CN113312731A - 一种变桨轴承故障检测方法及装置、存储介质 - Google Patents

一种变桨轴承故障检测方法及装置、存储介质 Download PDF

Info

Publication number
CN113312731A
CN113312731A CN202110721435.5A CN202110721435A CN113312731A CN 113312731 A CN113312731 A CN 113312731A CN 202110721435 A CN202110721435 A CN 202110721435A CN 113312731 A CN113312731 A CN 113312731A
Authority
CN
China
Prior art keywords
sensitive
feature set
features
pitch bearing
evaluated
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110721435.5A
Other languages
English (en)
Other versions
CN113312731B (zh
Inventor
安阳明
曹进喜
郭涛
樊晓华
宜波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Nanyang Siyuan Intelligent Technology Co ltd
Original Assignee
Beijing Nanyang Siyuan Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Nanyang Siyuan Intelligent Technology Co ltd filed Critical Beijing Nanyang Siyuan Intelligent Technology Co ltd
Priority to CN202110721435.5A priority Critical patent/CN113312731B/zh
Publication of CN113312731A publication Critical patent/CN113312731A/zh
Application granted granted Critical
Publication of CN113312731B publication Critical patent/CN113312731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明实施例公开了一种变桨轴承故障检测方法及装置、存储介质；该方法包括：获取同工况下变桨轴承正常运行时的敏感特征集合和当前变桨轴承运行时的初始特征集合，根据敏感特征集合对初始特征集合进行筛选，得到待评估特征集合，对于敏感特征集合中的每组敏感特征和待评估特征集合中的每组待评估特征进行迭代计算，得到对应的第一偏态指标序列和第二偏态指标序列，根据第一偏态指标序列中的每个第一偏态指标和第二偏态指标序列中的每个第二偏态指标计算得到对应的健康指标并确定故障检验结果，本发明实施例通过迭代法计算得到第一偏态指标和第二偏态指标，构建健康指标，提高了数据计算精度，能够提高确定故障检测结果的准确率。

Description

一种变桨轴承故障检测方法及装置、存储介质
技术领域
本发明涉及故障检测技术领域，尤其涉及一种变桨轴承故障检测方法及装置、存储介质。
背景技术
变桨轴承作为风电机组的核心部件，是机组实现变桨动作的关键，其工作环境恶劣，具有启停频繁，传递扭矩大，传动比高的特点。由于变桨轴承工作时常见的工作转动范围为0～90°，导致滚动体不是沿整个滚道滚动，而是在一定区域内运动，那么其套圈的承载范围比较固定且容易出现超载现象，因此在变桨轴承的承载区容易出现套圈开裂故障。
现有的变桨轴承故障检测方法为：将多个声发射传感器布置在变桨轴承上获取声发射信号，然后将各个声发射传感器获取到的声发射信号进行对比，根据对比结果判断变桨轴承是否产生故障。
但是，由于声发射传感器获取到的声发射信号与周围环境、声发源信号的强弱均有关系，所以通过各个声发射传感器获取到的声发射信号进行对比以获取最终判断结果，误差较大，容易出现误报、虚报的情况。
发明内容
本发明实施例期望提供一种变桨轴承故障检测方法及装置、存储介质，能够通过迭代法计算变桨轴承在正常运行中的参照数据和变桨轴承当前运行时待评估数据，通过参照数据和待评估数据判断变桨轴承当前是否发生故障，提高数据计算精度并提高确定故障检测结果的准确率。
本发明的技术方案是这样实现的：
本发明实施例提供了一种变桨轴承故障检测方法，包括：
获取同工况下变桨轴承当前运行时的初始特征集合和变桨轴承正常运行时的敏感特征集合，所述敏感特征集合为变桨轴承正常运行时的初始参照数据；
对所述敏感特征集合中的每组敏感特征进行迭代计算，得到对应的第一偏态指标，从而形成所述第一偏态指标序列；所述第一偏态指标序列为变桨轴承正常运行时的最终参照数据；
基于所述初始特征集合和所述敏感特征集合，确定第二偏态指标序列；所述第二偏态指标序列为当前变桨轴承运行时的最终待评估数据；
根据所述第一偏态指标序列中的每个第一偏态指标和所述第二偏态指标序列中的每个第二偏态指标序列，计算得到对应的健康指标，形成所述健康指标序列；
根据所述健康指标序列，确定故障检验结果。
上述方案中，所述基于所述初始特征集合和所述敏感特征集合，确定第二偏态指标序列，包括：
根据所述敏感特征集合对所述初始特征集合进行筛选，得到筛选结果；
根据所述筛选结果，确定待评估特征集合；所述待评估特征集合为当前变桨轴承运行时的初始待评估数据；
对所述待评估特征集合中的每组待评估特征进行迭代计算，得到对应的第二偏态指标，从而形成所述第二偏态指标序列。
上述方案中，所述对所述敏感特征集合中的每组敏感特征进行迭代计算，得到对应的第一偏态指标，从而形成所述第一偏态指标序列，包括：
根据至少一个预设迭代步长，对所述每组敏感特征进行至少一次迭代计算，得到至少一个敏感特征均值和至少一个敏感特征中值；
根据第一均值和第一中值，计算对应的所述第一偏态指标；直至所述每组敏感特征均计算完成，得到多个第一偏态指标，从而形成所述第一偏态指标序列；所述第一均值为至少一个敏感特征均值中的最大值，所述第一中值为所述至少一个敏感特征中值中的最大值。
上述方案中，所述根据所述第一均值和所述第一中值，计算对应的所述第一偏态指标，包括：
计算所述第一均值与所述第一中值的商，得到所述第一偏态指标。
上述方案中，所述获取同工况下变桨轴承当前运行时的初始特征集合，包括：
采集同工况下当前变桨轴承运行时的声发射待测数据；
提取所述声发射待测数据中的特征，得到对应的所述初始特征集合。
上述方案中，所述根据所述敏感特征集合对所述初始特征集合进行筛选，得到筛选结果，包括：
基于判断所述初始特征集合中的每个初始特征与所述敏感特征集合中的至少一组敏感特征是否相同，确定对应的子筛选结果；直至所述每个初始特征均完成判断时，得到多个子筛选结果，从而得到所述筛选结果。
上述方案中，所述基于判断所述初始特征集合中的每个初始特征与所述敏感特征集合中的至少一组敏感特征是否相同，确定对应的子筛选结果，包括：
若所述第一初始特征与所述敏感特征集合中的至少一组敏感特征相同，则确定表征相同的所述子筛选结果；
若所述第一初始特征与所述敏感特征集合中的至少一组敏感特征均不相同，则确定表征不相同的所述子筛选结果；
其中，所述第一初始特征为所述初始特征集合中的任意一组初始特征。
上述方案中，所述根据所述筛选结果，得到待评估特征集合，包括：
若所述初始特征集合中存在第一子筛选结果为相同，则所述第一子筛选结果对应的所述初始特征集合中的初始特征为待评估特征；所述第一子筛选结果为所述筛选结果中的任意一个的子筛选结果；
将所述初始特征集合中的每个初始特征均筛选完成时，依据所述待评估特征形成待评估特征集合。
上述方案中，所述方法还包括：
若所述初始特征集合中存在第二子筛选结果为不相同，则所述第二子筛选结果对应的所述初始特征集合中的初始特征不是待评估特征。
上述方案中，所述对所述待评估特征集合中的每组待评估特征进行迭代计算，得到对应的第二偏态指标，从而形成所述第二偏态指标序列，包括：
根据至少一个预设迭代步长，对所述每组待评估特征进行迭代计算，得到至少一个待评估特征均值和至少一个待评估特征中值；
根据所述第二均值和所述第二中值，计算第二偏态指标；直至所述每组待评估特征均计算完成，得到多个第二偏态指标，从而形成所述第二偏态指标序列；
其中，所述第二偏态指标为所述第二均值和所述第二中值的商，所述第二均值为至少一个待评估特征均值中的最小值，所述第二中值为所述至少一个待评估特征中值中的最小值。
上述方案中，所述根据所述第一偏态指标序列中的每个第一偏态指标和所述第二偏态指标序列中的每个第二偏态指标序列，计算得到对应的健康指标，形成所述健康指标序列，包括：
根据所述每个第一偏态指标与所述每个第二偏态指标，计算对应的所述健康指标；直至所述每个第一偏态指标与每个第二偏态指标均完成计算，得到多个健康指标，形成所述健康指标序列；
其中，所述每个第一偏态指标为所述第一偏态指标序列中的任意一个第一偏态指标，所述每个第二偏态指标为所述第二偏态指标序列中的任意一个第二偏态指标。
上述方案中，所述根据所述每个第一偏态指标与所述每个第二偏态指标，计算对应的所述健康指标，包括：
获取所述每个第一偏态指标与所述每个第二偏态指标差的绝对值，获取所述绝对值与所述每个第一偏态指标的商，作为对应的所述健康指标。
上述方案中，所述根据所述健康指标序列，确定故障检验结果，包括：
若所述健康指标序列中存在任意一个健康指标大于预设值，确定所述故障检验结果为变桨轴承当前存在故障；
若所述健康指标中健康指标均不大于预设值时，确定所述故障检验结果为变桨轴承当前不存在故障。
上述方案中，所述方法还包括：
若所述故障检验结果为变桨轴承当前存在故障，则发出警报。
本发明实施例提供了一种变桨轴承故障检测装置，包括：
第一获取单元，用于获取同工况下变桨轴承正常运行时的敏感特征集合；
第二获取单元，用于获取同工况下当前变桨轴承运行时的初始特征集合；
筛选单元，用于对所述初始特征集合进行筛选，得到待评估特征集合；
计算单元，用于对所述敏感特征集合和所述待评估特征集合分别进行迭代计算；
确定单元，用于根据迭代计算结果，确定变桨轴承当前是否存在故障。
上述方案中，所述装置还包括：
报警单元，用于在变桨轴承当前存在故障时，进行报警。
本发明实施例提供了一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现本发明实施例中的变桨轴承故障检测方法。
本发明实施例提供了一种变桨轴承故障检测装置，所述装置包括处理器、存储器以及通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的一个或者多个程序，当所述一个或者多个程序被执行时，所述处理器执行如本发明实施例中的变桨轴承故障检测方法。
本发明实施例提供了一种变桨轴承故障检测方法及装置、存储介质；其中，所述方法包括：获取同工况下变桨轴承正常运行时的敏感特征集合和当前变桨轴承运行时的初始特征集合，根据敏感特征集合对初始特征集合进行筛选，得到待评估特征集合，对于敏感特征集合中的每组敏感特征进行迭代计算，得到对应的第一偏态指标，从而形成所述第一偏态指标序列，对待评估特征集合中的每组待评估特征进行迭代计算，得到对应的第二偏态指标，从而形成所述第二偏态指标序列，根据第一偏态指标序列中的每个第一偏态指标和第二偏态指标序列中的每个第二偏态指标计算得到对应的健康指标，从而形成健康指标序列，根据健康指标序列中的每个健康指标，确定故障检验结果。
采用上述技术方案，通过迭代法计算得到同工况下变桨轴承正常运行时的第一偏态指标序列和当前运行时的第二偏态指标序列，通过第一偏态指标序列中的每个第一偏态指标和第二偏态指标序列中的每个第二偏态指标计算得到对应的健康指标，根据健康指标判断变桨轴承当前是否存在故障。本发明实施例通过迭代法计算得到第一偏态指标序列和第二偏态指标序列，提高了数据计算精度，且本发明实施例以同工况下变桨轴承正常运行时的第一偏态指标序列和同工况下变桨轴承当前运行时的第二偏态指标序列为基础，构建健康指标序列，能够提高确定故障检测结果的准确率。
附图说明
图1为本发明实施例提供的一种变桨轴承故障检测场景示意图一；
图2为本发明实施例提供的一种变桨轴承故障检测场景示意图二；
图3为本发明实施例提供的一种变桨轴承故障检测方法的流程示意图一；
图4为本发明实施例提供的一种变桨轴承故障检测方法的流程示意图二；
图5为本发明实施例提供的一种变桨轴承故障检测方法的流程示意图三；
图6为本发明实施例提供的一种变桨轴承故障检测方法的流程示意图四；
图7为本发明实施例提供的一种变桨轴承故障检测方法的流程示意图五；
图8为本发明实施例提供的一种变桨轴承故障检测方法的流程示意图六；
图9为本发明实施例提供的一种变桨轴承故障检测方法的流程示意图七；
图10为本发明实施例提供的一种变桨轴承故障检测装置的结构示意图一；
图11为本发明实施例提供的一种变桨轴承故障检测装置的结构示意图二。
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。
在对本发明实施例的方案进行介绍之前，先对本发明实施例中可能会使用到的技术术语进行简单说明：
声发射(Acoustic Emission)简称AE：指材料或构件在受力过程中产生形变或裂纹时，以弹性波形式释放出应变能的现象。声发射的频率范围从次声(频率低于20Hz)、可听声(20Hz-20KHz)、直至几十MHz的超声波，其幅度(传感器输出电压)，大约从几微伏到几百伏。
其中，声发射是自然界中一种常见的物理现象，如果在音频范围释放的应变能足够大，就可以听得见声鸣。
木材折断、大多数金属材料发生塑性形变和断裂时都伴有声发射产生，但声发射信号的强度一般都比较弱，人耳不能直接听见，需要借助传感器和电子仪器控模进行检测。
声发射检测技术：是指用仪器探测、记录、分析声发射信号和利用声发射信号对材料或构件进行动态无损检验，根据材料或构件内部发出的应力波来判断材料内部或构件内部损伤程度的一种无损检测方法。它可以在构件或材料的内部结构，缺陷或潜在缺陷处于运动变化的过程中进行检测。
迭代计算(Iterative calculation)：是指采用迭代法进行数值计算，迭代法是数值计算中一类典型方法，应用于方程求根，方程组求解，矩阵求特征值等方面。其基本思想是逐次逼近，先取一个粗糙的近似值，然后用同一个递推公式，反复校正此初值，直至达到预定精度要求为止。迭代计算次数指允许公式反复计算的次数。
本发明实施例提供一种变桨轴承故障检测场景，适用于对运行中的变桨轴承进行故障检测，如图1所示，图1为本发明实施例提供的一种变桨轴承故障检测场景示意图一，包括位于采集区100侧面的检测区200，实际应用中，检测区200与采集区100的相对位置关系，通常根据地理环境和实际需求进行布置。采集区100中放置有声发射信号采集装置和待检测对象。
本发明实施例中，声发射信号采集装置用于采集声发射信号并对声发射信号进行放大或数字化等处理，待检测对象包括至少一组风力发电机组。至少一组风力发电机组包括至少一套能够正常运行的变桨轴承400和与变桨轴承400配套的轮毂(图中未示出)，变桨轴承400在运行过程中，随着叶片的动作将会受力发生形变，使得变桨轴承400中内应力变化并以应力波形式向外传播，从而产生声发射信号。
在本发明的一些实施例中，声发射信号采集装置包括声发射传感器301和声发射采集器302。声发射传感器301设于变桨轴承400的外表面，声发射采集器302设置在轮毂内，且声发射传感器301与声发射采集器302电连接。
在本发明的一些实施例中，声发射传感器301用于采集变桨轴承400运行时发出的声发射信号，并将采集到的声发射信号传输至声发射采集器302；声发射采集器302用于对声发射信号进行数字化，从而形成声发射原始数据，并将声发射原始数据传输至声发射处理设备500。为保证声发射传感器301采集到的声发射信号的可靠性，声发射传感器301应该设置有至少两个，至少两个声发射传感器301应该沿变桨轴承400的周向等距离设于一套能够正常运行的变桨轴承400的外表面，且至少两个声发射传感器301的采集范围至少覆盖一套能够正常运行的变桨轴承400的整体。
在本发明的一些实施例中，声发射信号采集装置还可以包括放大器(图中未示出)，放大器耦接于声发射传感器301与声发射采集器301之间，用于对声发射传感器301发出的声发射信号进行放大。
本发明实施例中，检测区200放置有声发射信号处理设备500，声发射信号处理设备500通过有线或无线的通讯方式与声发射信号采集装置建立通信。
在本发明的一些实施例中，基于图1，本发明的一些实施例中提供了一种变桨轴承故障检测场景，如图2所示，声发射信号处理设备500可以通过光纤或网线与塔基700建立通信，塔基700通过光纤或网线与至少一组风力发电机组的机舱600建立通信，机舱600通过Wi-Fi(Wireless Fidelity，无线保真)或光纤或网线与声发射信号采集装置建立通信，需要说明的是，实际使用中，机舱600应该与声发射信号采集装置中的声发射采集器302建立通信，声发射信号处理设备500可以是PC(Personal Computer，个人计算机)。需要说明的是，实际使用中，在待检测对象之外，可以根据需要设置更多的位于采集区100的待采集对象，本发明实施例不作限定。
本发明的一些实施例中，声发射传感器301的选择根据需要采集的声发射信号的频率范围和幅度范围来确定，包括有可能存在的噪音信号，即声发射传感器301的选择可以通过实际测试确定，根据最终确定结果，选择需要的声发射信号灵敏、对噪音信号不灵敏的声发射传感器301进行检测；声发射传感器301的选择也可以根据经验了解进行选择。示例性的，钢材中焊接缺陷时产生的声发射信号频率范围在25-750KHz之间等，本发明实施例不作限制。
图3为本发明实施例提供的一种变桨轴承故障检测方法，该方法包括：
S101、获取同工况下变桨轴承当前运行时的初始特征集合和变桨轴承正常运行时的敏感特征集合，敏感特征集合为变桨轴承正常运行时的初始参照数据。
本发明实施例提供的一种变桨轴承故障检测方法适用于对运行中的风力发电机组中的变桨轴承进行故障检测的场景，检测的变桨轴承可以为一组也可以为多组，本发明实施例中不作限定。
本发明实施例中，同工况为相同工况，指设备工作时与设备动作有直接关系的工作环境条件，即设备真实工作时的环境情况。示例性的，与设备动作有直接关系的工作环境条件为风力、风力发电机组工作时叶片的转速等。
在本发明的一些实施例中，通过声发射传感器分别对变桨轴承正常运行时发出的声发射信号和变桨轴承当前运行时发出的声发射信号进行采集，通过声发射采集器对声发射信号进行处理输出至声发射信号处理设备，声发射信号处理设备对采集到的声发射信号进行特征提取，从而形成初始特征集合和敏感特征集合。
本发明实施例中，初始特征集合为变桨轴承当前运行时的初始待评估数据，敏感特征集合为变桨轴承正常运行时的初始参照数据；初始特征集合与敏感特征集合可以来源于不同时间段的同一组变桨轴承，可以来源于同一时间段的不同组变桨轴承，还可以来源于不同时间段的不同组变桨轴承。
本发明实施例中，当前变桨轴承运行时，可以将声发射传感器采集到的变桨轴承转动一圈所发出的声发射信号为一组声发射信号，也可以在一组风力发电机组产生1度电能过程中，将声发射传感器采集到的变桨轴承发出的声发射信号为一组声发射信号，本发明实施例中不作限制。
本发明实施例中，声发射信号均包括有多条数据，通过声发射信号处理设备对采集到的声发射信号进行特征提取，即为利用声发射信号处理设备对声发射信号中的每条数据均进行特征提取，且提取到的特征应该相同，从而形成初始特征集合和/或敏感特征集合。
可以理解的是，该步骤主要目的为获取变桨轴承正常运行时的敏感特征集合作为变桨轴承故障检测时的参照样本，这样通过将变桨轴承当前运行时的初始特征集合与敏感特征集合进行对比，即可获知变桨轴承是否具有故障，不仅方便且对比结果准确率更高。
本发明的一些实施例中，获取变桨轴承正常运行时的敏感特征集合可以如图4所示，包括S1011-S1014，如下：
S1011、获取同工况下变桨轴承正常运行时的至少两组声发射原始数据。
在本发明实施例中，变桨轴承在运行中发出声发射信号，声发射传感器采集声发射信号并将采集到的每组声发射信号输送至声发射采集器中，声发射采集器对每组声发射信号处理后形成每组声发射原始数据，每组声发射原始数据为至少两组声发射原始数据中的任意一组声发射原始数据。重复上述过程，即可完成至少两组声发射原始数据的采集。
S1012、提取每组声发射原始数据中的特征，得到至少两组特征样本。
在本发明实施例中，声发射信号处理设备对每组声发射原始数据进行特征提取，每组声发射原始数据中均包括多条数据，提取特征时，从每组声发射原始数据中的每条数据中提取至少一种特征作为每组特征样本。
在本发明的一些实施例中，提取每组声发射原始数据中的特征可以采用小波分析的方法、傅里叶变换、神经网络分析法或可分离性判据完成每组声发射原始数据的特征提取；提取到的特征可以为时域特征、频域特征、熵特征，波形特征、小波能量特征、小波信息熵、小波标准差、小波95％分位数等，本发明实施例不作限制。
S1013、对至少两组特征样本之间进行假设检验，得到检验结果。
本发明实施例中，声发射信号处理设备对至少两组特征样本中的每两组特征样本进行假设检验，从而得到检验结果。本发明实施例中，假设检验可以为同分布假设检验，同分布指在随机过程中，任何时刻的取值都为随机变量，如果这些随机变量服从统一分布，那么这些随机变量是同分布。同分布假设检验用于检验每两组特征样本之间是否服从同分布，在实际应用中，同分布假设检验也可用于每三组特征样本之间、每四组特征样本之间或每多组特征样本之间，本发明实施例不作限制。
在本发明的一些实施例中，每两组特征样本为第一特征样本和第二特征样本，第一特征样本和第二特征样本分别为至少两组特征样本中的任意一组特征样本。由于每组声发射原始数据中均包括多条数据，每组特征样本为从每组声发射原始数据中的每条数据中提取的至少一种特征，因此在进行同分布假设检验时，每组特征样本应该得到至少一个概率值，至少一个概率值中的每个概率值均对应至少一种特征中的一个特征。
在本发明的一些实施例中，由于同分布假设检验包括多种同分布假设检验方法，因此，第一特征样本和第二特征在进行同分布假设检验方法时，应该进行至少一种同分布假设检验。
可以理解的是，同分布假设检验次数越多，获得的检验结果越精确，对于第一特征样本与第二特征样本是否服从同分布的判断越准确。
S1014、根据检验结果，确定敏感特征，从而形成敏感特征集合。
在本发明的一些实施例中，若第一特征样本与第二特征样本是同分布，则第一特征样本和第二特征样本对应的特征样本为敏感特征，从而形成敏感特征集合。示例性的，若每两组特征样本中的第一时域特征是第一特征样本和第二特征样本，第一时域特征是每两组特征样本中的时域特征中的任意一组时域特征；经过同分布假设检验，得到检验结果为第一特征样本和第二特征样本是同分布，则第一时域特征是敏感特征。可以理解的是，由于敏感特征集合是在同工况下变桨轴承正常运行时获取的，因此，在对同工况下变桨轴承进行故障判断时，敏感特征集合可以作为参照样本，使得在故障检测进行数据对比时，对比结果准确率更高，从而提高了故障检测的准确率，减少了误报、虚报的概率。
本发明的一些实施例中，获取同工况下变桨轴承当前运行时的初始特征集合可以如图5所示，包括S1015-S1016，如下：
S1015、采集同工况下当前变桨轴承运行时的声发射待测数据。
本发明实施例中，随着变桨轴承的运行，变桨轴承中内应力变化并以应力波形式向外传播，形成声发射信号，声发射传感器对声发射信号进行采集，然后输出至声发射采集器中，声发射采集器对声发射信号进行数字化，从而形成声发射待测数据。
本发明实施例中，声发射传感器对当前的变桨轴承采集至少一次。
可以理解的是，采集的次数越多，则在后续的故障检验中得到的故障检验结果更精确。
本发明实施例中，同工况为当前变桨轴承运行时的工况与S1011中采集声发射原始数据时变桨轴承正常运行时的工况相同。
在本发明的一些实施例中，声发射待测数据中的数据条数应该与声发射待测数据中的数据条数相同。
可以理解的是，在同工况下采集声发射原始数据和声发射待测数据，且采集到的声发射原始数据和声发射待测数据中的数据条数相同，将使得后续的数据对比结果更具有参考价值，得到的数据对比结果准确度更高。
S1016、提取声发射待测数据中的特征，得到对应的初始特征集合。
本发明实施例中，可以如S1012，通过声发射信号处理设备对声发射待测数据进行特征提取，提取声发射待测数据中的特征可以采用小波分析的方法、傅里叶变换、神经网络分析法或可分离性判据完成每组声发射原始数据的特征提取；提取到的特征可以为时域特征、频域特征、熵特征，波形特征、小波能量特征、小波信息熵、小波标准差、小波95％分位数等，本发明实施例不作限制。
在本发明的一些实施例中，提取声发射待测数据中的特征所采用的方法应该与提取声发射原始数据中的特征所采用的方法相同，且从声发射待测数据中提取出的特征应该与从声发射原始数据中提取出的特征表征相同。
可以理解的是，声发射待测数据中提取出的特征与声发射原始数据中提取出的特征表征相同且所采用的提取方法也相同，可以保证变桨轴承故障检验过程中的数据统一性，更便于后续的统一处理及对比。
S102、对敏感特征集合中的每组敏感特征进行迭代计算，得到对应的第一偏态指标，从而形成第一偏态指标序列。
本发明实施例中，取敏感特征集合中的任意一组敏感特征作为第一敏感特征，根据需要设置迭代步长，基于迭代步长对第一敏感特征进行迭代计算，目的为求取第一敏感特征最近似的均值和中值；计算第一敏感特征最近似的均值和中值的商，从而得到第一偏态指标；第一敏感特征为每组敏感特征，重复上述步骤，直至敏感特征集合中的所有敏感特征均经过迭代计算，获得对应的全部均值和全部中值，基于全部均值和全部中值计算得到敏感特征集合中的所有敏感特征对应的第一偏态指标，从而形成第一偏态指标序列，第一偏态指标序列为变桨轴承正常运行时的最终参照数据。
在本发明的一些实施例中，为保证得到的每组敏感特征的均值和中值的精确度，迭代步长可以设置有多个，根据每个预设迭代步长，对每组敏感特征依次进行迭代计算，从而获取每组敏感特征基于不同预设迭代步长进行迭代计算得到的多个均值和多个中值。
需要说明的是，每组敏感特征的均值和中值数量将与迭代步长的数量相同，在实际使用中，可以根据需要分别选取每组敏感特征的多个均值和多个中值的最大值或最小值或平均值计算第一偏态指标。
本发明实施例中，通过声发射信号处理设备对敏感特征集合中的每组敏感特征进行迭代计算，迭代计算为根据至少一个预设迭代步长，对每组敏感特征进行至少一次迭代计算，得到至少一个敏感特征均值和至少一个敏感特征中值。
本发明实施例中，取至少一组敏感特征均值中的最大值为第一均值，取至少一个敏感特征中值中的最大值为第一中值，根据第一均值和第一中值，计算计算第一均值与第一中值的商，得到对应的第一偏态指标，直至每组敏感特征均计算完成，得到多个第一偏态指标，从而形成第一偏态指标序列。
本发明实施例中，第一均值与第一中值的商为第一中值除以第一均值得到的数值。
可以理解的是，通过迭代法求取每组敏感特征的敏感特征均值和敏感特征中值，精确度更高。
S103、基于初始特征集合和敏感特征集合，确定第二偏态指标序列。
本发明实施例中，根据敏感特征集合中的每个敏感特征对初始特征集合中的每个初始特征集合进行筛选，选出初始特征集合中所有与敏感特征集合中的敏感特征表征相同的初始特征作为待评估特征，依据所有的待评估特征将形成待评估特征集合，取敏感特征集合中的任意一组待评估特征作为第一待评估特征，根据需要设置迭代步长，基于迭代步长对第一待评估特征进行迭代计算以得到第一待评估特征最近似的均值和中值；求取第一待评估特征最近似的均值和中值的商，从而得到第二偏态指标；第一待评估特征为每组待评估特征，重复上述步骤，直至待评估特征集合中的所有待评估特征均经过迭代计算，获得对应的全部均值和全部中值，基于全部均值和全部中值计算得到待评估特征集合中的所有待评估特征对应的第二偏态指标，从而形成第二偏态指标序列，第二偏态指标序列为当前变桨轴承运行时的最终待评估数据。
需要说明的是，在实际使用中，由于待评估特征与敏感特征表征相同，因此当变桨轴承产生故障时，待评估特征将会发生变化，根据待评估特征得到的第二偏态指标，然后将第二偏态指标与第一偏态指标进行对比，即可获知当前变桨轴承是否存在故障。
在本发明的一些实施例中，对待评估特征集合进行迭代计算时，迭代步长的数量与数值应该与对敏感特征集合进行迭代计算时的迭代步长的数量与数值相同。
可以理解的是，这样可以保证数据的统一性，在后续计算过程中得到的故障检验结果也将更加可靠，准确。
本发明实施例中，基于初始特征集合和敏感特征集合，确定第二偏态指标序列可以如图6所示，包括S1031-S1033，如下：
S1031、根据敏感特征集合对初始特征集合进行筛选，得到筛选结果。
本发明实施例中，对初始特征集合中的每组初始特征与敏感特征集合中的每组敏感特征进行对比判断，基于判断初始特征集合中的每个初始特征与敏感特征集合中的至少一组敏感特征是否相同，确定对应的子筛选结果，直至每个初始特征均完成判断时，得到多个子筛选结果，从而得到筛选结果。
本发明实施例中，初始特征集合中的任意一组初始特征为第一初始特征，若第一初始特征与敏感特征集合中的至少一组敏感特征相同，则确定表征相同的子筛选结果；若第一初始特征与敏感特征集合中的至少一组敏感特征均不相同，则确定表征不相同的子筛选结果。
S1032、根据筛选结果，确定待评估特征集合。
本发明实施例中，待评估特征集合为当前变桨轴承运行时的初始待评估数据，用于获知当前变桨轴承运行时的内部状态。
本发明实施例中，筛选结果中的任意一个的子筛选结果为第一子筛选结果，若初始特征集合中存在第一子筛选结果为相同，则第一子筛选结果对应的初始特征集合中的初始特征为待评估特征；将初始特征集合中的每个初始特征均筛选完成时，依据待评估特征形成待评估特征集合。
在本发明实施例中，若初始特征集合中存在第二子筛选结果为不相同，则第二子筛选结果对应的初始特征集合中的初始特征不是待评估特征。
S1033、对待评估特征集合中的每组待评估特征进行迭代计算，得到对应的第二偏态指标，从而形成第二偏态指标序列。
本发明实施例中，可以如S102所示，通过声发射信号处理设备对待评估特征集合中的每组待评估特征进行迭代计算，即根据至少一个预设迭代步长，对每组待评估特征进行至少一次迭代计算，得到至少一个待评估特征均值和至少一个待评估特征中值。
本发明实施例中，至少一个待评估特征均值中的最小值为第二均值，至少一个待评估特征中值中的最小值为第二中值，根据第二均值和第二中值，计算第二均值与第二中值的商，得到对应的第二偏态指标，直至每组待评估特征均计算完成，得到多个第二偏态指标，从而形成第二偏态指标序列。
本发明实施例中，第二均值与第二中值的商为第二均值除以第二中值得到的数值。
S104、根据第一偏态指标序列中的每个第一偏态指标和第二偏态指标序列中的每个第二偏态指标序列，计算得到对应的健康指标，形成健康指标序列。
本发明实施例中，分别从第一偏态指标序列和第二偏态指标序列中取一个第一偏态指标和一个第二偏态指标，用上述第一偏态指标减去上述第二偏态指标，得到差值，取差值的绝对值除以上述第一偏态指标，将得到对应的健康指标，重复上述步骤，直至第一偏态指标序列和第二偏态指标序列中的所有第一偏态指标和第二偏态指标均完成计算，从而得到多个健康指标，形成健康指标序列。
本发明实施例中，第一偏态指标序列中的所有第一偏态指标与第二偏态指标序列中的所有第二偏态指标，均应该根据敏感特征集合和/或待评估特征集合中对应的敏感特征和/或待评估特征一一对应。
在本发明的一些实施例中，健康指标序列中的健康指标序列可以与第一偏态指标序列中的第一偏态指标数量和/或第二偏态指标序列中的第二偏态指标数量相同。第一偏态指标序列中的第一偏态指标数量和第二偏态指标序列中的第二偏态指标数量，可以与敏感特征集合中的敏感特征数量和/或待评估特征集合中的待评估特征数量相同。
本发明实施例中，绝对值与每个第一偏态指标的商为绝对值除以第一偏态指标得到的数值。
S105、根据健康指标序列，确定故障检验结果。
本发明实施例中，当健康指标序列中的任意一个或多个健康指标大于预设值时，则意味着，当前变桨轴承运行时与变桨轴承正常运行时的相关数据差值超过了可以接受范围，可以确定当前变桨轴承存在故障，反之，当健康指标序列中的所有健康指标均小于等于预设值时，则意味着，当前变桨轴承运行时与变桨轴承正常运行时的相关数据差值位于可以接受范围内，可以确定当前变桨轴承不存在故障。
本发明实施例中，若健康指标序列中存在任意一个健康指标大于预设值，确定故障检验结果为变桨轴承当前存在故障；若健康指标中健康指标均不大于预设值时，确定故障检验结果为变桨轴承当前不存在故障。
本发明实施例中，预设值可以根据实际使用情况进行设置，本发明实施例中不进一步限定。
本发明实施例中，本发明实施例提供的一种变桨轴承故障检测方法还包括：
若故障检验结果为变桨轴承当前存在故障，则发出警报。
在本发明的一些实施例中，警报可以通过声、光等途径起到警示作用，示例性的，可以通过蜂鸣报警器、爆闪灯或蜂鸣报警器和爆闪灯的结合等进行警报。
可以理解的是，本发明实施例中，当变桨轴承存在故障时，则发出警报，能够提醒人员及时对变桨轴承进行更换，保证风力发电机的正常运行。
可以理解的是，本发明实施例中，由于材料或构件在受力过程中产生变形或裂纹时，将会以弹性波形式释放出应变能，形成声发射信号，因此，通过声发射技术对变桨轴承进行故障检测，可以及时的发现变桨轴承内部是否出现裂缝，从而判断变桨轴承是否产生故障，这样变桨轴承在发现产生故障时，损坏程度较小，更便于后期维修，且工作人员能够及时的对变桨轴承进行更换。
另外，本发明实施例中以迭代法计算获取同工况下变桨轴承正常运行时的第一偏态指标序列和同工况下变桨轴承当前运行时的第二偏态指标序列，通过第一偏态指标序列和第二偏态指标序列构造健康指标序列，比现有技术中的超限报警更加可靠，能够减少误报与漏报的概率，提高故障检测的准确度。
本发明的一个可选实施例提供的一种变桨轴承故障检验方法，基于如图1所示的一种变桨轴承故障检验场景，适用于对运行中的变桨轴承进行故障检验等，本发明的一个可选实施例可以如图7所示，包括S701-S706，如下：
S701、采集两次同工况下变桨轴承正常运行时的两组声发射原始数据，采集同工况下变桨轴承当前运行时的声发射待测数据。
本发明实施例中，声发射待测数据与两组声发射原始数据均应该包括多条数据且数据条数相同。
在本发明的一个可选实施例中，声发射待测数据与两组声发射原始数据内的数据条数应分别不小于200条。
在本发明的一个可选实施例中，声发射待测数据与两组声发射原始数据可以采集自不同的变桨轴承或同一变桨轴承。
在本发明的一个可选实施例中，声发射待测数据与两组声发射原始数据可以同时进行采集，也可以在不同时间段进行采集。
S702、对声发射待测数据和两组声发射原始数据进行特征提取，作为特征样本。
在本发明的一个可选实施例中，通过声发射信号处理设备从声发射待测数据和两组声发射原始数据的每条数据中分别提取相同的103个特征作为特征样本；其中，103个特征为：16个时域特征，13个频域特征，10个波形特征，小16个波能量特征，16个小波信息熵，16个小波标准差，16个小波95％分位数。
在本发明的一个可选实施例中，为保证检测结果的可靠性，两组声发射原始数据与声发射待测数据应该通过相同特征提取方法进行特征提取，且提取的特征种类应该相同。
S703、将两组声发射原始数据中表征相同的多条数据记为一个特征样本，从两组声发射原始数据中各取一个特征样本，分别作为第一特征样本和第二特征样本；将声发射待测数据中表征相同的多条数据记为一个初始特征，作为初始特征集合。
在本发明的一个可选实施例中，两组声发射原始数据的每组声发射原始数据应该共有103个特征样本，初始特征集合中应该有103个初始特征。
S704、假设第一特征样本与第二特征样本是同分布为原假设，通过声发射信号处理设备进行Kolmogorov-Smirnov检验和Epps-Singleton检验，并分别获取概率值。
在本发明的一个可选实施例中，概率值为第一概率和第二概率值，第一概率值为Kolmogorov-Smirnov检验的概率值，第二概率值为Epps-Singleton检验的概率值。
在本发明的一个可选实施例中，Kolmogorov-Smirnov检验和Epps-Singleton检验用于检测第一特征样本和第二特征样本是否来自同一总体，即用于确定第一特征样本和第二特征样本是否从相同的分布中采样获取。
在本发明的一个可选实施例中，Kolmogorov-Smirnov检验和Epps-Singleton检验均采用双样本检验。
本发明的一些可选实施例中，Kolmogorov-Smirnov检验和Epps-Singleton检验均可基于统计数据库scipy.stats或其他数据库进行检验实现，本发明实施例中不做具体限定。
S705、判断概率值是否均大于预设概率值，若概率值均大于预设概率值时，则认为第一特征样本与第二特征样本中存在第一子检验结果是同分布，则第一子检验结果对应的每组特征样本中的特征样本是敏感特征。
在本发明的一个可选实施例中，预设值取0.1。
S706、对特征样本，依次进行S703-S705，从特征样本中筛选出全部敏感特征作为敏感特征集合。
基于如图7所示的一种变桨轴承故障检测方法的流程示意图五，本发明的一个可选实施例提供的一种变桨轴承故障检验方法，如图8所示，还包括S707-S7012，如下：
S707、基于敏感特征集合中的每组敏感特征与初始特征集合中的每组初始特征进行筛选，取初始特征集合中与敏感特征集合中的至少一组敏感特征表征相同的初始特征作为待评估特征，依据待评估特征形成待评估特征集合。
S708、基于至少一个预设迭代步长，对敏感特征集合中的每组敏感特征和待评估特征集合中的每组待评估特征进行至少一次迭代计算，获取每组敏感特征和每组待评估特征的均值和中值。
在本发明的一个可选实施例中，预设迭代步长可以从1开始，并每次在前一个迭代步长的基础上增加1，形成m个预设迭代步长，示例性的，预设迭代步长可以设置为1、2、3…m。
在本发明的一个可选实施例中，由于对敏感特征集合中的每组敏感特征和待评估特征集合中的每组待评估特征将基于每个预设迭代步长进行迭代计算，因此，每组敏感特征和每组待评估特征均对应多个均值和多个中值。
S709、取每组敏感特征多个均值中的最大值作为第一均值，多个中值中的最大值作为第一中值，获取第一均值与第一中值的商作为第一偏态指标，依据第一偏态指标形成第一偏态指标序列。S710、取每组待评估特征的多个均值中最小值作为第二均值，多个中值中的最小值作为第二中值，获取第二均值与第二中值的商作为第二偏态指标，依据第二偏态指标形成第二偏态指标序列。
可以理解的是，基于不同预设迭代步长对每组敏感特征进行迭代计算，取所有迭代计算结果中的最大值或最小值进行最后的计算，可以保证求取到的每组敏感特征和每组待评估特征的均值、中值的精确度，从而保证变桨轴承的故障检测准确度。
S711、获取每个第一偏态指标与每个第二偏态指标差的绝对值，获取绝对值与每个第一偏态指标的商，作为对应的健康指标，依据健康指标形成健康指标序列。
S712、当健康指标序列中任意一个健康指标大于预设值时，变桨轴承存在故障，进行报警。
在本发明的一些可选实施例中，预设值为200％，健康指标序列中的每个健康指标应该与预设值同样属于百分比，若健康指标不属于百分比，则需要对健康指标乘以100％。
在本发明的一个可选实施例中，本发明的一个可选实施例提供的一种变桨轴承故障检验方法，可以如图9所示，包括S801-S805，如下：
S801、获取变桨轴承正常工作时的敏感特征集合。
在本发明的一个可选实施例中，由于敏感特征集合是通过对两组声发射原始数据进行特征提取和假设检验后得到的，记敏感特征集合应该具有两个，在本发明的一个可选实施例中，分别记为
Figure BDA0003136972550000211
和
Figure BDA0003136972550000212
其中x表示变桨轴承正常运行时两组声发射原始数据中的一组声发射原始数据，features表示是特征信号，m表示第m行，对应敏感特征的数据条数；l表示第l列，对应每个敏感特征集合中的敏感特征数量，其中，l＝0，1，2，3…。
S802、根据预设迭代步长，迭代计算敏感特征集合中的每列敏感特征对应的均值和中值，形成敏感均值序列和敏感特征中值序列。
在本发明的一个可选实施例中，记k为预设迭代步长，k＝1,2,3,…m，在
Figure BDA0003136972550000213
中，计算k＝1，l＝1时，敏感特征集合
Figure BDA0003136972550000214
的均值，并记为
Figure BDA0003136972550000215
重复上述步骤，依次计算K＝2，3……m，l＝1时，敏感特征集合
Figure BDA0003136972550000216
的全部均值和敏感特征集合
Figure BDA0003136972550000217
中其余敏感特征对应于不同k值的均值和中值，从而得到敏感特征集合
Figure BDA0003136972550000218
的敏感特征均值序列
Figure BDA0003136972550000219
同理得到敏感特征集合
Figure BDA00031369725500002110
敏感特征中值序列
Figure BDA00031369725500002111
及敏感特征集合
Figure BDA00031369725500002112
的敏感特征均值序列及敏感特征中值序列
Figure BDA00031369725500002113
在本发明的一个可选实施例中，记
Figure BDA00031369725500002114
为敏感特征集合中第一列敏感特征的第一偏态指标，以此类推，得到l到n。
S804、获取变桨轴承当前运行时的初始特征集合。
在本发明的一个可选实施例中，初始特征集合的获取方式与敏感特征集合的获取方式相同，且初始特征集合中每列特初始特征中的数据条数与敏感特征集合中的每列敏感特征的数据条数相同，且初始特征集合中的初始特征数量与敏感特征集合中的敏感特征数量相同，且均为时域特征16个，频域特征13个，波形特征10个，小波能量特征16个，小波信息熵16个，小波标准差16个，小波95％分位数16个。
在本发明的一个可选实施例中，记初始特征集合为
Figure BDA00031369725500002115
其中m为数据条数，n为初始特征集合中的特征数，n＝103。、根据敏感特征集合对初始特征集合进行筛选，获取初始特征集合中所有与敏感特征表征相同的初始特征作为待评估特征，从而形成待评估特征集合。
在本发明的一个可选实施例中，初始特征集合经过筛选，仅保留与敏感特征表征相同的初始特征作为待评估特征，以形成待评估特征集合，因此待评估特征集合记为
Figure BDA0003136972550000221
S806、根据S802，对初始计算待评估特征集合中每列待评估特征进行迭代计算，获取对应的待评估特征均值序列及待评估特征中值序列，并取待评估特征均值序列及待评估特征中值序列中的最小值，作为第二均值和第二中值，取第二均值除以第二中值的商，得到对应的第二偏态指标，依据所有第二偏态指标，形成第二偏态指标序列。
在本发明的一个可选实施例中，记
Figure BDA0003136972550000222
为待评估特征集合中第一列待评估特征的第二偏态指标，以此类推，得到l＝2到n时的所有第二偏态指标，记为Sn′，第二偏态指标为风电机组变桨轴承当前工作下的基准指标。
S807、取第一偏态指标减第二偏态指标的差的绝对值，再除以第一偏态指标，得到对应的健康指标，依次完成所有第一偏态指标与第二偏态指标的计算，从而得到所有的健康指标，形成健康指标序列，当任意一个健康指标大于200％时，发出报警。
在本发明的一个可选实施例中，记(S1-S′1)/S1为敏感特征集合和待评估特征集合中第一列特征的健康指标H1，以此类推，得到敏感特征集合和待评估特征集合中其他的列的特征的健康指标，形成健康指标序列，当任意一个健康指标大于200％时，发出报警。
本发明实施例还提供一种变桨轴承故障检测装置，对应于一种变桨轴承故障检测方法；图10为本发明实施例提供的一种变桨轴承故障检测装置的结构示意图一，如图10所示，该变桨轴承故障检测装置9包括：第一获取单元91，第二获取单元92，计算单元93，筛选单元94，确定单元95和报警单元96；其中，
所述第一获取单元91，用于获取同工况下变桨轴承正常运行时的敏感特征集合。
所述第二获取单元92，用于获取同工况下当前变桨轴承运行时的初始特征集合。
所述筛选单元93，用于对所述初始特征集合进行筛选，得到待评估特征集合。
所述计算单元94，用于对所述敏感特征集合和所述待评估特征集合分别进行迭代计算。
所述确定单元95，用于根据迭代计算结果，确定变桨轴承当前是否存在故障。
所述报警单元96，用于在变桨轴承当前存在故障时，进行报警。
本发明实施例还提供一种存储介质，适用于一种变桨轴承故障检测方法；如图11所示，本发明实施例提供的一种存储介质，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，用于实现如本发明实施例的变桨轴承故障检测方法。
本发明实施例中，存储介质具体可以为存储器。所述存储器可以为如图11所示的存储器102。
本发明实施例还提供一种变桨轴承故障检测装置，对应于一种变桨轴承故障检测方法，如图11所示，图11为本发明实施例提供的一种变桨轴承故障检测装置的结构示意图二，变桨轴承故障检测装置10包括处理器101、存储器102以及通信总线104，存储器102通过通信总线104与处理器101进行通信，存储器102存储所述处理器101可执行的一个或者多个程序，当所述一个或者多个程序被执行时，所述处理器101执行如本发明实施例的变桨轴承故障检测方法，具体的，变桨轴承故障检测装置10还包括用于进行数据传输的通信组件103，其中，处理器101至少设有一个。
本发明实施例中，变桨轴承故障检测装置10中的各个组件通过总线104耦合在一起。可理解，通过总线104用于实现这些组件之间的连接通信。通过总线104除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图10中将各种总线都标为通过总线104。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (18)

1.一种变桨轴承故障检测方法，其特征在于，包括：
获取同工况下变桨轴承当前运行时的初始特征集合和变桨轴承正常运行时的敏感特征集合，所述敏感特征集合为变桨轴承正常运行时的初始参照数据；
对所述敏感特征集合中的每组敏感特征进行迭代计算，得到对应的第一偏态指标，从而形成所述第一偏态指标序列；所述第一偏态指标序列为变桨轴承正常运行时的最终参照数据；
基于所述初始特征集合和所述敏感特征集合，确定第二偏态指标序列；所述第二偏态指标序列为当前变桨轴承运行时的最终待评估数据；
根据所述第一偏态指标序列中的每个第一偏态指标和所述第二偏态指标序列中的每个第二偏态指标序列，计算得到对应的健康指标，形成所述健康指标序列；
根据所述健康指标序列，确定故障检验结果。
2.根据权利要求1所述的方法，其特征在于，所述基于所述初始特征集合和所述敏感特征集合，确定第二偏态指标序列，包括：
根据所述敏感特征集合对所述初始特征集合进行筛选，得到筛选结果；
根据所述筛选结果，确定待评估特征集合；所述待评估特征集合为当前变桨轴承运行时的初始待评估数据；
对所述待评估特征集合中的每组待评估特征进行迭代计算，得到对应的第二偏态指标，从而形成所述第二偏态指标序列。
3.根据权利要求1或2所述的方法，其特征在于，所述对所述敏感特征集合中的每组敏感特征进行迭代计算，得到对应的第一偏态指标，从而形成所述第一偏态指标序列，包括：
根据至少一个预设迭代步长，对所述每组敏感特征进行至少一次迭代计算，得到至少一个敏感特征均值和至少一个敏感特征中值；
根据第一均值和第一中值，计算对应的所述第一偏态指标；直至所述每组敏感特征均计算完成，得到多个第一偏态指标，从而形成所述第一偏态指标序列；所述第一均值为至少一个敏感特征均值中的最大值，所述第一中值为所述至少一个敏感特征中值中的最大值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一均值和所述第一中值，计算对应的所述第一偏态指标，包括：
计算所述第一均值与所述第一中值的商，得到所述第一偏态指标。
5.根据权利要求1所述的方法，其特征在于，所述获取同工况下变桨轴承当前运行时的初始特征集合，包括：
采集同工况下当前变桨轴承运行时的声发射待测数据；
提取所述声发射待测数据中的特征，得到对应的所述初始特征集合。
6.根据权利要求2所述的方法，其特征在于，所述根据所述敏感特征集合对所述初始特征集合进行筛选，得到筛选结果，包括：
基于判断所述初始特征集合中的每个初始特征与所述敏感特征集合中的至少一组敏感特征是否相同，确定对应的子筛选结果；直至所述每个初始特征均完成判断时，得到多个子筛选结果，从而得到所述筛选结果。
7.根据权利要求6所述的方法，其特征在于，所述基于判断所述初始特征集合中的每个初始特征与所述敏感特征集合中的至少一组敏感特征是否相同，确定对应的子筛选结果，包括：
若所述第一初始特征与所述敏感特征集合中的至少一组敏感特征相同，则确定表征相同的所述子筛选结果；
若所述第一初始特征与所述敏感特征集合中的至少一组敏感特征均不相同，则确定表征不相同的所述子筛选结果；
其中，所述第一初始特征为所述初始特征集合中的任意一组初始特征。
8.根据权利要求6或7所述的方法，其特征在于，所述根据所述筛选结果，得到待评估特征集合，包括：
若所述初始特征集合中存在第一子筛选结果为相同，则所述第一子筛选结果对应的所述初始特征集合中的初始特征为待评估特征；所述第一子筛选结果为所述筛选结果中的任意一个的子筛选结果；
将所述初始特征集合中的每个初始特征均筛选完成时，依据所述待评估特征形成待评估特征集合。
9.根据权利要求6或7所述的方法，其特征在于，所述方法还包括：
若所述初始特征集合中存在第二子筛选结果为不相同，则所述第二子筛选结果对应的所述初始特征集合中的初始特征不是待评估特征。
10.根据权利要求1所述的方法，其特征在于，所述对所述待评估特征集合中的每组待评估特征进行迭代计算，得到对应的第二偏态指标，从而形成所述第二偏态指标序列，包括：
根据至少一个预设迭代步长，对所述每组待评估特征进行迭代计算，得到至少一个待评估特征均值和至少一个待评估特征中值；
根据所述第二均值和所述第二中值，计算第二偏态指标；直至所述每组待评估特征均计算完成，得到多个第二偏态指标，从而形成所述第二偏态指标序列；
其中，所述第二偏态指标为所述第二均值和所述第二中值的商，所述第二均值为至少一个待评估特征均值中的最小值，所述第二中值为所述至少一个待评估特征中值中的最小值。
11.根据权利要求1或10所述的方法，其特征在于，所述根据所述第一偏态指标序列中的每个第一偏态指标和所述第二偏态指标序列中的每个第二偏态指标序列，计算得到对应的健康指标，形成所述健康指标序列，包括：
根据所述每个第一偏态指标与所述每个第二偏态指标，计算对应的所述健康指标；直至所述每个第一偏态指标与每个第二偏态指标均完成计算，得到多个健康指标，形成所述健康指标序列；
其中，所述每个第一偏态指标为所述第一偏态指标序列中的任意一个第一偏态指标，所述每个第二偏态指标为所述第二偏态指标序列中的任意一个第二偏态指标。
12.根据权利要求11所述的方法，其特征在于，所述根据所述每个第一偏态指标与所述每个第二偏态指标，计算对应的所述健康指标，包括：
获取所述每个第一偏态指标与所述每个第二偏态指标差的绝对值，获取所述绝对值与所述每个第一偏态指标的商，作为对应的所述健康指标。
13.根据权利要求1所述的方法，其特征在于，所述根据所述健康指标序列，确定故障检验结果，包括：
若所述健康指标序列中存在任意一个健康指标大于预设值，确定所述故障检验结果为变桨轴承当前存在故障；
若所述健康指标中健康指标均不大于预设值时，确定所述故障检验结果为变桨轴承当前不存在故障。
14.根据权利要求13所述的方法，其特征在于，所述方法还包括：
若所述故障检验结果为变桨轴承当前存在故障，则发出警报。
15.一种变桨轴承故障检测装置，其特征在于，所述装置包括：
第一获取单元，用于获取同工况下变桨轴承正常运行时的敏感特征集合；
第二获取单元，用于获取同工况下当前变桨轴承运行时的初始特征集合；
筛选单元，用于对所述初始特征集合进行筛选，得到待评估特征集合；
计算单元，用于对所述敏感特征集合和所述待评估特征集合分别进行迭代计算；
确定单元，用于根据迭代计算结果，确定变桨轴承当前是否存在故障。
16.根据权利要求15所述的装置，其特征在于，所述装置还包括：
报警单元，用于在变桨轴承当前存在故障时，进行报警。
17.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至14任一项所述的方法。
18.一种变桨轴承故障检测装置，其特征在于，所述装置包括处理器、存储器以及通信总线，所述存储器通过所述通信总线与所述处理器进行通信，所述存储器存储所述处理器可执行的一个或者多个程序，当所述一个或者多个程序被执行时，所述处理器执行如权利要求1至14任一项所述的方法。
CN202110721435.5A 2021-06-28 2021-06-28 一种变桨轴承故障检测方法及装置、存储介质 Active CN113312731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110721435.5A CN113312731B (zh) 2021-06-28 2021-06-28 一种变桨轴承故障检测方法及装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110721435.5A CN113312731B (zh) 2021-06-28 2021-06-28 一种变桨轴承故障检测方法及装置、存储介质

Publications (2)

Publication Number Publication Date
CN113312731A true CN113312731A (zh) 2021-08-27
CN113312731B CN113312731B (zh) 2024-07-12

Family

ID=77380631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110721435.5A Active CN113312731B (zh) 2021-06-28 2021-06-28 一种变桨轴承故障检测方法及装置、存储介质

Country Status (1)

Country Link
CN (1) CN113312731B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326589A (zh) * 2021-06-28 2021-08-31 北京南洋思源智能科技有限公司 一种敏感特征筛选方法及装置、存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150318221A1 (en) * 2014-05-02 2015-11-05 Bistel Inc. Method and apparatus for detecting fault in the semiconductor menufacturing process and recording medium thereof
CN106596105A (zh) * 2016-12-23 2017-04-26 四川中烟工业有限责任公司 一种轴承故障诊断方法、装置及***
CN110844111A (zh) * 2019-10-11 2020-02-28 中国直升机设计研究所 一种多特征指标锥齿轮健康状态评估方法
US20200125653A1 (en) * 2018-10-22 2020-04-23 General Electric Company Robust fault detection and diagnosison dynamic sensor network
CN112924173A (zh) * 2021-03-01 2021-06-08 广州特种承压设备检测研究院 一种风力发电机组变桨轴承故障诊断方法
CN113326589A (zh) * 2021-06-28 2021-08-31 北京南洋思源智能科技有限公司 一种敏感特征筛选方法及装置、存储介质
CN115034248A (zh) * 2021-03-03 2022-09-09 斯凯孚公司 用于设备的自动诊断方法、***和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150318221A1 (en) * 2014-05-02 2015-11-05 Bistel Inc. Method and apparatus for detecting fault in the semiconductor menufacturing process and recording medium thereof
CN106596105A (zh) * 2016-12-23 2017-04-26 四川中烟工业有限责任公司 一种轴承故障诊断方法、装置及***
US20200125653A1 (en) * 2018-10-22 2020-04-23 General Electric Company Robust fault detection and diagnosison dynamic sensor network
CN110844111A (zh) * 2019-10-11 2020-02-28 中国直升机设计研究所 一种多特征指标锥齿轮健康状态评估方法
CN112924173A (zh) * 2021-03-01 2021-06-08 广州特种承压设备检测研究院 一种风力发电机组变桨轴承故障诊断方法
CN115034248A (zh) * 2021-03-03 2022-09-09 斯凯孚公司 用于设备的自动诊断方法、***和存储介质
CN113326589A (zh) * 2021-06-28 2021-08-31 北京南洋思源智能科技有限公司 一种敏感特征筛选方法及装置、存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LEI ZHAO 等: "Rolling Element Bearing Fault Diagnosis Based on Adaptive Local Iterative Filtering Decomposition and Teager-Kaiser Energy Operator", JOURNAL OF FAILURE ANALYSIS AND PREVENTION, vol. 19, no. 4, 4 September 2019 (2019-09-04), pages 1018, XP036883025, DOI: 10.1007/s11668-019-00723-w *
杨天蕴 等: "动车组转向架轴承局部损伤振动特性分析", 振动.测试与诊断, vol. 36, no. 04, 15 August 2016 (2016-08-15), pages 665 - 673 *
王晓东: "基于多源数据融合的风电机组主传动链故障预警研究", 中国优秀博士学位论文全文数据库（电子期刊）, 15 May 2021 (2021-05-15), pages 042 - 3 *
王艳领 等: "大型风电机组变桨仿真试验***的研究与实现", 电子设计工程, vol. 24, no. 15, 5 August 2016 (2016-08-05), pages 52 - 55 *
陈彦龙 等: "基于迭代形态梯度解调算子的轴承故障检测", 轴承, no. 09, 5 September 2011 (2011-09-05), pages 45 - 48 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326589A (zh) * 2021-06-28 2021-08-31 北京南洋思源智能科技有限公司 一种敏感特征筛选方法及装置、存储介质
CN113326589B (zh) * 2021-06-28 2024-07-12 北京南洋思源智能科技有限公司 一种敏感特征筛选方法及装置、存储介质

Also Published As

Publication number Publication date
CN113312731B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
Ali et al. Online automatic diagnosis of wind turbine bearings progressive degradations under real experimental conditions based on unsupervised machine learning
JP7013787B2 (ja) 風力発電用風車の状態監視装置、状態監視方法、及び状態監視システム
KR101874472B1 (ko) 진동신호의 주파수 에너지를 이용한 회전체 고장 예측 시스템 및 방법
CN108760305B (zh) 一种轴承故障检测方法、装置及设备
Martin-del-Campo et al. Online feature learning for condition monitoring of rotating machinery
RU2488815C2 (ru) Способ и устройство для классификации генерирующих звук процессов
EP2031386A1 (en) Acoustic emission detector and controller
O'brien et al. A pattern recognition system based on acoustic signals for fault detection on composite materials
CN106323452A (zh) 一种设备异音的检测方法及检测装置
CN108956111B (zh) 一种机械部件的异常状态检测方法及检测***
CN114002332B (zh) 一种结构损伤监测预警方法及结构完整性数字孪生***
Chen et al. Automated function generation of symptom parameters and application to fault diagnosis of machinery under variable operating conditions
JP2019067197A (ja) 故障予兆検知手法
CN104713728A (zh) 基于多维数据驱动的大型回转支承剩余寿命在线预测方法
Medina et al. Deep learning-based gear pitting severity assessment using acoustic emission, vibration and currents signals
CN113312731B (zh) 一种变桨轴承故障检测方法及装置、存储介质
Regan et al. Wind turbine blade damage detection using various machine learning algorithms
Junior et al. Unbalance evaluation of a scaled wind turbine under different rotational regimes via detrended fluctuation analysis of vibration signals combined with pattern recognition techniques
CN113326589B (zh) 一种敏感特征筛选方法及装置、存储介质
Phalle et al. Fault diagnosis of rolling element bearing using artificial neural networks
CN111678991A (zh) 一种用于混凝土结构无损检测损伤识别的方法
Shanling et al. Real-time rubber quality model based on CNN-LSTM deep learning theory
Nunes et al. Acoustic structural integrity assessment of ceramics using supervised machine learning and uncertainty-based rejection
CN115356400B (zh) 一种基于BiLSTM的超声波木材无损检测方法及***
Lee et al. An application of machine learning for material crack diagnosis using nonlinear ultrasonics

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant