(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111286951.6 (22)申请日 2021.11.02 (71)申请人 南京凯奥思数据技 术有限公司 地址 210000 江苏省南京市雨 花台区宁双 路19号云密城J栋708室 (72)发明人 徐徐　徐鹏飞　杨世飞　孙磊　 邹小勇　刘宗斌　 (74)专利代理 机构 合肥左心 专利代理事务所 (普通合伙) 34152 代理人 张灿秋 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 20/00(2019.01) G06F 113/06(2020.01) (54)发明名称 一种风机设备在线工况分割及故障诊断的 方法 (57)摘要 本发明提供了一种风机设备在线工况分割 及故障诊断的方法， 包括包括模 型训练和在线诊 断两部分， 模型训练包括： 获取正常的速度有效 值数据集， 选出最优通道的最优 特征传入备选模 型库， 得到正常工况判断模型； 归纳、 收集对应通 道的历史故障数据集和对应的标签， 进行特征工 程， 将所得特征传入ARTMAP神经网络模型进行训 练， 得到故障判断模型； 在线诊断包括： 实时获取 最优通道的具有完整工况的在 线数据， 并将每段 工况数据依次代入正常工况判断模型和故障判 断模型， 最终输出工况类别和诊断结果。 本发明 能在线自动分割工况、 识别工况类型并判断工况 是否存在故障， 具有降低对专家的依赖、 大大解 放人力且判断准确率高等诸 多优点。 权利要求书2页 说明书7页 附图4页 CN 113919237 A 2022.01.11 CN 113919237 A 1.一种风机设备在线工况分割及故障诊断的方法， 其特征在于， 包括模型训练和在线 诊断两部分， 所述模型训练部分包括如下步骤： S11、 获取正常数据集， 利用多通道加速度传感器采集某时间段内风机多个关键点连续 的振动信号并储 存； S12、 对步骤S1 1中所有通道的加速度信号进行 预处理， 计算其速度有效值； S13、 计算步骤S12中每个通道的所有速度有效值的方差， 选取方差最大的通道作为工 况分析和判断的通道； S14、 对步骤S13中确定的通道， 根据其速度有效值进行工况分割及工况标注， 计算各工 况正常数据的均值、 方差以及一阶差分； S15、 对步骤S14中工况分割及工况 标注后的数据进行 特征工程， 构造多个特 征； S16、 对步骤S15中构造的特 征进行筛 选， 选出最优特 征； S17、 将步骤S16得到的最优特征传入备选模型库， 得到准确度最高的模型作为正常工 况判断模型； S18、 归纳、 收集步骤S13中确定的通道的历史故障数据集和对应的标签， 对该数据集进 行特征工程， 构造多个特 征； S19、 将步骤S18中所 得特征传入ARTMAP神经网络模型进行训练， 得到故障判断模型； 所述在线 诊断部分包括如下步骤： S21、 针对步骤S13中确定的通道， 实时获取包 含若干段完整工况的在线数据； S22、 对步骤S2 1中的每一段完整工况数据提取和最优特征对应的特征值， 代入步骤S17 的正常工况判断模型进行工况在线判断， 确定工况类别， 并根据步骤S14得到的均值和方 差， 利用3σ 准则判断该工况 数据是否为异常： 若数据正常， 则输出工况类别和工况正常的结论； 若数据异常， 则代入步骤S19的故障判断模型进行故障诊断， 输出工况类别和诊断结 果。 2.如权利要求1所述的一种风机设备在线工况分割及故障诊断的方法， 其特征在于， 步 骤S14进行工况分割及工况标注的具体方法是： 对速度有效值数据按照时间顺序进 行分割， 得到多个时间序列， 对于所述时间序列， 采用滑动窗方式从每个窗口标注工况信息， 将 工况 信息分为低频、 中频、 高频三种平稳工况和小 波动、 大波动、 上升、 下降四种非平稳工况。 3.如权利要求1所述的一种风机设备在线工况分割及故障诊断的方法， 其特征在于， 步 骤S15和步骤S18进行特征工程的具体步骤是： 提取每段工况数据的均值、 中位数、 方差、 极 差以及一阶差分后的均值、 方差、 中位数、 差分过零 率中的任意两种或多种作为特 征数据。 4.如权利要求3所述的一种风机设备在线工况分割及故障诊断的方法， 其特征在于， 步 骤S16选出最优特 征的方法是主成分 分析法， 其具体步骤 包括： S161、 对特 征数据进行 标准化； S162、 计算相关系数矩阵； S163、 计算特征值和特征向量， 计算各主成分贡献率和累计贡献率， 绘制累计贡献率 图； S164、 根据设定阈值选择满足条件的所有 主成分作为 最优特征。 5.如权利要求4所述的一种风机设备在线工况分割及故障诊断的方法， 其特征在于， 步权　利　要　求　书 1/2 页 2 CN 113919237 A 2骤S164的设定阈值 为95％。 6.如权利要求1所述的一种风机设备在线工况分割及故障诊断的方法， 其特征在于， 步 骤S17中正常工况判断模型的获取 方法包括： S171、 将最优特 征数据集按8 :2的比例分为训练集和 测试集； S172、 将训练集中每段数据的标签及对应的特征输入各个备选模型， 以交叉熵作为损 失函数， 采用网格搜索法对 各模型参数进 行调优， 计算 10折交叉验证后， 得到优化后的备选 模型； S173、 将测试集数据输入优化后的新备选模型， 得出每个新备选模型的测试集数据的 伪阳性率FPR、 真阳性 率TPR、 真阴性 率TNR和伪阴性 率FNR； S174、 根据伪阳性 率FPR、 真阳性 率TPR绘制每 个新备选模型的ROC曲线； S175、 计算每个新备选模型ROC曲线的AUC值， AUC值最大的模型为准确度最高的模型， 即正常工况判断模型。 7.如权利要求6所述的一种风机设备在线工况分割及故障诊断的方法， 其特征在于， 步 骤S172的备选模型包括： 线性回归判别、 随机森林、 朴素贝叶斯、 Xgboost、 逻辑回归、 Lightgbm、 支持向量机、 人工神经网络、 决策树、 长短期记 忆神经网络 。 8.如权利要求1所述的一种风机设备在线工况分割及故障诊断的方法， 其特征在于， 步 骤S21中判断是否为完整工况的步骤 包括： S211、 按步骤S12同样的方式获取连续20个在线数据的速度有效值， 计算其一阶差分的 平方； S212、 根据步骤S14正常数据一阶差分平方的历史阈值， 判断步骤S211第1个数据点的 平稳情况； S213、 若第1个数据点为平稳， 直接转入下一步， 否则继续向前取速度有效值并判断是 否平稳， 直到取 得连续3个平稳点时停止， 转入下一 步； S214、 判断第20个数据 点的平稳情况， 若平稳直接转入下一步， 否则继续向后取速度有 效值并判断是否平稳， 直到取 得连续3个平稳点时停止， 转入下一 步； S215、 经过步骤S2 13和S214后， 首先判断有没有增加数据， 若没有则按历史阈值进一步 判断全部20个数据是否都平稳， 如果是则将全部数据保留， 如果不是则将20个数据首尾处 的平稳数据删除， 再将剩余数据按历史阈值划分为若干段工况； 若增加了新的N个数据， 则 将最终的20+N个数据首尾处的平稳数据都删除， 再将剩余数据按历史阈值划分为若干段工 况。 9.如权利要求8所述的一种风机设备在线工况分割及故障诊断的方法， 其特征在于， 步 骤S215后增 加一个步骤： S216、 若其中某段工况的数据点的长度≦3， 则将其和前后段工况合并， 得到最终输入 工况分割模型的若干段完整工况 数据。权　利　要　求　书 2/2 页 3 CN 113919237 A 3