基于数据特征提取的风机运行状态监测方法与流程

本发明涉及数据处理，具体涉及基于数据特征提取的风机运行状态监测方法。

背景技术：

1、风机通常指的是空气或气体流动中使用的机械设备，它们被设计用来产生气流或增加气流的速度，其通常应用于多种领域，包括工业通风、空调系统、风力发电和空气循环等。风机主要由电机、旋转叶片、保护外壳等组成，风机在运行过程中，通过控制电机的输出功率从而对风机转动速度进行控制，在电机带动叶片转动的过程中，风机在运行时会产生噪音，但如果噪音突然变得过大或异常，与电机的输出功率不匹配，则可能表示风机存在问题，其可能是由于轴承损坏、叶片磨损或电机其他异常所导致。因此需要对风机运行状态进行监测，以便于及时发现风机运行过程中的异常，减少风机异常问题导致其他元件问题的扩散。

2、当前对风机进行异常监测时，是通过监测风机电路中的功率变化来判断风机是否出现异常；现有的风机异常监测方法能够及时反映风机电路的异常发生状况，无法监测风机叶片磨损、风机边框松动以及轴承磨损导致的异常，进而影响风机异常监测的准确性。

技术实现思路

1、本发明提供基于数据特征提取的风机运行状态监测方法，以解决现有的问题。

2、本发明的基于数据特征提取的风机运行状态监测方法采用如下技术方案：

3、本发明提出了基于数据特征提取的风机运行状态监测方法，该方法包括以下步骤：

4、获取功率数据序列与声音数据序列，将功率数据序列分为若干功率数据段，将声音数据序列分为若干声音数据段；

5、根据每一声音数据段内声音数据的变化，得到每一声音数据段的噪声强度；根据每一声音数据段内极值点的分布，得到声音数据段的频率；根据每一声音数据段的噪声强度与频率以及每一功率数据段内所有功率数据的均值，得到若干运行数据；

6、构建三维坐标系，所述三维坐标系包括的三个维度分别为声音数据段的噪声强度与频率，以及功率数据段的功率；将运行数据映射到三维坐标系中得到若干数据点，对三维坐标系中的数据点进行聚类，得到若干类簇；根据每一数据点在每一类簇中的位置以及每一类簇中每一数据点周围数据点的分布，得到每一类簇中每一数据点的异常特征，进而得到每一类簇的异常特征；

7、获取当前数据；将当前数据与运行数据映射到三维坐标系中得到若干坐标点，对三维坐标系中的坐标点进行聚类，得到当前聚类簇，获取当前聚类簇的异常特征；根据当前聚类簇中的坐标点与类簇中的数据点，得到当前数据的对应类簇；根据当前聚类簇与当前数据的对应类簇的异常特征以及聚类中心点之间的距离，得到当前数据的异常指数，进而对风机进行异常监测。

8、进一步地，所述获取功率数据序列与声音数据序列，将功率数据序列分为若干功率数据段，将声音数据序列分为若干声音数据段，包括的具体方法为：

9、通过风机内部采集间隔为秒的电流传感器与电压传感器，采集风机运行时的电流数据与电压数据；将风机运行时任一采集时间上的电流数据与电压数据的乘积，记为风机运行时该采集时间上的功率数据，得到功率数据序列；所述功率数据序列中每个功率数据对应一个采集时间；

10、通过风机叶片边框上采集间隔为秒的声音传感器，采集风机运行时叶片的声音数据，得到声音数据序列；其中，为预设的采样间隔；所述声音数据序列中每个声音数据对应一个采集时间；

11、将秒作为一个时间段，根据功率数据序列中每个功率数据对应的采集时间，将功率数据序列分为若干功率数据段；根据声音数据序列中每个声音数据对应的采集时间，将声音数据序列分为若干声音数据段；其中，为预设的时间段的时长。

12、进一步地，所述根据每一声音数据段内声音数据的变化，得到每一声音数据段的噪声强度，包括的具体方法为：

13、通过牛顿法，得到第个声音数据段内的极值点；

14、根据第个声音数据段内的声音数据的数值及极值点，得到第个声音数据段的噪声强度的具体计算公式如下：

15、

16、式中，表示第个声音数据段的噪声强度，表示第个声音数据段内所有极大值的均值，表示第个声音数据段内所有极小值的均值，表示第个声音数据段内所含声音数据的个数，表示第个声音数据段内第个声音数据的数值，表示第个声音数据段内所有声音数据的数值的均值，表示绝对值函数。

17、进一步地，所述根据每一声音数据段内极值点的分布，得到声音数据段的频率，包括的具体方法为：

18、将第个声音数据段内第个极值点与第个极值点的采集时间的间隔，记为第个声音数据段内第个极值点的采集时间的间隔；将第个声音数据段内所有极值点的采集时间的间隔的均值，记为第个声音数据段内相邻极值点的时间间隔的均值；根据第个声音数据段内相邻极值点的时间间隔的均值，获取第个声音数据段的频率的计算公式如下：

19、

20、式中，表示第个声音数据段的频率，表示第个声音数据段内相邻极值点的时间间隔的均值。

21、进一步地，所述根据每一声音数据段的噪声强度与频率以及每一功率数据段内所有功率数据的均值，得到若干运行数据，包括的具体方法为：

22、将第个功率数据段内所有功率数据的均值，记为第个功率数据段的功率；

23、将第个功率数据段的功率、第个声音数据段的噪声强度以及第个声音数据段的频率，作为第个运行数据内的元素，得到第个运行数据。

24、进一步地，所述对三维坐标系中的数据点进行聚类，得到若干类簇，包括的具体方法为：

25、将每一数据点与其他数据点间的欧式距离作为距离度量，使用isodata聚类算法，将三维坐标系中的数据点聚为若干类簇。

26、进一步地，所述根据每一数据点在每一类簇中的位置以及每一类簇中每一数据点周围数据点的分布，得到每一类簇中每一数据点的异常特征，包括的具体方法为：

27、

28、式中，表示第个类簇内第个数据点的异常特征，表示第个类簇内第个数据点与聚类中心点的欧式距离，表示第个类簇内所含数据点的个数，表示第个类簇中第个数据点的局部密度，表示第个类簇中第个数据点的局部密度，为以自然常数为底的指数函数，表示归一化函数；

29、将第个类簇内所有数据点的异常特征的均值，记为第个类簇的异常特征。

30、进一步地，所述对三维坐标系中的坐标点进行聚类，得到当前聚类簇，包括的具体方法为：

31、将每一坐标点与其他坐标点间的欧式距离作为距离度量，使用isodata聚类算法，将坐标系中的数据点聚为若干聚类簇；

32、将当前数据对应的坐标点所在的聚类簇，记为当前聚类簇。

33、进一步地，所述根据当前聚类簇中的坐标点与类簇中的数据点，得到当前数据的对应类簇，包括的具体方法为：

34、将与当前聚类簇中所含坐标点的三个坐标相同的数据点，记为当前聚类簇的对应点，得到每一类簇中含有当前聚类簇的对应点的个数；将含有当前聚类簇的对应点最多的类簇，记为当前数据的对应类簇。

35、进一步地，所述根据当前聚类簇与当前数据的对应类簇的异常特征以及聚类中心点之间的距离，得到当前数据的异常指数，包括的具体方法为：

36、

37、式中，表示当前数据的异常指数，表示当前聚类簇的异常特征，表示当前数据的对应类簇的异常特征，表示当前聚类簇的聚类中心点与当前数据的对应类簇的聚类中心点的欧式距离，表示函数。

38、本发明的技术方案的有益效果是：通过风机运行功率与声音对风机进行异常监测；依据风机正常运行过程中功率较为相似的时间段内的声音数据较为相似的特征，使得风机正常运行过程下功率相似的时间段对应的声音数据的噪声强度与频率较为相似；在对当前数据进行异常监测时，依据风机正常运行过程中功率相近的不同时间段内的声音数据的噪声强度与频率较为相似的特征，若当前数据为异常数据，则当前数据与运行数据的聚类结果和运行数据的聚类结果有较大差异，使得能监测到风机叶片出现磨损、边框出现松动以及轴承磨损时的异常；在判断完当前数据对应的时间段内风机是否异常运行后，依据风机的叶片出现磨损、边框松动或轴承磨损的情况下，功率不会发生异常变化的特征，得到造成风机异常运行的原因。