基于大数据的直流无刷风机控制器故障监测系统

权利要求书： 1.一种基于大数据的直流无刷风机控制器故障监测系统，其特征在于，包括故障数据库、电变量监测模块、物理变量监测模块、比对分析模块以及故障预警模块；

所述故障数据库内存储有若干出现故障的风机的历史监测数据；

所述电变量监测模块包括电流表、电压表以及编码器；所述电流表用于检测控制器的输出电流值；所述电压表用于检测控制器的输出电压值；所述编码器用于检测风机的转速；

所述物理变量监测模块包括红外温度检测单元、噪声检测单元以及扇叶检测单元；所述红外温度检测单元用于获取控制器以及风机的红外检测图像；所述噪声检测单元用于获取风机运行时的噪声分贝；所述扇叶检测单元用于检测与扇叶之间的距离；

所述比对分析模块包括比对单元以及分析单元，所述比对单元用于将检测到的数据与故障数据库内的历史监测数据进行比对，并输出比对结果；所述分析单元用于对检测到的数据进行分析，并输出分析结果；

所述故障预警模块用于对比对结果和分析结果进行评估，得到故障预警结果；

所述电变量监测模块配置有电变量监测策略，所述电变量监测策略包括：设置风机的额定运行功率；当风机处于额定运行功率进行运作时，每间隔第一电变量检测时间通过电流表、电压表以及编码器获取一次输出电流值、输出电压值以及转速；

所述比对单元配置有比对策略，所述比对策略包括：从故障数据库内筛选与额定运行功率相同的出现故障的风机的历史监测数据；

从历史监测数据中获取风机出现故障前第一数量的输出电流值、输出电压值以及转速；并分别设置为故障电流值、故障电压值以及故障转速；其中，第一数量的故障电流值、故障电压值以及故障转速分别间隔第一电变量检测时间；

将第一数量的故障电流值通过方差计算公式求得电流故障方差值；

将第一数量的故障电压值通过方差计算公式求得电压故障方差值；

将第一数量的故障电流值、故障电压值以及故障转速通过转速故障参考公式求得转速故障参考值；所述转速故障参考公式配置为： ；其中，Czg为转速故障参考值，IG为故障电流值，UG为故障电压值，G为故障转速，α为功率与转速的转换系数，n为第一数量；

将第一数量的输出电流值通过方差计算公式求得电流比对方差值；

将第一数量的输出电压值通过方差计算公式求得电压比对方差值；

将第一数量的输出电流值、输出电压值以及转速通过转速监测公式求得转速比对值；

所述转速监测公式配置为： ；其中，Czj为转速比对值，IJ为输出电流值，UJ为输出电压值，J为转速；

将电流故障方差值、电压故障方差值、转速故障参考值、电流比对方差值、电压比对方差值以及转速比对值通过电变量比对公式求得电变量比对差值；所述电变量比对公式配置为： ；其中，Cd为电变量比对差值，Fgl为电流故障方差值，Fbl为电流比对方差值，Fgy为电压故障方差值，Fby为电压比对方差值。

2.根据权利要求1所述的一种基于大数据的直流无刷风机控制器故障监测系统，其特征在于，所述物理变量监测模块配置有物理变量监测策略，所述物理变量监测策略包括：当风机处于额定运行功率进行运作时，每间隔第一物理变量检测时间通过红外温度检测单元以及噪声检测单元获取一次红外检测图像以及噪声分贝；

将风机设定在第一转速进行运作，通过扇叶检测单元持续获取与扇叶之间的距离。

3.根据权利要求2所述的一种基于大数据的直流无刷风机控制器故障监测系统，其特征在于，所述分析单元配置有红外分析策略，所述红外分析策略包括：将红外检测区域进行划分，根据风机和控制器的位置给划分后的区域进行赋值，并设定为区域权重值；

将检测到的红外检测图像根据红外成像等级进行划分；

获取划分后的区域内的不同等级的红外成像的面积，将红外成像的面积与等级进行相乘得到第一成像值，将划分后的区域内的不同等级的红外成像的第一成像值进行相加得到区域成像值；

再将区域成像值与区域权重值进行相乘得到区域风险值；

将红外检测区域内所有的区域风险值相加得到红外检测风险值。

4.根据权利要求2所述的一种基于大数据的直流无刷风机控制器故障监测系统，其特征在于，所述分析单元还配置有噪声分析策略，所述噪声分析策略包括：每获取到第一数量的噪声分贝进行一次噪声检测计算，通过噪声检测公式计算得到噪声参考值；

所述噪声检测公式配置为： ；其中，Czs为噪声参考值，dB1至dBn分别为第一数量的噪声分贝，dBc为标准噪声值。

5.根据权利要求2所述的一种基于大数据的直流无刷风机控制器故障监测系统，其特征在于，所述分析单元还配置有扇叶分析策略，所述扇叶分析策略包括：将风机转动一圈获取到的与扇叶之间的距离绘制距离波动图；距离波动图的横坐标为转动圈数，纵坐标为与扇叶之间的距离；

每间隔1/m圈数获取一次距离波动图的纵坐标数值，并将获取到的若干纵坐标数值通过扇叶波动公式求得扇叶波动参考值，其中，m为扇叶的数量；所述扇叶波动公式配置为：；其中，Csy为扇叶波动参考值，S1至Sm分别为获取到的若干纵坐标

数值，Sc距离标准值。

6.根据权利要求2?5任意一项所述的一种基于大数据的直流无刷风机控制器故障监测系统，其特征在于，所述故障预警模块配置有故障预警策略，所述故障预警策略包括：当电变量比对差值小于等于第一比对阈值时，输出电变量高风险故障信号；当电变量比对差值大于第一比对阈值且小于等于第二比对阈值时，输出电变量中风险故障信号；当电变量比对差值大于第二比对阈值时，输出电变量低风险故障信号；

将红外检测风险值、噪声参考值以及扇叶波动参考值通过物理变量预警公式求得物理变量预警值；所述物理变量预警公式配置为： ；其中，Ywb为物理变量预警值，Chw为红外检测风险值，f1为红外检测风险占比系数，f2为噪声检测风险占比系数，f3为扇叶检测风险占比系数，f1、f2和f3均大于0，且f1+f2+f3=1；

当物理变量预警值大于等于第一物理变量阈值时，输出物理变量高风险故障信号；当物理变量预警值大于等于第二物理变量阈值且小于第一物理变量阈值时，输出物理变量中风险故障信号；当物理变量预警值小于第二物理变量阈值时，输出物理变量低风险故障信号。

说明书： 一种基于大数据的直流无刷风机控制器故障监测系统技术领域[0001] 本发明属于风机监测领域，涉及故障监测技术，具体是一种基于大数据的直流无刷风机控制器故障监测系统。背景技术[0002] 风机是依靠输入的机械能，提高气体压力并排送气体的机械，它是一种从动的流体机械。风机是中国对气体压缩和气体输送机械的习惯简称，通常所说的风机包括通风机，鼓风机，风力发电机。风机广泛用于工厂、矿井、隧道、冷却塔、车辆、船舶和建筑物的通风、排尘和冷却，锅炉和工业炉窑的通风和引风；空气调节设备和家用电器设备中的冷却和通风；谷物的烘干和选送，风洞风源和气垫船的充气和推进等。风机控制器用于控制风机运作，能够调节风机的运行功率，从而实现调节风机的风速，同时在功能性较丰富的风机运用中，控制器也可以用于风机的角度调节及其他功能的控制。[0003] 现有技术中，风机在长时间的运行过程中会出现很多的故障问题，如风机转速不足、控制器控制失控等，现有的故障监测方式通常都是在风机出现故障后，人为的一项一项地进行检测，这种监测方式存在滞后性，通常都是在风机故障后进行的故障排查，同时现有的具备实时监测的方式，监测方法都比较单一，例如，仅对风机的运行温度进行预警，这样的监测方式很难全方位的对风机的故障进行有效预警，为此，我们提出一种基于大数据的直流无刷风机控制器故障监测系统。发明内容[0004] 针对现有技术存在的不足，本发明目的是提供一种基于大数据的直流无刷风机控制器故障监测系统。[0005] 本发明所要解决的技术问题为：现有的风机故障监测方式滞后，监测方法较为单一，故障监测的有效性和及时性存在不足。[0006] 本发明的目的可以通过以下技术方案实现：一种基于大数据的直流无刷风机控制器故障监测系统，包括故障数据库、电变量监测模块、物理变量监测模块、比对分析模块以及故障预警模块；[0007] 所述故障数据库内存储有若干出现故障的风机的历史监测数据；[0008] 所述电变量监测模块包括电流表、电压表以及编码器；所述电流表用于检测控制器的输出电流值；所述电压表用于检测控制器的输出电压值；所述编码器用于检测风机的转速；[0009] 所述物理变量监测模块包括红外温度检测单元、噪声检测单元以及扇叶检测单元；所述红外温度检测单元用于获取控制器以及风机的红外检测图像；所述噪声检测单元用于获取风机运行时的噪声分贝；所述扇叶检测单元用于检测与扇叶之间的距离；[0010] 所述比对分析模块包括比对单元以及分析单元，所述比对单元用于将检测到的数据与故障数据库内的历史监测数据进行比对，并输出比对结果；所述分析单元用于对检测到的数据进行分析，并输出分析结果；[0011] 所述故障预警模块用于对比对结果和分析结果进行评估，得到故障预警结果。[0012] 进一步地，所述电变量监测模块配置有电变量监测策略，所述电变量监测策略包括：设置风机的额定运行功率；当风机处于额定运行功率进行运作时，每间隔第一电变量检测时间通过电流表、电压表以及编码器获取一次输出电流值、输出电压值以及转速。[0013] 进一步地，所述比对单元配置有比对策略，所述比对策略包括：从故障数据库内筛选与额定运行功率相同的出现故障的风机的历史监测数据；[0014] 从历史监测数据中获取风机出现故障前第一数量的输出电流值、输出电压值以及转速；并分别设置为故障电流值、故障电压值以及故障转速；其中，第一数量的故障电流值、故障电压值以及故障转速分别间隔第一电变量检测时间；[0015] 将第一数量的故障电流值通过方差计算公式求得电流故障方差值；[0016] 将第一数量的故障电压值通过方差计算公式求得电压故障方差值；[0017] 将第一数量的故障电流值、故障电压值以及故障转速通过转速故障参考公式求得转速故障参考值；所述转速故障参考公式配置为： ；其中，Czg为转速故障参考值，IG为故障电流值，UG为故障电压值，G为故障转速，α为功率与转速的转换系数，n为第一数量；

[0018] 将第一数量的输出电流值通过方差计算公式求得电流比对方差值；[0019] 将第一数量的输出电压值通过方差计算公式求得电压比对方差值；[0020] 将第一数量的输出电流值、输出电压值以及转速通过转速监测公式求得转速比对值；所述转速监测公式配置为： ；其中，Czj为转速比对值，IJ为输出电流值，UJ为输出电压值，J为转速；[0021] 将电流故障方差值、电压故障方差值、转速故障参考值、电流比对方差值、电压比对方差值以及转速比对值通过电变量比对公式求得电变量比对差值；所述电变量比对公式配置为： ；其中，Cd为电变量比对差值，Fgl为电流故障方差值，Fbl为电流比对方差值，Fgy为电压故障方差值，Fby为电压比对方差值。

[0022] 进一步地，所述物理变量监测模块配置有物理变量监测策略，所述物理变量监测策略包括：当风机处于额定运行功率进行运作时，每间隔第一物理变量检测时间通过红外温度检测单元以及噪声检测单元获取一次红外检测图像以及噪声分贝；[0023] 将风机设定在第一转速进行运作，通过扇叶检测单元持续获取与扇叶之间的距离。[0024] 进一步地，所述分析单元配置有红外分析策略，所述红外分析策略包括：将红外检测区域进行划分，根据风机和控制器的位置给划分后的区域进行赋值，并设定为区域权重值；[0025] 将检测到的红外检测图像根据红外成像等级进行划分；[0026] 获取划分后的区域内的不同等级的红外成像的面积，将红外成像的面积与等级进行相乘得到第一成像值，将划分后的区域内的不同等级的红外成像的第一成像值进行相加得到区域成像值；[0027] 再将区域成像值与区域权重值进行相乘得到区域风险值；[0028] 将红外检测区域内所有的区域风险值相加得到红外检测风险值。[0029] 进一步地，所述分析单元还配置有噪声分析策略，所述噪声分析策略包括：每获取到第一数量的噪声分贝进行一次噪声检测计算，通过噪声检测公式计算得到噪声参考值；[0030] 所述噪声检测公式配置为： ；其中，Czs为噪声参考值，dB1至dBn分别为第一数量的噪声分贝，dBc为标准噪声值。

[0031] 进一步地，所述分析单元还配置有扇叶分析策略，所述扇叶分析策略包括：将风机转动一圈获取到的与扇叶之间的距离绘制距离波动图；距离波动图的横坐标为转动圈数，纵坐标为与扇叶之间的距离；[0032] 每间隔1/m圈数获取一次距离波动图的纵坐标数值，并将获取到的若干纵坐标数值通过扇叶波动公式求得扇叶波动参考值，其中，m为扇叶的数量；所述扇叶波动公式配置为： ；其中，Csy为扇叶波动参考值，S1至Sm分别为获取到的若干纵坐标数值，Sc距离标准值。

[0033] 进一步地，所述故障预警模块配置有故障预警策略，所述故障预警策略包括：当电变量比对差值小于等于第一比对阈值时，输出电变量高风险故障信号；当电变量比对差值大于第一比对阈值且小于等于第二比对阈值时，输出电变量中风险故障信号；当电变量比对差值大于第二比对阈值时，输出电变量低风险故障信号；[0034] 将红外检测风险值、噪声参考值以及扇叶波动参考值通过物理变量预警公式求得物理变量预警值；所述物理变量预警公式配置为： ；其中，Ywb为物理变量预警值，Chw为红外检测风险值，f1为红外检测风险占比系数，f2为噪声检测风险占比系数，f3为扇叶检测风险占比系数，f1、f2和f3均大于0，且f1+f2+f3=1；

[0035] 当物理变量预警值大于等于第一物理变量阈值时，输出物理变量高风险故障信号；当物理变量预警值大于等于第二物理变量阈值且小于第一物理变量阈值时，输出物理变量中风险故障信号；当物理变量预警值小于第二物理变量阈值时，输出物理变量低风险故障信号。[0036] 与现有技术相比，本发明的有益效果是：[0037] 1、本发明的故障数据库内存储有若干出现故障的风机的历史监测数据；通过电变量监测模块能够检测控制器的输出电流值、输出电压值以及风机的转速；再通过比对分析模块的比对单元能够将检测到的数据与故障数据库内的历史监测数据进行比对，并输出比对结果，从而实现对风机控制器的电变量数据进行比对监测；[0038] 2、本发明通过物理变量监测模块获取控制器以及风机的红外检测图像、风机运行时的噪声分贝以及与扇叶之间的距离；再通过分析单元能够对检测到的数据进行分析，并输出分析结果；最后通过故障预警模块能够对比对结果和分析结果进行评估，得到故障预警结果，该方式能够提高对风机和控制器故障监测的全面性，提高故障预警的及时性和有效性。附图说明[0039] 为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。[0040] 图1为本发明的故障监测系统的原理框图；[0041] 图2为本发明的故障监测方法的流程图。具体实施方式[0042] 下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。[0043] 实施例一[0044] 请参阅图1所示，本发明提供一种基于大数据的直流无刷风机控制器故障监测系统，能够解决现有的风机故障监测方式滞后，监测方法较为单一，故障监测的有效性和及时性存在不足的问题。[0045] 具体地，故障监测系统包括故障数据库、电变量监测模块、物理变量监测模块、比对分析模块以及故障预警模块；故障数据库内存储有若干出现故障的风机的历史监测数据；电变量监测模块包括电流表、电压表以及编码器；电流表用于检测控制器的输出电流值；电压表用于检测控制器的输出电压值；编码器用于检测风机的转速；电流和电压的变化会影响风机的转速。[0046] 物理变量监测模块包括红外温度检测单元、噪声检测单元以及扇叶检测单元；红外温度检测单元用于获取控制器以及风机的红外检测图像；红外检测主要应用与检测风机和控制器的运行温度，噪声检测单元用于获取风机运行时的噪声分贝；噪声检测能够检测到风机内部的一些故障问题，例如内部转子损坏，转动时会发出噪声，扇叶检测单元用于检测与扇叶之间的距离；其中扇叶检测单元设置为距离传感器，距离传感器可以设置在风机的后侧或前侧，通常情况下距离传感器检测到的与扇叶之间的距离是恒定的，但是由于长时间的运作，风机的扇叶位置会发生一些偏移，此时会对风机的整体运作产生影响，再运行下去会产生磨损，从而发生故障。[0047] 比对分析模块包括比对单元以及分析单元，比对单元用于将检测到的数据与故障数据库内的历史监测数据进行比对，并输出比对结果；分析单元用于对检测到的数据进行分析，并输出分析结果；选取比对参考数据时，通常采用相同运行功率和相同规格的风机进行比对。[0048] 故障预警模块用于对比对结果和分析结果进行评估，得到故障预警结果。[0049] 电变量监测模块配置有电变量监测策略，电变量监测策略包括：设置风机的额定运行功率；当风机处于额定运行功率进行运作时，每间隔第一电变量检测时间通过电流表、电压表以及编码器获取一次输出电流值、输出电压值以及转速。[0050] 比对单元配置有比对策略，比对策略包括：从故障数据库内筛选与额定运行功率相同的出现故障的风机的历史监测数据；[0051] 从历史监测数据中获取风机出现故障前第一数量的输出电流值、输出电压值以及转速；并分别设置为故障电流值、故障电压值以及故障转速；其中，第一数量的故障电流值、故障电压值以及故障转速分别间隔第一电变量检测时间；[0052] 将第一数量的故障电流值通过方差计算公式求得电流故障方差值；[0053] 将第一数量的故障电压值通过方差计算公式求得电压故障方差值；[0054] 将第一数量的故障电流值、故障电压值以及故障转速通过转速故障参考公式求得转速故障参考值；转速故障参考公式配置为： ；其中，Czg为转速故障参考值，IG为故障电流值，UG为故障电压值，G为故障转速，α为功率与转速的转换系数，α具体取值时参照相同规格的风机的转速与功率的比值进行设定，n为第一数量；

[0055] 将第一数量的输出电流值通过方差计算公式求得电流比对方差值；[0056] 将第一数量的输出电压值通过方差计算公式求得电压比对方差值；[0057] 将第一数量的输出电流值、输出电压值以及转速通过转速监测公式求得转速比对值；转速监测公式配置为： ；其中，Czj为转速比对值，IJ为输出电流值，UJ为输出电压值，J为转速；[0058] 将电流故障方差值、电压故障方差值、转速故障参考值、电流比对方差值、电压比对方差值以及转速比对值通过电变量比对公式求得电变量比对差值；电变量比对公式配置为： ；其中，Cd为电变量比对差值，Fgl为电流故障方差值，Fbl为电流比对方差值，Fgy为电压故障方差值，Fby为电压比对方差值。

[0059] 物理变量监测模块配置有物理变量监测策略，物理变量监测策略包括：当风机处于额定运行功率进行运作时，每间隔第一物理变量检测时间通过红外温度检测单元以及噪声检测单元获取一次红外检测图像以及噪声分贝；[0060] 将风机设定在第一转速进行运作，通过扇叶检测单元持续获取与扇叶之间的距离。[0061] 分析单元配置有红外分析策略，红外分析策略包括：将红外检测区域进行划分，根据风机和控制器的位置给划分后的区域进行赋值，并设定为区域权重值；将检测到的红外检测图像根据红外成像等级进行划分；获取划分后的区域内的不同等级的红外成像的面积，将红外成像的面积与等级进行相乘得到第一成像值，将划分后的区域内的不同等级的红外成像的第一成像值进行相加得到区域成像值；再将区域成像值与区域权重值进行相乘得到区域风险值；将红外检测区域内所有的区域风险值相加得到红外检测风险值；其中，由于风机和控制器的不同位置的功能性不同，因此不同部位的温度升高对于故障的影响也不同，因此设定不同的区域，能够对不同的区域进行有侧重的监测。[0062] 分析单元还配置有噪声分析策略，噪声分析策略包括：每获取到第一数量的噪声分贝进行一次噪声检测计算，通过噪声检测公式计算得到噪声参考值；噪声检测公式配置为： ；其中，Czs为噪声参考值，dB1至dBn分别为第一数量的噪声分贝，dBc为标准噪声值；标准噪声值参照相同规格的风机在正常运作时的噪声进行设定。

[0063] 分析单元还配置有扇叶分析策略，扇叶分析策略包括：将风机转动一圈获取到的与扇叶之间的距离绘制距离波动图；距离波动图的横坐标为转动圈数，纵坐标为与扇叶之间的距离；每间隔1/m圈数获取一次距离波动图的纵坐标数值，并将获取到的若干纵坐标数值通过扇叶波动公式求得扇叶波动参考值，其中，m为扇叶的数量；扇叶波动公式配置为：；其中，Csy为扇叶波动参考值，S1至Sm分别为获取到的若干纵坐标

数值，Sc距离标准值，例如四个扇叶的风机，每间隔四分之一圈进行一次检测，起始的检测位置为其中一个扇叶的中间位置。

[0064] 故障预警模块配置有故障预警策略，故障预警策略包括：当电变量比对差值小于等于第一比对阈值时，输出电变量高风险故障信号；当电变量比对差值大于第一比对阈值且小于等于第二比对阈值时，输出电变量中风险故障信号；当电变量比对差值大于第二比对阈值时，输出电变量低风险故障信号；[0065] 将红外检测风险值、噪声参考值以及扇叶波动参考值通过物理变量预警公式求得物理变量预警值；物理变量预警公式配置为： ；其中，Ywb为物理变量预警值，Chw为红外检测风险值，f1为红外检测风险占比系数，f2为噪声检测风险占比系数，f3为扇叶检测风险占比系数，f1、f2和f3均大于0，且f1+f2+f3=1。

[0066] 当物理变量预警值大于等于第一物理变量阈值时，输出物理变量高风险故障信号；当物理变量预警值大于等于第二物理变量阈值且小于第一物理变量阈值时，输出物理变量中风险故障信号；当物理变量预警值小于第二物理变量阈值时，输出物理变量低风险故障信号。[0067] 实施例二[0068] 请参阅图2所示，本发明提供一种基于大数据的直流无刷风机控制器故障监测方法，包括如下步骤：[0069] 步骤S1，通过故障数据库获取若干出现故障的风机的历史监测数据；[0070] 步骤S2，获取风机和控制器的电变量监测数据和物理变量检测数据；[0071] 步骤S3，将检测到的数据与故障数据库内的历史监测数据进行比对，并输出比对结果；对检测到的数据进行分析，并输出分析结果；[0072] 步骤S4，对比对结果和分析结果进行评估，得到故障预警结果。[0073] 步骤S2还包括如下子步骤，[0074] 步骤S201，设置风机的额定运行功率；当风机处于额定运行功率进行运作时，每间隔第一电变量检测时间通过电流表、电压表以及编码器获取一次输出电流值、输出电压值以及转速；[0075] 步骤S202，当风机处于额定运行功率进行运作时，每间隔第一物理变量检测时间通过红外温度检测单元以及噪声检测单元获取一次红外检测图像以及噪声分贝；[0076] 步骤S203，将风机设定在第一转速进行运作，通过扇叶检测单元持续获取与扇叶之间的距离。[0077] 步骤S3包括如下子步骤：[0078] 步骤S311，从故障数据库内筛选与额定运行功率相同的出现故障的风机的历史监测数据；[0079] 步骤S312，从历史监测数据中获取风机出现故障前第一数量的输出电流值、输出电压值以及转速；并分别设置为故障电流值、故障电压值以及故障转速；其中，第一数量的故障电流值、故障电压值以及故障转速分别间隔第一电变量检测时间；[0080] 步骤S313，将第一数量的故障电流值通过方差计算公式求得电流故障方差值；将第一数量的故障电压值通过方差计算公式求得电压故障方差值；将第一数量的故障电流值、故障电压值以及故障转速通过转速故障参考公式求得转速故障参考值；转速故障参考公式配置为： ；其中，Czg为转速故障参考值，IG为故障电流值，UG为故障电压值，G为故障转速，α为功率与转速的转换系数，n为第一数量；[0081] 步骤S314，将第一数量的输出电流值通过方差计算公式求得电流比对方差值；将第一数量的输出电压值通过方差计算公式求得电压比对方差值；将第一数量的输出电流值、输出电压值以及转速通过转速监测公式求得转速比对值；转速监测公式配置为：；其中，Czj为转速比对值，IJ为输出电流值，UJ为输出电压值，J为转速；

[0082] 步骤S315，将电流故障方差值、电压故障方差值、转速故障参考值、电流方差值、电压方差值以及转速比对值通过电变量比对公式求得电变量比对差值；电变量比对公式配置为： ；其中，Cd为电变量比对差值。[0083] 步骤S3还包括如下子步骤：[0084] 步骤S321，将红外检测区域进行划分，根据风机和控制器的位置给划分后的区域进行赋值，并设定为区域权重值；将检测到的红外检测图像根据红外成像等级进行划分；获取划分后的区域内的不同等级的红外成像的面积，将红外成像的面积与等级进行相乘得到第一成像值，将划分后的区域内的不同等级的红外成像的第一成像值进行相加得到区域成像值；再将区域成像值与区域权重值进行相乘得到区域风险值；将红外检测区域内所有的区域风险值相加得到红外检测风险值；[0085] 步骤S322，每获取到第一数量的噪声分贝进行一次噪声检测计算，通过噪声检测公式计算得到噪声参考值；噪声检测公式配置为： ；其中，Czs为噪声参考值，dB1至dBn分别为第一数量的噪声分贝，dBc为标准噪声值；

[0086] 步骤S323，将风机转动一圈获取到的与扇叶之间的距离绘制距离波动图；距离波动图的横坐标为转动圈数，纵坐标为与扇叶之间的距离；每间隔1/m圈数获取一次距离波动图的纵坐标数值，并将获取到的若干纵坐标数值通过扇叶波动公式求得扇叶波动参考值，其中，m为扇叶的数量；扇叶波动公式配置为： ；其中，Csy为扇叶波动参考值，S1至Sm分别为获取到的若干纵坐标数值，Sc距离标准值。

[0087] 步骤S4还包括如下子步骤，[0088] 步骤S401，当电变量比对差值小于等于第一比对阈值时，输出电变量高风险故障信号；当电变量比对差值大于第一比对阈值且小于等于第二比对阈值时，输出电变量中风险故障信号；当电变量比对差值大于第二比对阈值时，输出电变量低风险故障信号；[0089] 步骤S402，将红外检测风险值、噪声参考值以及扇叶波动参考值通过物理变量预警公式求得物理变量预警值；物理变量预警公式配置为： ；其中，Ywb为物理变量预警值，Chw为红外检测风险值，f1为红外检测风险占比系数，f2为噪声检测风险占比系数，f3为扇叶检测风险占比系数，f1、f2和f3均大于0，且f1+f2+f3=1；

[0090] 步骤S403，当物理变量预警值大于等于第一物理变量阈值时，输出物理变量高风险故障信号；当物理变量预警值大于等于第二物理变量阈值且小于第一物理变量阈值时，输出物理变量中风险故障信号；当物理变量预警值小于第二物理变量阈值时，输出物理变量低风险故障信号。[0091] 上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置，权重系数和比例系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于权重系数和比例系数的大小，只要不影响参数与量化后数值的比例关系即可。[0092] 以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。