分析，提取特征参数、所述将所述特征参数与历史数据进行对比，提取畸变参数的步骤，获取多个畸变参数。

经由上述的技术方案可知，本发明提供的风机故障预测与健康管理装置，包括数据处理模块、人机交互模块和控制模块，所述数据处理模块用于采集风机的运行参数，并对运行参数进行数据分析、存储；并建立模型，通过模型对运行参数进行分析，得到风机健康状况诊断结果，而人机交互模块将诊断结果进行显示，控制模块基于所述诊断结果，控制风机的启停，进而进行对风机的检修等。由于本发明实施例中提供的风机故障预测与健康管理装置，能够在风机运行过程中，进行风机监测、故障预警和诊断，能够对风机的健康状态进行评估，用于指导后续检修工作，避免风机故障影响列车运行，提高了列车运行稳定性。

本发明提供的风机故障预测与健康管理方法，由于电压信号和电流信号能够实时进行检测，所以所述风机故障预测与健康管理方法能够实现风机运行状态的监测以及早期故障预警和实时故障诊断，从而保证风机能够正常运行，避免出现故障而不知，造成列车的牵引系统无法冷却的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种风机故障预测与健康管理装置示意图；

图2为本发明实施例提供的一种风机故障预测与健康管理方法流程图；

图3为本发明实施例提供的一种风机故障预测与健康管理方法中的聚类算法模型原理图；

图4为本发明实施例提供的一种风机故障预测与健康管理方法具体流程图。

具体实施方式

正如背景技术部分所述，现有技术中无法对风机的早期故障进行诊断。

发明人发现，出现上述现象的原因是，现阶段列车风机是处于无监测状态，主要通过定期巡检的方式对风机的健康状态进行评估，而且通过观察外观和噪声的方法进行诊断，并不能对风机的健康状态进行实时评估和监测。

基于此，本发明提供一种风机故障预测与健康管理装置，包括：

数据处理模块，用于采集风机的数据、分析数据、存储数据以及建模，得到风机健康状况诊断结果；

人机交互模块，与所述数据处理模块相连，用于控制所述数据处理模块，并显示所述诊断结果和数据传输；

控制模块，与所述数据处理模块相连，用于根据所述诊断结果，控制所述风机的启停。

本发明提供的风机故障预测与健康管理装置，包括数据处理模块、人机交互模块和控制模块，所述数据处理模块用于采集风机的运行参数，并对运行参数进行数据分析、存储；并建立模型，通过模型对运行参数进行分析，得到风机健康状况诊断结果，而人机交互模块将诊断结果进行显示，控制模块基于所述诊断结果，控制风机的启停，进而进行对风机的检修等。由于本发明实施例中提供的风机故障预测与健康管理装置，能够在风机运行过程中，进行风机监测、故障预警和诊断，能够对风机的健康状态进行评估，用于指导后续检修工作，避免风机故障影响列车运行，提高了列车运行稳定性。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，图1为本发明实施例提供的一种风机故障预测与健康管理装置示意图，所述风机故障预测与健康管理装置包括：

数据处理模块1，用于采集风机的数据、分析数据、存储数据以及建模，得到风机健康状况诊断结果；

人机交互模块2，与所述数据处理模块相连，用于控制所述数据处理模块，并显示所述诊断结果和数据传输；

控制模块3，与所述数据处理模块1相连，用于根据所述诊断结果，控制所述风机的启停。

本实施例中，数据处理模块1也是风机故障预测与健康管理装置的基本单元，故还可以称作基本单元模块，数据处理模块1具有数据采集、数据分析和建模，以及数据存储功能。因此，本发明实施例中数据处理模块1包括电流传感器11、电压传感器12、数据分析模块13、数据存储模块14；如图1所示，本发明实施例中，所述电压传感器11和所述电流传感器12均与所述数据分析模块13相连，用于为所述数据分析模块13提供电压和电流数据；其中电压传感器11和电流传感器12可以统称为传感器模块。所述数据分析模块13与所述数据存储模块14相连，将数据分析结果存储在所述数据存储模块14中。同时，数据分析模块13从数据存储模块14中获取历史数据进行建模，本实施例中，所述历史数据包括：包含地面试验数据(正常数据和故障数据)，车载试验阶段数据(正常数据和故障数据)。

本发明实施例中人机交互模块，一方面用于显示诊断结果；另一方面，通过界面上的按钮可以控制数据处理模块的数据处理过程，包括数据更新和模型修改等过程，并且能够将数据处理模块中的数据传输至外部设备，以及将外部设备的数据传输至数据处理模块中，对数据处理模块进行控制。

如图1中所示，基于数据处理模块的诊断结果，给控制模块发出控制指令，所述控制指令控制所述控制模块，以使得风机启动或停止运行。本实施例中控制模块还可以包括接触器，所述接触器同样与数据处理模块相连，从而基于诊断结果，进行接触器的连接或断开，以控制风机供电电源给风机供电，实现风机的启停。

需要说明的是，本发明实施例中，为了实现分析风机轴承故障、超温预警保护和叶片损伤诊断，所述风机故障预测与健康管理装置还可以包括扩展模块，如图1所示，扩展模块4，用于获取振动信息、风压信息、温度信息中的至少一种信息。通过振动、温度和风压信号的监测分析，实现风机轴承故障、超温预警保护和叶片损伤诊断。对应的，扩展模块可以包括振动传感器、风压传感器和温度传感器中至少一种。当仅增加超温预警功能时，扩展模块可以只是温度传感器，以获取温度信号，结合电流信号，判断是否超温，超温时发出预警；当仅需要实现风机轴承故障时，扩展模块可以只是振动传感器，以获取振动信号，同样结合电流信号，判断轴承是否故障。而当需要检测表征叶片损伤时，扩展模块可以是包括振动传感器和风压传感器的形式。结合三相电流信号，判断叶片是否损伤。因此，本实施例中对扩展模块不做限定，根据实际功能实现进行选择设置。

本发明实施例中提供的风机故障预测与健康管理装置，包括数据处理模块、人机交互模块和控制模块，所述数据处理模块用于采集风机的运行参数，并对运行参数进行数据分析、存储；并建立模型，通过模型对运行参数进行分析，得到风机健康状况诊断结果，而人机交互模块将诊断结果进行显示，控制模块基于所述诊断结果，控制风机的启停，进而进行对风机的检修等。由于本发明实施例中提供的风机故障预测与健康管理装置，能够在风机运行过程中，进行风机监测、故障预警和诊断，能够对风机的健康状态进行评估，用于指导后续检修工作，避免风机故障影响列车运行，提高了列车运行稳定性。

基于相同的发明构思，本发明还提供一种风机故障预测与健康管理方法，采用上面实施例中提供的风机故障预测与健康管理装置实现。如图2所示，为本发明实施例提供的风机故障预测与健康管理方法流程示意图，所述风机故障预测与健康管理方法包括：

S101：监测并获取风机运行参数，所述风机运行参数至少包括电压和电流；

所述监测并获取风机运行参数包括使用电流传感器监测并获取经过风机的电流，以及使用电压传感器监测并获取风机的电压。本实施例中，电压和电流均为三相电压和三相电流，通过电流传感器，记录存储三相电流波形数据IA、IB和IC，其中，IA代表电机的U相电流、IB代表电机的V相电流、IC代表电机的W相电流。通过电压传感器，记录存储三相电压波形数据UAB、UBC和UCA，其中，UAB代表电机的U相线与V相线之间的电压、UBC代表电机的V相线与W相线之间的电压、UCA代表电机的W相线与U相线之间的电压。

当包括扩展模块时，风机运行参数还可以包括温度T数据、振动信号ACC和风压信号中的至少一种。

需要说明的是，在启动风机故障预警与健康管理方法之前，还可以包括：

确定风机起动状态，所述起动状态包括风机转速大小和风机正反转信息。

如图1所示，本发明实施例中风机故障预警与健康管理装置中的数据处理模块还与网络控制系统之间进行数据传输。具体通过列车网络信号，确定风机起动状态ST，所述起动状态ST包括风机转速的高低速S信息和风机正反转R信息。当列车网络信号输入后，PHM装置启动，开始监测电流电压数据。

S102：对所述风机运行参数进行数据分析，提取特征参数；

本发明实施例中对风机运行参数进行数据分析，提取特征参数，具体包括：

对所述电压的波形数据进行分析，得到电压的频谱P、幅值AM、相位PHA和谐波含量THD；

对所述电流的波形数据进行分析，得到电流的频谱P、幅值AM、相位PHA和谐波含量THD。

需要说明的是，其中，特征参数：用于表征物质或现象特征的参数信息。本实施例中不限定特征参数仅为上述几个参数，可以根据实际情况进行添加或删除，本实施例中仅以上述几个特征参数为例进行说明。在本发明实施例中，特征参数还可以包括风机启停状态ST、风机高低速S和正反转信息R。

S103：将所述特征参数与历史数据进行对比，提取畸变参数，所述历史数据包括：实验数据和风机安装到列车初期正常运行的数据；

本实施例中，畸变参数为通过(P，AM，PHA，THD，ST，S，R)这几个特征参数得到的物理量，可表示为F(P，AM，PHA，THD，ST，S，R)。历史数据包含地面试验数据(正常数据和故障数据)，车载试验阶段数据(正常数据和故障数据)，通过将特征参数与历史数据进行对比，从而提取畸变参数。

S104：对所述畸变参数进行分析，并基于所述历史数据与故障案例匹配，得到诊断结果；

其中，所述故障案例采用聚类算法模型得到，本实施例中不限定聚类算法模型的具体形式，可选的，在本发明的一个实施例中，所述聚类算法模型可以为多重分形聚类算法模型。故障案例是指下表1中“故障模式”的真实事件，对应的诊断结果则是根据目前运行状态和之前建立的模型诊断出的结果。

表1PHM装置诊断项点

需要说明的是，为了减少故障误报概率，本实施例中可以重复S101-S104步骤多次，从而得到多个畸变参数F1(d1，d2，d3，，，)、F2(d1，d2，d3，，，)、F3(d1，d2，d3，，，)，通过多个畸变参数综合判断得到诊断结果。

其中，对畸变参数进行分析，基于历史数据与所述故障案例匹配，得到诊断结果，主要采用聚类算法模型原理进行。所述聚类算法模型原理图如图3所示，所述聚类算法模型原理包括：

建立聚类算法诊断模型；

将所述畸变参数输入至所述聚类算法诊断模型中；

经过诊断分析，得到所述诊断结果。

为了进一步提高算法模型的准确度，本实施例中，还可以包括算法验证优化过程，所述算法验证优化过程，具体包括：

基于所述诊断结果，对风机进行检修，获取检修数据；

将所述检修数据与所述诊断结果进行差异性判断；

若差异大于预设阈值，则触发模型优化，对所述聚类算法模型进行优化。

如图3所示，聚类算法诊断模型在诊断模型层中建立，通过历史数据：包括正常数据(d1，d2，d3，，，)和故障数据(d1，d2，d3，，，)建立聚类算法模型。将畸变参数F1(d1，d2，d3，，，)、F2(d1，d2，d3，，，)、F3(d1，d2，d3，，，)输入至聚类算法模型通过数据输入层进行。

而针对每一个畸变参数，通过输入至聚类算法模型后，均可以得到对应的预诊断结果，通过诊断分析层对多次预诊断结果进行比较分析，若多次预诊断结果相同，则确定出诊断结果。若存在预诊断结果不一致的，则可能出现故障误报情况。

基于诊断结果进行风机检修后，基于检修数据与诊断结果再比较，进行差异性判断，若差异较大，则进行模型优化，若差异较小，则完成检修。

S105：基于所述诊断结果，评估所述风机的运行健康状况，控制所述风机启停。

根据诊断结果，评估风机的运行健康状况，再基于所述风机的运行健康状况，控制风机的启停，指导检修工作。

其中，畸变参数的范围与风机的运行健康状态的对应关系，可以如表2中所示。

表2畸变参数诊断指标

表格中的F(d

本发明实施例中提供的风机故障预测与健康管理方法还可以用图4所示的流程图来完整表示，本实施例中对各个步骤不再进行详细说明，可参见上述S101-S105。

本发明属于轨道交通领域用风机健康评估，具体涉及风机的故障诊断方法和风机PHM装置的工作原理。采用风机电压电流信号，对风机供电电源、电机绕组、正反转及堵转等故障模式进行故障诊断，并反馈诊断结果分析，评估风机健康状态，控制风机的启停与指导检修工作。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括上述要素的物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。