[发明专利]风机能耗监测方法及系统

权利要求书

1.一种风机能耗监测方法，其特征是：包括下列步骤：

（一）首先进行离线训练样本采集：

（1） 离线训练样本采集系统构建

构建能耗测试系统，采用包括扭矩传感器、差压传感器、转速传感器的多种传感器，检测风机流量、通风机全压、通风机静压、容积流量、风机轴功率，最终得通风机效率，从而得知通风机能耗大小；

采用三个三轴加速度传感器，分别置于轴承座外壳、电机外壳、通风机外壳上，获取三个测试点的X、Y、Z三轴正交振动信号；通过与转轴垂直平面内的两个相互垂直的涡流传感器同时采集振动信号，并分别将所采集的数据作为横、纵坐标拟合成的图形，即为轴心轨迹；

（2） 风机无故障时训练样本离线获取

采用“信号处理及特征提取模块”进行特征提取，经过多次测量，获得多组无故障时的特征样本；将无故障时的特征样本对应的效率值定位为“能耗低”；

（3）风机有故障时训练样本离线获取

人为制造多种故障及多种故障的组合，采用三个三轴加速度传感器检测风机轴承座外壳、电机外壳、通风机外壳三点的三维振动信号，采用双涡流传感器检测轴心轨迹信号，采用“信号处理及特征提取模块”进行特征提取，对每一种故障进行多次测量，获得每一种故障下的特征样本；将不同故障情况下的效率值与无故障时的效率值进行比较，按照差值从大到小，均分为四种类型，分别定义为“能耗高”、“能耗偏高”、“能耗中等”、“能耗偏低”；

（二）在线能耗监测

采用三个三轴加速度传感器检测风机轴承座外壳、电机外壳、通风机外壳三点的三维振动信号，采用双涡流传感器检测轴心轨迹信号，采用“信号处理及特征提取模块”对信号进行特征提取，得到被测样本；采用多权值神经网络作为“基于神经网络的分类识别模块”的核心算法，采用“能耗检测用训练样本离线获取模块”获取的训练样本构造高维空间中的多自由度神经网络，在完成多权值神经元网络的构建之后，获得“能耗高”、“能耗偏高”、“能耗中等”、“能耗偏低”、“能耗低”五个表征不同能耗级别的多权值神经元覆盖区；计算待识别的样本与表征每类能耗级别的多权值神经元网络覆盖区之间的欧式距离，将与待识别样本的欧式距离最短的那一类能耗级别，当作待识别样本的所属的能耗级别，并将风机能耗级别分类作为多权值神经网络输出。

2.根据权利要求1所述的风机能耗监测方法，其特征是：风机无故障时训练样本离线获取的具体方法是：

将无故障时三个三轴加速度传感器输出的时域信号，进行去噪，并采用四元数PCA进行主元分析，在保持三轴输出信号相关性的前提下，获取无故障时的振动特征向量；

风机转子无故障正常运行时，采用双涡流传感器提取轴心轨迹，无故障时涡流传感器其振动信号的时域波形为正弦曲线，将两个相互垂直的正弦信号进行合成，便得到了圆或椭圆，提取轴心轨迹图像的几何尺寸特征、或灰度直方图特征、或纹理特征作为特征参数，并与加速度传感器获取的振动特征向量结合，得到无故障时样本；采用上述方法，进行多次测试，获取多组“能耗低”时的样本。

3.一种风机能耗监测系统，其特征是： 包括三个分别置于轴承座外壳、电机外壳、通风机外壳上的三轴加速度传感器及转轴垂直平面内的两个相互垂直的涡流传感器，三轴加速度传感器、涡流传感器与信号处理及特征提取模块连接，信号处理及特征提取模块和基于神经网络的分类识别模块连接。