[发明专利]一种基于多源信息融合的离心风机故障趋势预测方法

说明书

本发明涉及一种多源信息融合的离心风机故障趋势预测方法，包括以下步骤：首先选取能表征风机退化状态的信息，使用SAE构建离心风机的退化信息的健康指标；其次将健康指标作为深度学习网络的输入信息，得到退化趋势的变化，最终实现离心风机的故障趋势预测和预警。

技术领域

本发明涉及离心风机设备运维领域，具体涉及一种离心风机故障趋势预测方法。

背景技术

离心风机包括离心压缩机、离心鼓风机、离心通风机等，在火力发电站、污水处理厂等有着广泛应用。随着离心风机向高速、自动和大型化方向发展，结构复杂、子系统繁多，故障率攀升，故障后果严重。因此，通过实时采集离心风机运行状态数据(如温度、油液、压力、振动、转速等)，进行离心风机故障预警研究，在故障发生及时对设备进行维护维修，有效避免故障发生。

目前关于离心风机的故障诊断研究主要是基于单一信息利用数据驱动的方法进行诊断，而单一信息可靠性与稳定性差，容错能力不佳，传统的数据驱动方法诊断能力和泛化性能不足，因此，考虑利用多源信息开展基于深度学习的离心风机故障趋势预测方法研究具有重要的现实意义。故本方法从离心风机的监测信息出发，利用数据融合的方法得到健康指标，并采用深度学习建立离心风机的故障趋势预测模型，提高预测的精确性与稳定性。

发明内容

本发明提供一种多源信息融合的离心风机故障趋势预测方法，以提供更加精确与稳定的故障诊断模型。

为实现本发明目的而采用的技术方案是这样的，即一种多源信息融合的离心风机故障诊断方法，它包括以下步骤：

步骤1：根据离心风机监测采集数据，获取能表征离心风机状态的监测数据；

步骤2：根据步骤1得到的离心风机监测数据信息多，通过多源信息特征融合方法构建得到具有退化趋势代表性的健康指标；

步骤3：基于步骤2得到的离心风机健康指标，采用深度学习方法实现离心风机故障趋势预测。

优选地，其特征在于步骤1获取的能表征离心风机退化趋势的多源信息集合MI表示为：

MI＝{v_h,v_v,t_bf,t_br,t_tb,t_pa,t_pb,t_pc,i_m,p_o}

式中，v_h为转子水平方向振动，v_v为转子垂直方向振动，t_bf为转子前轴承温度，t_br为转子后轴承温度，t_tb为转子推力轴承温度，t_pa为电机A相绕组温度，t_pb为电机B相绕组温度，t_pc为电机C相绕组温度，i_m为电机电流，p_o为润油压力；

优选地，其特征在于步骤1获取的多源信息融合具有退化趋势的健康指标方法遵循以下步骤：

(1)利用SAE提取多源传感器信号的特征后，实现输入数据的特征重构；

(2)通过计算网络重构值与输入值的差异程度可构建离心风机的具有退化趋势的健康指标。

优选地，步骤3中，基于深度学习建立的离心风机故障趋势预测流程为：

(1)构建离心风机的故障趋势健康指标H并直观展示自编码网络输入值和重构值的异常；

离心风机的故障趋势健康指标H计算公式如下：