融合高低频信号的风机综合健康分析方法及系统与流程

技术特征：
1.一种融合高低频信号的风机综合健康分析方法，其特征在于，包括：采集风机在历史时间段内的低频监测数据和高频监测数据，对所述低频监测数据和所述高频监测数据进行时间对齐，对所述低频监测数据和所述高频监测数据进行质量评估，并将不符合质量指标的数据剔除；在所述质量评估后保留的低频监测数据和高频监测数据中筛选出预设工况下的监测数据；对所述监测数据进行分窗处理，得到多个时间窗口下的监测数据；对每一个时间窗口下的低频监测数据和高频监测数据分别进行特征提取，将提取到的特征进行合并得到所述风机在对应时间窗口下的特征子集，并将各个时间窗口下的特征子集按照时间顺序形成特征集；根据所述特征集进行模型训练，得到风机异常监测模型；将所述风机当前的低频监测数据和高频监测数据对应的特征集输入至所述风机异常监测模型中，得到所述风机当前的健康风险评估值，根据所述健康风险评估值确定所述风机当前是否出现故障。2.根据权利要求1所述的方法，其特征在于，还包括：在确定所述风机当前出现故障时，计算当前的所述特征集中的各个特征对残差的贡献度，将贡献度最大的特征作为所述风机当前健康风险的根因，并在可视化界面上展示所述健康风险评估值和所述根因。3.根据权利要求2所述的方法，其特征在于，还包括：将贡献度最大的特征对应的机理特征与多个预设故障等级阈值进行比对，确定所述风机当前的故障等级，并根据所述故障等级提供维修决策。4.根据权利要求1所述的方法，其特征在于，所述风机异常监测模型的健康风险评估过程包括：所述风机异常监测模型确定将当前的所述特征集与基线模型之间的偏移程度，根据所述偏移程度确定所述风机当前的健康风险评估值；其中，所述基线模型为采用风机的健康特征集采用主成分分析方法所构建的健康标准模型，所述风机异常监测模型采用主成分分析方法所构建。5.根据权利要求4所述的方法，其特征在于，还包括：在确定所述风机当前出现故障时，在所述可视化界面上展示当前故障对应的时间窗口内的所述低频监测数据和所述高频监测数据，且在所述可视化界面上展示当前的所述特征集在主成分空间的投影和所述健康特征集在主成分空间的投影的对比散点图。6.根据权利要求1所述的方法，其特征在于，对所述低频监测数据的质量评估方法包括：奇异值检测方法、缺失点比例检测方法、数据超限检测方法中的至少一种；对所述高频检测数据的质量评估方法包括：有效性检验方法、均值漂移检验方法、正负点数比例检验方法和连续值比例检验方法中的至少一种。7.根据权利要求1所述的方法，其特征在于，所述预设工况为所述风机除了停机工况和限电工况之外的工况。8.根据权利要求1所述的方法，其特征在于，对每一个时间窗口下的所述低频监测数据进行提取的特征包括：提取每一个时间窗口下的所述低频监测数据的统计量特征，所述统计量特征包括均值、方差、最大值、最小值和
峰值中的至少一项；对每一个时间窗口下的所述高频监测数据进行提取的特征包括：提取每一个时间窗口下的所述高频监测数据的时频域机理特征，所述时频域机理特征包括故障特征频率对应的频域能量大小、通频有效值和峭度中的至少一项。9.根据权利要求1所述的方法，其特征在于，所述采集风机在历史时间段内的低频监测数据和高频监测数据，包括：从数据采集与监视控制系统中获取所述风机的低频监测数据，所述低频监测数据包括风机轴承温度、风机转速、机舱温度、风速和风功率中的至少一项；从状态监控系统中获取所述风机的高频监测数据，所述高频监测数据包括所述风机的轴承高频振动信号。10.一种融合高低频信号的风机综合健康分析系统，其特征在于，包括：数据采集模块，用于采集风机在历史时间段内的低频监测数据和高频监测数据，对所述低频监测数据和所述高频监测数据进行时间对齐，对所述低频监测数据和所述高频监测数据进行质量评估，并将不符合质量指标的数据剔除；特征提取模块，用于在所述质量评估后保留的低频监测数据和高频监测数据中筛选出预设工况下的监测数据；对所述监测数据进行分窗处理，得到多个时间窗口下的监测数据；对每一个时间窗口下的低频监测数据和高频监测数据分别进行特征提取，将提取到的特征进行合并得到所述风机在对应时间窗口下的特征子集，并将各个时间窗口下的特征子集按照时间顺序形成特征集；健康分析模块，用于根据所述特征集进行模型训练，得到风机异常监测模型；将所述风机当前的低频监测数据和高频监测数据对应的特征集输入至所述风机异常监测模型中，得到所述风机当前的健康风险评估值，根据所述健康风险评估值确定所述风机当前是否出现故障。

技术总结
本发明涉及一种融合高低频信号的风机综合健康分析方法及系统，方法包括：采集低频监测数据和高频监测数据，进行时间对齐和质量评估，将不符合质量指标的数据剔除；筛选出预设工况下的监测数据；对监测数据进行分窗处理；对每一个时间窗口下的监测数据进行特征提取，将提取到的特征进行合并得到风机在对应时间窗口下的特征子集，形成特征集；根据特征集进行模型训练，得到风机异常监测模型；将风机当前的监测数据对应的特征集输入至模型中，得到风机当前的健康风险评估值，根据健康风险评估值确定风机当前是否出现故障。本发明充分利用经具备的数据基础，搭建模型并进行异常检测，满足用户对于风机实现真正系统级的健康分析的需求。的需求。的需求。


技术研发人员：范玉鹏 李理 王敏 常志明 常亮 叶翔 金超 朱小芹
受保护的技术使用者：中国大唐集团科学技术研究院有限公司火力发电技术研究院
技术研发日：2021.09.10
技术公布日：2022/1/28