基于工业互联网的风机状态监测与故障诊断方法及系统

技术领域

本发明属于状态监测与故障诊断技术领域，具体涉及基于工业互联网的风机状态监测与故障诊断方法及系统。

背景技术

工业互联网是满足工业智能化发展需求，以网络为基础、数据为核心、安全为前提，将新一代信息化技术与现代工业深度融合所形成的新兴业态与应用模式。随着工业的快速发展，对能源的消耗越来越大，非再生矿物能源日趋枯竭，世界各国已经将注意力转移到探索新能源结构上。风能与其他能源相比，是一种清洁可再生能源，具有储量巨大、分布广泛、利用方便、对环境的污染小等特点。工业互联网平台作为新一代信息技术与制造业融合发展的产物，正结合风电产业地理位置偏僻、资本技术密集、发电波动性大等特征，以设备智能化运维、故障监测等场景为切入点，加速风电行业数字化转型。

在当前工业互联网环境下，通过传感器对工业互联网设备状态信号实时采集，将采集到状态信息上传至中心服务器，由状态监测和故障诊断模型进行状态监测和故障诊断，对设备的潜在故障进行预警，从而便于主动制定设备检修计划，提高设备的可靠性和利用率，延长设备连续运转周期。风机工作环境恶劣，阵风大小及方向都是无规律的，在这种交变载荷条件下，风电机组很容易发生故障。通常，风力发电机安装在几十米的高空，进入机舱维护十分不易，加上风力发电机高昂的运行维护费用，传统的点检和停机维修方式不能满足现有的需要。因此研究一种监测风电机组关键部位运行状况的智能诊断系统，通过对风电机组传动链安装功率传感器、振动传感器等实时采集设备数据，传输到设备故障诊断系统。设备故障诊断系统负责对采集到的设备状态数据、运行数据和现场视频数据进行全周期监测，建立设备故障知识图谱，对发生故障的设备进行诊断和定位，提前预测失效，识别故障类型，确定故障位置，实现工业互联网环境下风电机组状态和故障的远程检测和处理，保障机组运行安全，减少意外停机，降低发电成本，以及避免重大事故发生都有着十分重要意义。

发明内容

为解决上述技术问题，本发明公开了以下技术方案：

第一方面，本发明实施例提供了基于工业互联网的风机状态监测与故障诊断方法，所述方法包括：

步骤1：通过设置多个传感器分别采集风电机组的齿轮箱、发电机和主轴承的不同位置的振动信号和整机转速，采集不同工况下的故障信号；

步骤2：对多个传感器采集的振动信号进行预处理和序列化，采用时频域分析法计算多个序列长度下的振动信号的时域特征指标值和频域特征指标值；

步骤3：采用智能信号分析方法从多个序列长度下的振动信号中提取出故障特征频率及其倍频成分，根据风电机组设备故障机理获得初步故障分类结果；

步骤4：将所有传感器的多个序列长度下的振动信号的时域特征指标值、频域特征指标值和初步故障分类结果组成特征及故障分类数据集合；

步骤5：采用BP神经网络将特征及故障分类数据集合进行分类，获得最终故障诊断结果。

优选地，所述传感器包括8个加速度传感器和1个转速传感器，所述加速度传感器分别设置在输入轴电机侧轴承径向、输入轴电机侧轴承轴向、输出轴电机侧轴承径向、输出轴负载侧轴承径向、输出轴负载侧轴承轴向、齿轮箱正上方、齿轮箱左下120度、齿轮箱右下120度；所述转速传感器设置在输入轴电机侧轴承上；

优选地，所述时域特征指标值包括均值、均方根值、最大值、最小值、方差、峰值、方根幅值、峭度、裕度指标和脉冲指标；所述频域特征指标值包括重心频率、平均频率、均方根频率和频率标准差；

优选地，所述故障分类结果包括齿面磨损、齿根裂纹、齿面点蚀、缺齿、断齿、轴承内圈、轴承外圈、滚动体故障；

所述BP神经网络的输入层节点个数为113，输出层节点个数与故障分类结果对应设置为8，隐含层节点个数为12。

第二方面，本发明实施例提供了基于工业互联网的风机状态监测与故障诊断系统，所述系统包括：

数据采集模块，包括传感器和数据采集卡，所述传感器设置在风电机组的齿轮箱、发电机和主轴承的不同位置，根据采集参数采集风电机组传动系统振动信号，并通过TCP/IP协议进行实时数据传输；

特征提取模块，对采集的信号进行预处理和序列化，基于时频域分析法提取多个序列长度下的振动信号的时域特征指标值和频域特征指标值；

初步分类模块，采用智能信号分析方法从多个序列长度下的振动信号中提取故障特征频率及其倍频成分，根据故障振动信号的特征完成故障的初步分类；

数据融合模快，用于将所有传感器的时域特征指标值、频域特征指标值和初步故障分类结果组成特征及故障分类数据集合；

故障诊断模块，采用BP神经网络将所有传感器的特征及故障分类数据集进行故障分类，获得最终故障诊断结果；

数据存储模块，用于存储风电机组及其零部件的信息、传感器及其测点信息、参数、原始信号、分析结果、报警数据以及故障样本数据。

与现有技术相比，本发明的有益效果是：

本发明提供的基于工业互联网的风机状态监测与故障诊断方法及系统，通过多传感器的时频特征指标值和分类结果融合实现对多种信息的优化组合，获得全面的表征振动特征的有效信息，降低了数据维度和计算复杂度，提升了故障分类诊断的效果。

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中记载的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于工业互联网的风机状态监测与故障诊断方法的流程示意图；

图2为本发明实施例提供的基于工业互联网的风机状态监测与故障诊断系统的示意图。

具体实施方式

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。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

第一方面，请参见图1，本发明实施例提供了基于工业互联网的风机状态监测与故障诊断方法，所述方法包括：

S1：通过设置多个传感器分别采集风电机组的齿轮箱、发电机和主轴承的不同位置的振动信号和整机转速，采集不同工况下的故障信号；

风力发电机一般由叶片、传动轴、齿轮箱、发电机、偏航系统、机舱和塔架等构成，风电机组传动链故障是发生故障概率最高的，因此本发明主要监测风电机组的齿轮箱、发电机和主轴承等关键核心部件。进一步地，当振动信号从轮齿之间向外进行传递时，振动信号有多个传递路径，通过对不同传递路径的信号进行时域及频域特征的观察分析，确定传感器的最佳测点及组合对信号采集手段的丰富具有重要意义，本发明根据风机传动系统的结构特点通过对故障信号的传递路径的研究，为了提高振动信号采集的丰富性，在风机的齿轮箱、电机、传动轴等核心零部件安装8个加速度传感器，以测量不同位置的振动幅值大小，同时安装1个转速传感器对整机转速速度进行实时监测。

本发明的传感器包括8个加速度传感器和1个转速传感器，所述加速度传感器分别设置在输入轴电机侧轴承径向、输入轴电机侧轴承轴向、输出轴电机侧轴承径向、输出轴负载侧轴承径向、输出轴负载侧轴承轴向、齿轮箱正上方、齿轮箱左下120度、齿轮箱右下120度，所述转速传感器设置在输入轴电机侧轴承上。

采用

S2：对多个传感器采集的振动信号进行预处理和序列化，采用时频域分析法计算多个序列长度下的振动信号的时域特征指标值和频域特征指标值；

多个传感器采集的振动信号进行序列化处理，

时域特征指标值包括均值、均方根值、最大值、最小值、方差、峰值、方根幅值、峭度、裕度指标和脉冲指标；所述频域特征指标值包括重心频率、平均频率、均方根频率和频率标准差，时频域特征数据集

S3：采用智能信号分析方法从多个序列长度下的振动信号中提取出故障特征频率及其倍频成分，根据风电机组设备故障机理获得初步故障分类结果；

通过多个传感器的多个信号序列分别基于故障机理分析获得初步故障分类结果

齿轮常见失效形式有齿面点蚀、疲劳剥落、齿根裂纹、断齿、缺齿、塑性变形等。当齿轮出现故障时，其故障振动信号会出现调制现象，这种调制现象在风机齿轮箱中是常见的。在频谱中表现为啮合频率及其谐振频率的两侧形成间隔均匀但不对称的边频带，边频带间隔即为故障齿轮所在轴的转频。

太阳轮（行星轮）局部故障信号中具有明显周期特性，频域中在啮合频率两侧产生边频带，间隔为太阳轮（行星轮）特征频率的整数倍；齿圈局部故障，在频域图中在啮合频率及周围产生边频带，边频带间隔以齿圈故障特征频率的整数倍为主。

滚动轴承主要失效分形式为：内圈、外圈和滚动体故障等，当外圈局部损伤时，故障信号的包络谱在外圈故障特征频率及其倍频处出现幅值衰减的离散谱线；当内圈(滚动体)局部损伤时，故障信号的包络谱在内圈(滚动体)故障特征频率及其倍频处出现幅值逐渐减小的离散谱线，并且在内圈故障特频率及其倍频两侧出现以转频为间隔的边频带。

本发明在对风电机组设备故障机理研究的基础上，通过定轴齿轮箱、行星齿轮箱和滚动轴承等结构参数，计算相对应的故障特征频率。采用多种智能信号分析方法，如小波变化法、经验模态分解、阶次分析法等从变转速工况下的多个振动信号中提取出故障特征频率及其倍频成分，根据故障振动信号的特征完成故障的初步分类。

S4：将所有传感器的多个序列长度下的振动信号的时域特征指标值、频域特征指标值和初步故障分类结果组成特征及故障分类数据集合；特征及故障分类数据集合为：

S5：采用BP神经网络将特征及故障分类数据集合进行分类，获得最终故障诊断结果。

基于BP神经网络的故障分类模型，输入层节点个数与融合数据集的特征向量相对应，本发明中BP神经网络的输入层节点个数为113，由传感器数8、时频域特征指标值数14和初步分类结果决定；输出层节点个数与故障分类结果对应设置为8，隐含层节点个数为12，选择是softmax函数作为输出层传递函数，sigmod函数作为输入层与隐含层之间的激活函数，采用自适应梯度下降法学习规则进行学习，神经网络模型由故障样本数据完成相应的模型训练。

本发明通过在风电传动系统上设置多个传感器采集振动信号，基于时域和频域分析提取振动信号的时域特征指标和频域特征指标，通过针对多个传感器采集信号的时域和频域特征指标值的计算，不仅反映了故障振动信号的振动烈度的大小情况，还能揭示不同位置传感器采集的振动信号之间的微弱变化，实现了表征故障的特征量的有效提取。基于风电机组设备故障机理研究，采用多种智能分析方法提取出故障特征频率及其倍频成分，根据故障振动信号的特征完成故障的初步分类。在此基础上本发明采用多传感器的特征融合和决策融合建立了基于时频域的多传感器融合模型对多种信息的优化组合以获得全面的表征振动特征的有效信息，降低了数据维度和计算复杂度。最后采用BP神经网络对融合数据集进行故障分类。

第二方面，请参见图2，本发明还提供基于工业互联网的风机状态监测与故障诊断系统，包括：

数据采集模块210，包括传感器和数据采集卡，所述传感器设置在风电机组的齿轮箱、发电机和主轴承的不同位置，根据采集参数采集风电机组传动系统振动信号，并通过TCP/IP协议进行实时数据传输；

特征提取模块220，对采集的信号进行预处理和序列化，基于时频域分析法提取多个序列长度下的振动信号的时域特征指标值和频域特征指标值；信号预处理可通过去趋势项、去奇异值、降噪滤波等方法，剔除原始信号中异常信息，降低噪声的干扰和影响。时域分析、频谱分析是最常用的信号分析方法，计算得到的时域特征量能够最直接地反映信号的振动特性，频域特征量是对单一时域分析的进一步补充。

初步分类模块230，采用智能信号分析方法从多个序列长度下的振动信号中提取故障特征频率及其倍频成分，根据故障振动信号的特征完成故障的初步分类；对风电机组设备故障机理研究的基础上，通过定轴齿轮箱、行星齿轮箱和滚动轴承等结构参数，计算相对应的故障特征频率。采用多种智能信号分析方法，如小波变化法、经验模态分解、阶次分析法等从变转速工况下的多个振动信号中提取出故障特征频率及其倍频成分，根据故障振动信号的特征完成故障的初步分类。

数据融合模快240，用于将所有传感器的时域特征指标值、频域特征指标值和初步故障分类结果组成特征及故障分类数据集合；

故障诊断模块250，采用BP神经网络将所有传感器的特征及故障分类数据集进行故障分类，获得最终故障诊断结果。神经网络模型由数据存储模块中的故障样本数据完成相应的模型训练；

数据存储模块260，用于存储风电机组及其零部件的信息、传感器及其测点信息、参数、原始信号、分析结果、报警数据以及故障样本数据。

应理解的是，该系统与上述的基于工业互联网的风机状态监测与故障诊断方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该系统具体的功能可以参见上文中的描述。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。