[发明专利]一种风机喘振运行故障识别方法及系统

权利要求书

1.一种风机喘振运行故障识别方法，其特征在于，所述识别方法包括如下步骤：

获取风机设备在工作过程中的现场设备声信号；

对所述现场设备声信号进行预处理，获得现场设备声信号的二维时频数据，具体包括：对所述现场设备声信号进行汉明窗滤波和离散傅里叶变换，获得现场设备声信号的频域数据；以所述现场设备声信号的时域数据为一个维度，以所述频域数据为另一个维度，建立现场设备声信号的二维时频数据；

采用CNN网络对所述二维时频数据进行识别，获得第一识别结果，具体包括：分别采集风机设备正常运行时的正常声信号和风机设备喘振初期运行时的故障声信号，构建正常时频数据集和故障时频数据集；根据所述正常时频数据集和所述故障时频数据集，对CNN模型进行训练，得到训练后的CNN模型；将所述二维时频数据输入所述训练后的CNN模型，获得训练后的CNN模型的输出作为第一识别结果；

采用LSTM网络对所述二维时频数据进行识别，获得第二识别结果，具体包括：分别采集风机设备正常运行时的正常声信号和风机设备喘振初期运行时的故障声信号，构建正常时频数据集和故障时频数据集；根据所述正常时频数据集和所述故障时频数据集，对LSTM模型进行训练，得到训练后的LSTM模型；将所述二维时频数据输入所述训练后的LSTM模型，获得训练后的LSTM模型的输出作为第二识别结果；

基于D-S证据理论，对所述第一识别结果和所述第二识别结果进行信息融合，获得风机喘振运行故障的识别结果；融合方式如下式所示：

其中，P(normal)为风机正常运行的融合概率结果，P(fault)为风机喘振运行的融合概率结果，K为归一化常数，P_A(normal)为风机正常运行的CNN识别概率，P_A(fault)为风机喘振运行的CNN识别概率，P_B(normal)为风机正常运行的LSTM识别概率，P_B(fault)为风机喘振运行的LSTM识别概率。

2.根据权利要求1所述的风机喘振运行故障识别方法，其特征在于，所述根据所述正常时频数据集和所述故障时频数据集，对CNN模型进行训练，得到训练后的CNN模型，具体包括：

初始化CNN模型各层的卷积核权值和加性偏置向量；

将所述正常时频数据集中的正常时频数据和所述故障时频数据集中的故障时频数据分别输入CNN模型的第一卷积层，获取第一卷积层的输出结果；

将第一卷积层的输出结果输入CNN模型的第一池化层，获得第一池化层的输出结果；

将所述第一池化层的输出结果输入CNN模型的第二卷积层，获取第二卷积层的输出结果；

将所述第二卷积层的输出结果输入CNN模型的第二池化层，获取第二池化层的输出结果；

将第二池化层的输出结果输入CNN模型的全连接层，获取CNN模型的输出结果；

计算所述CNN模型的输出结果与目标输出结果的误差，得到CNN预测误差；

判断所述CNN预测误差是否小于第一误差阈值，得到第一判断结果；

若所述第一判断结果表示所述CNN预测误差不小于第一误差阈值，则判断CNN训练次数是否小于第一训练次数阈值，得到第二判断结果；

若所述第二判断结果表示CNN训练次数小于第一训练次数阈值，则更新所述CNN模型各层的卷积核权值和加性偏置向量，返回步骤“将所述正常时频数据集中的正常时频数据和所述故障时频数据集中的故障时频数据分别输入CNN模型的第一卷积层，获取第一卷积层的输出结果”；

若所述第一判断结果表示所述CNN预测误差小于第一误差阈值或所述第二判断结果表示CNN训练次数不小于第一训练次数阈值，则输出训练后的CNN模型。