(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 202111295952.7 (22)申请日 2021.11.03 (71)申请人 华能 （浙江） 能源开发有限公司清洁 能源分公司 地址 310005 浙江省杭州市下城区德信大 厦303室 申请人 中国华能集团清洁能源技 术研究院 有限公司 (72)发明人 张燧　刘艳贵　曾谁飞　王青天　 李小翔　张祎　陆正阳　朱宇晨　 冯帆　陈沐新　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 赵迪(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) (54)发明名称 风机轴承的剩余使用寿命预测方法、 系统及 计算机设备 (57)摘要 本发明涉及风机轴承的剩余使用寿命预测 方法、 系统及计算机设备， 所述方法包括： 首先获 取预设时刻的风机轴承振动数据； 其次对所述数 据进行特征提取获取预设时段内所述振动数据 的各类频率特征对应的能量特征向量； 然后将所 述振动数据的各类频率特征对应的能量特征向 量输入预先训练好的健康指数预测模 型中， 获取 预设时刻的风机轴承的健康指标值； 最后基于所 述健康指标值确定所述风机轴承的剩余使用寿 命。 本发明提供的技术方案， 基于对轴承的振动 数据进行特征提取获取各类型频率对应的能量 特征， 然后确定风机轴承的健康指标值， 进而获 得轴承的剩余使用寿命， 使 得轴承的剩余使用寿 命预测更加准确。 权利要求书2页 说明书6页 附图2页 CN 114139440 A 2022.03.04 CN 114139440 A 1.一种风机轴承的剩余使用寿命预测方法， 其特 征在于， 所述方法包括： 获取预设时刻的风机轴承 振动数据； 对所述数据进行特征提取获取预设时段内所述振动数据的各类频率特征对应的能量 特征向量； 将所述振动数据的各类频率特征对应的能量特征向量输入预先训练好的健康指数预 测模型中， 获取 预设时刻的风机轴承的健康指标值； 基于所述 健康指标值确定所述 风机轴承的剩余使用寿命； 其中， 所述各类频率特征包括： 外圈球通频率、 内圈球通频率、 球故障频率、 基本训练频 率和轴旋转基础频率。 2.如权利要求1所述的方法， 其特征在于， 所述对所述数据进行特征提取获取预设时段 内所述振动数据的各类频率特 征对应的能量特 征向量， 包括： 将所述数据进行 快速傅里叶变换 得到所述数据对应的频谱图； 在所述数据对应的频谱图中查找各类频率特 征对应的幅值； 基于所述各类频率特 征对应的幅值确定各类频率特 征对应的能量特 征； 利用各类频率特征对应的能量特征构成预设时刻的风机轴承振动数据对应的能量特 征向量。 3.如权利要求2所述的方法， 其特征在于， 所述基于所述各类频率特征对应的幅值确定 各类频率特 征对应的能量特 征， 包括： 按下式确定在预设时刻t时的振动数据的外圈球通频率特 征对应的能量特 征 式中， 为在预设时刻t时的振动数据的外圈球通频率对应的幅值， AF,t为预设时刻 t的振动数据经 过快速傅里叶变换后的频谱图的幅值， F为各类频率特 征的总类型 数。 4.如权利要求1所述的方法， 其特征在于， 所述预先训练 的健康指数预测模型的训练过 程包括： 获取历史时段内各时刻的风机轴承振动数据经特征提取后的各类频率特征对应的能 量特征时序数据和历史时段内各时刻风机轴承 振动数据对应的健康指标值； 利用指数平滑法对所述各类频率特征对应的能量特征时序 数据进行平滑 处理， 得到平 滑后的各类频率特 征对应的能量特 征； 将平滑后的所述各类频率特征对应的能量特征与时间对应形成时间序列， 并将各类频 率特征对应的时间序列中的时间对齐， 形成历史时段内的所述各类频率特征对应的能量特 征矩阵； 利用主程序分析法对所述能量特征矩阵进行降维处理， 获取降维后的特征值并基于所 述能量特 征值构成输入特 征向量； 以输入特征向量为小波神经网络的输入， 以所述输入特征向量对应的健康指标值为小 波神经网络的输出， 对小 波神经网络进行训练， 得到训练好的健康指数 预测模型。 5.如权利要求1所述的方法， 其特征在于， 所述基于所述健康指标值确定所述风机轴 承权　利　要　求　书 1/2 页 2 CN 114139440 A 2的剩余使用寿命， 包括： 对所述健康指标值进行线性回归， 得到所述 健康指标值对应的风机轴承的故障时刻； 基于预设时刻和所述故障时刻确定所述 风机轴承的剩余使用寿命。 6.一种风机轴承的剩余使用寿命预测系统， 其特 征在于， 所述系统包括： 第一获取模块， 用于获取 预设时刻的风机轴承 振动数据； 第二获取模块， 用于对所述数据进行特征提取获取预设时段内所述振动数据的各类频 率特征对应的能量特 征向量； 第三获取模块， 用于将所述振动数据的各类频率特征对应的能量特征向量输入预先训 练好的健康指数 预测模型中， 获取 预设时刻的风机轴承的健康指标值； 确定模块， 用于基于所述 健康指标值确定所述 风机轴承的剩余使用寿命； 其中， 所述各类频率特征包括： 外圈球通频率、 内圈球通频率、 球故障频率、 基本训练频 率和轴旋转基础频率。 7.如权利要求6所述的系统， 其特 征在于， 所述第二获取模块， 包括： 变换单元， 用于将所述数据进行 快速傅里叶变换 得到所述数据对应的频谱图； 查找单元， 用于在所述数据对应的频谱图中查找各类频率特 征对应的幅值； 第一确定单元， 用于基于所述各类频率特征对应的幅值确定各类频率特征对应的能量 特征； 构成单元， 用于利用各类频率特征对应的能量特征构 成预设时刻的风机轴承振动数据 对应的能量特 征向量。 8.如权利要求6所述的系统， 其特征在于， 所述预先训练 的健康指数预测模型的训练过 程包括： 获取历史时段内各时刻的风机轴承振动数据经特征提取后的各类频率特征对应的能 量特征时序数据和历史时段内各时刻风机轴承 振动数据对应的健康指标值； 利用指数平滑法对所述各类频率特征对应的能量特征时序 数据进行平滑 处理， 得到平 滑后的各类频率特 征对应的能量特 征； 将平滑后的所述各类频率特征对应的能量特征与时间对应形成时间序列， 并将各类频 率特征对应的时间序列中的时间对齐， 形成历史时段内的所述各类频率特征对应的能量特 征矩阵； 利用主程序分析法对所述能量特征矩阵进行降维处理， 获取降维后的特征值并基于所 述能量特 征值构成输入特 征向量； 以输入特征向量为小波神经网络的输入， 以所述输入特征向量对应的健康指标值为小 波神经网络的输出， 对小 波神经网络进行训练， 得到训练好的健康指数 预测模型。 9.如权利要求6所述的系统， 其特 征在于， 所述确定模块， 包括： 线性回归单元， 用于对所述健康指标值进行线性回归， 得到所述健康指标值对应的风 机轴承的故障时刻； 第二确定单元， 用于基于预设时刻和所述故障时刻确定所述风机轴承的剩余使用寿 命。 10.一种计算机设备， 其特征在于， 包括存储器、 处理器及存储在存储器上并可在处理 器上运行的计算机程序， 处 理器执行计算机程序时， 实现如权利要求1 ‑5中任一的方法。权　利　要　求　书 2/2 页 3 CN 114139440 A 3