一种风电机组不对中故障预测方法及系统与流程

本技术属于故障检测与诊断，特别涉及一种风电机组不对中故障预测方法及系统。

背景技术：

1、风电机组传动链的运行可靠性是保障其长期稳定发电的关键。其中，高速轴不对中故障是传动链中最常见的故障模式之一。

2、目前，行业内普遍采用基于状态监测系统（cms）的振动分析作为故障诊断的主要手段，存在以下显著缺陷与局限性：

3、传统cms系统的设计与传感器配置，主要侧重于监测齿轮箱、发电机等部件的高频故障。其分析策略与报警阈值也多围绕这些高频事件设定。而不对中故障的典型特征属于低频范畴，对此类低频故障的关注度不足、分析深度不够，导致其难以被有效捕捉。

4、由于不对中故障的隐秘性，其早期产生的微弱振动增量极易被淹没在强大的背景噪声、其他部件的正常运行振动以及随机干扰信号中。现有方法对于这种信噪比极低的故障信号敏感度不足，无法实现有效的特征提取与识别，造成故障漏报或延迟报警。

5、现有方法多依赖于单一域的阈值判断，缺乏多维度、多域特征的融合分析能力。同时，由于无法有效捕捉故障的早期微弱征兆，基于历史数据的故障发展趋势预测更是难以实现，无法为运维决策提供足够的预警时间。

6、综上所述，现有技术在对风电机组高速轴不对中故障的诊断与预测方面，存在监测盲区、特征提取能力弱以及诊断预测准确性不高等核心问题。

技术实现思路

1、为解决现有技术中监测盲区、特征提取能力弱以及诊断预测准确性不高的问题，本技术提供了一种风电机组不对中故障预测方法，其改进之处在于，包括：

2、采集风电机组振动信号和转速信号；

3、对振动信号进行时域特征、频域特征和时频域特征提取，得到多源特征；

4、将多源特征输入训练好的主成分分析模型进行映射，通过计算映射后的多源特征与降维健康特征数据集之间的马氏距离得到健康指数；

5、将健康指数输入多层长短期记忆模型，得到健康指数发展趋势，结合阈值判断预警；

6、其中，降维健康特征数据集基于训练好的主成分分析模型得到。

7、可选的，所述对振动信号进行时域特征、频域特征和时频域特征提取，得到多源特征，包括：

8、对振动信号提取时域特征和频域特征；

9、所述时域特征包括有量纲特征和无量纲特征，所述有量纲特征包括但不限于以下特征：均值、标准差、均方根植和峰值，所述无量纲特征包括但不吸奶以下特征：峭度指标、偏度指标、波形指标、峰值指标、脉冲指标和裕度指标；

10、所述频域特征包括倍频特征和能量比特征，所述倍频特征包括倍频幅值特征和倍频边频带能量特征，所述能量比特征包括但不限于以下特征：倍频边频带能量比、倍频与基频能量比特征；

11、通过信号分解方法进行振动信号分解，提取信号分解后的倍频特征与能量比特征作为时频域特征；

12、得到包括时域特征、频域特征和时频域特征在内的多源特征。

13、可选的，所述主成分分析模型和多层长短期记忆模型的训练过程，包括：

14、获取健康状态下的历史风电机组数据，提取到历史多源特征，将历史多源特征作为输入构建主成分分析模型，对历史多源特征进行特征降维，消除冗余特征，输出降维后的降维健康特征数据集；

15、计算降维健康特征数据集的多维均值向量和协方差，并计算降维健康特征数据集中每个样本与降维健康特征数据集的多维均值向量之间的马氏距离，得到健康指数；

16、将健康指数作为输入，构建多层长短期记忆模型，通过参数优化减少损失，输出健康指数发展趋势。

17、可选的，所述马氏距离的表达式为：

18、

19、其中，是映射后的多源特征与降维健康特征数据集之间的马氏距离，是健康基准数据集的协方差矩阵的逆矩阵，u是降维健康特征数据集的多维均值向量，q是映射后的多源特征或映射后的多源特征样本。

20、可选的，所述将健康指数输入多层长短期记忆模型，得到健康指数发展趋势，结合阈值判断预警，包括：

21、将健康指数输入多层长短期记忆模型，得到健康指数发展趋势；

22、基于健康指数发展趋势根据原则设置阈值，当健康指数超过阈值且连续超阈值时间大于预设时间段，判断设备发生不对中故障；

23、其中，阈值根据实际生产需求调整。

24、基于同一种发明构思，本技术还提供了一种风电机组不对中故障预测系统，其改进之处在于，包括：

25、信号采集模块，用于采集风电机组振动信号和转速信号；

26、特征提取模块，用于对振动信号进行时域特征、频域特征和时频域特征提取，得到多源特征；

27、健康指数模块，用于将多源特征输入训练好的主成分分析模型进行映射，通过计算映射后的多源特征与降维健康特征数据集之间的马氏距离得到健康指数；

28、趋势预测模块，用于将健康指数输入多层长短期记忆模型，得到健康指数发展趋势，结合阈值判断预警；

29、其中，降维健康特征数据集基于训练好的主成分分析模型得到。

30、可选的，所述对振动信号进行时域特征、频域特征和时频域特征提取，得到多源特征，包括：

31、对振动信号提取时域特征和频域特征；

32、所述时域特征包括有量纲特征和无量纲特征，所述有量纲特征包括但不限于以下特征：均值、标准差、均方根植和峰值，所述无量纲特征包括但不吸奶以下特征：峭度指标、偏度指标、波形指标、峰值指标、脉冲指标和裕度指标；

33、所述频域特征包括倍频特征和能量比特征，所述倍频特征包括倍频幅值特征和倍频边频带能量特征，所述能量比特征包括但不限于以下特征：倍频边频带能量比、倍频与基频能量比特征；

34、通过信号分解方法进行振动信号分解，提取信号分解后的倍频特征与能量比特征作为时频域特征；

35、得到包括时域特征、频域特征和时频域特征在内的多源特征。

36、可选的，所述主成分分析模型和多层长短期记忆模型的训练过程，包括：

37、获取健康状态下的历史风电机组数据，提取到历史多源特征，将历史多源特征作为输入构建主成分分析模型，对历史多源特征进行特征降维，消除冗余特征，输出降维后的降维健康特征数据集；

38、计算降维健康特征数据集的多维均值向量和协方差，并计算降维健康特征数据集中每个样本与降维健康特征数据集的多维均值向量之间的马氏距离，得到健康指数；

39、将健康指数作为输入，构建多层长短期记忆模型，通过参数优化减少损失，输出健康指数发展趋势。

40、可选的，所述马氏距离的表达式为：

41、

42、其中，是映射后的多源特征与降维健康特征数据集之间的马氏距离，是健康基准数据集的协方差矩阵的逆矩阵，u是降维健康特征数据集的多维均值向量，q是映射后的多源特征或映射后的多源特征样本。

43、可选的，所述将健康指数输入多层长短期记忆模型，得到健康指数发展趋势，结合阈值判断预警，包括：

44、将健康指数输入多层长短期记忆模型，得到健康指数发展趋势；

45、基于健康指数发展趋势根据原则设置阈值，当健康指数超过阈值且连续超阈值时间大于预设时间段，判断设备发生不对中故障；

46、其中，阈值根据实际生产需求调整。

47、再一方面，本技术还提供了一种计算设备，包括：至少一个处理器和存储器；

48、所述存储器，用于存储一个或多个程序；

49、当所述一个或多个程序被所述一个或多个处理器执行时，实现如上述所述的一种风电机组不对中故障预测方法。

50、再一方面，本技术还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如上述所述的一种风电机组不对中故障预测方法。

51、与现有技术相比，本技术具有如下优点：

52、本技术提供的一种风电机组不对中故障预测方法及系统，包括：采集风电机组振动信号和转速信号；对振动信号进行时域特征、频域特征和时频域特征提取，得到多源特征；将多源特征输入训练好的主成分分析模型进行映射，通过计算映射后的多源特征与降维健康特征数据集之间的马氏距离得到健康指数；将健康指数输入多层长短期记忆模型，得到健康指数发展趋势，结合阈值判断预警；其中，降维健康特征数据集基于训练好的主成分分析模型得到；

53、通过不同角度的提取振动信号的敏感特征，为后续健康指数构造提供全面的特征基础；

54、同时，所提出的方法，以健康指数为基础，通过趋势分析与阈值确定预警时机，可以灵活的判断不对中故障的严重程度，合理调整检修时间与检修时机。

55、通过集成多源振动特征并进行融合与映射，构建能够准确表征机组对中状态的健康指数。在此基础上，结合健康指数的趋势预测与超限判别，实现对风电机组不对中故障的早期预警、程度判断与健康状态评估，从而为风电场的预测性维护与检修决策提供可靠依据。

56、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。