[发明专利]基于图像主特征提取的风机故障诊断系统、方法及应用

权利要求书

1.一种基于图像主特征提取的风机故障诊断方法，其特征在于，所述风机故障诊断方法包括以下步骤：

S1：整理并收集风机历史相关测点数据；

S2：对S1中历史相关测点数据进行分割、清洗和平衡化处理，获取训练数据和测试数据；

S3：对S2中训练数据和测试数据进行主特征提取；

S4：对S3中训练数据提取的主特征通过梯度下降树算法进行分类模型训练；

S5：通过S3中测试数据提取的主特征验证S4中的分类模型，对比测试数据中的结果进行验证；

S6：通过精确率、召回率和平均数对S5中的验证结果进行参数调整和优化，获取最优模型；

S7：将历史相关测点数据、最优模型和验证结果进行可视化展示；

S8：出现特定故障时，根据实时相关测点数据对应历史相关测点数据和最优模型，给出故障诊断结果。

2.根据权利要求1所述的风机故障诊断方法，其特征在于，所述S1具体为：所述历史相关测点数据包括发生故障时的数据和正常运行时的数据，风机故障原因包括：风机启动过程振动、停机过程振动、偏航过程振动、大风引起振动和振幅超限，数据源中的数据点包括风机启动命令、停机命令、偏航命令、风速、振幅超限和机舱振幅。

3.根据权利要求2所述的风机故障诊断方法，其特征在于，所述S2中清洗和平衡化处理具体为：将历史相关测点数据去除脏数据，同时数据平衡化处理，使故障数据和正常运行数据量对等。

4.根据权利要求1所述的风机故障诊断方法，其特征在于，所述S2中分割结果为：风机发生故障时和正常运行时的数据中，训练数据分别占比为60％-80％，测试数据分别占比为20％-40％。

5.根据权利要求1所述的风机故障诊断方法，其特征在于，所述S3中主特征提取具体为：将数据转化为矩阵，再编码成图像，最后通过PCA算法进行主特征提取。

6.根据权利要求5所述的风机故障诊断方法，其特征在于，所述S4中梯度下降树算法具体为：通过GBDT对转化后的数字画像进行分类，通过多轮迭代,每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，通过降低偏差提高最终分类器的精度。

7.根据权利要求1所述的风机故障诊断方法，其特征在于，所述S6具体为：采用精确率Precision、召回率Recall和平均数F₁来评价分类模型，其具体的表达式如下：

其中，TP为True Postive TP，真阳性，用于表示若一个图像是正常并且被预测为正常图像；FN为False Negative FN，伪阴性，用于表示若一个图像是正常图像，但是被预测成为故障图像；FP为False Postive FP，伪阳性，用于表示若一个图像是故障图像，但是被预测成为正常图像，精确率和召回率表示对两类流量识别的效果，F₁是精确率和召回率的调和平均。

8.一种基于图像主特征提取的风机故障诊断系统，包括上述权利要求1-7之一所述的方法，其特征在于，所述风机故障诊断系统包括：

数据获取模块，用于整理并收集风机发生故障时和正常运行时的历史相关测点数据；

数据预处理模块，用于历史相关测点数据进行分割、清洗和平衡化处理；

主特征提取模块，用于对处理后的数据进行主特征提取；

模型训练模块，根据提取的主特征进行分类模型训练；

模型验证模块，用于验证训练模块输出的训练模型；

参数调整和优化模块，通过精确率、召回率和平均数模型验证模块的验证结果进行参数调整和优化，获取最优模型；

可视化展示模块，用于将历史相关测点数据、最优模型的输出结果和诊断结果进行可视化展示；

故障判断模块，出现特定故障时，将实时相关测点数据输入可视化展示模块进行比对，给出故障诊断结果。