基于监测数据的风力发电机组的故障诊断系统及其方法技术方案

本申请涉及故障智能诊断的领域，其具体地公开了一种基于监测数据的风力发电机组的故障诊断系统及其方法，其利用了对风力发电机在正常工作产生的特定的振动信号的隐含特征挖掘来得到所述发电机的振动模式识别特征，进而进行所述风力发电机的工作状态检测。具体地，在检测时加入所述发电机所产生的电流信号作为结果指标，以两者的响应性估计来建立这两者的关联模式表达，从而通过多标签分类器进行故障分类诊断，提高了故障检测的准确性。提高了故障检测的准确性。提高了故障检测的准确性。

【技术实现步骤摘要】
基于监测数据的风力发电机组的故障诊断系统及其方法


[0001]本专利技术涉及故障智能诊断领域，且更为具体的涉及一种基于监测数据的风力发电机组的故障诊断系统及其方法。

技术介绍

[0002]风能作为一种可再生能源，具有绿色清洁的特点，是目前世界各国的研究重点。相对陆上风电而言，海上风力资源更加丰富，具有发电量大、发电时间长、对生活环境影响小、不占用耕地、可进行大规模开发等诸多优势，因此，开发海上风力发电技术已经成为风电行业发展的新趋势。
[0003]风力发电机组是海上风机的核心部件，如果其出现故障将会直接影响海上风机的发电效率，因此，一旦出现故障需及时对风力发电机组进行维修。在进行维修时，需首先确定风力电机组的故障模式，方能采用正确的维修模式。现有的风力发电机组的故障模式识别通过技术工人凭经验分析，这种故障诊断模式不仅效率低下，且容易出现漏检、错检等情况。
[0004]因此，期待一种风力发电机组的故障诊断方案。
[0005]目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0006]深度学习以及神经网络的发展为风力发电机组的故障诊断提供了新的解决思路和方案。

技术实现思路

[0007]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于监测数据的风力发电机组的故障诊断系统及其方法，其利用了对风力发电机在正常工作产生的特定的振动信号的隐含特征挖掘来得到所述发电机的振动模式识别特征，进而进行所述风力发电机的工作状态检测。具体地，在检测时加入所述发电机所产生的电流信号作为结果指标，以两者的响应性估计来建立这两者的关联模式表达，从而通过多标签分类器进行故障分类诊断，提高了故障检测的准确性。
[0008]根据本申请的一个方面，提供了一种基于基于监测数据的风力发电机组的故障诊断系统，其包括：
[0009]第一监测数据采集模块，用于获取由部署于发电机的多个振动传感器采集的预定时间段的多个振动信号；
[0010]振动信号编码模块，用于将所述多个振动信号中各个振动信号的波形图分别通过作为过滤器的第一卷积神经网络以得到多个振动波形特征向量，并将所述多个振动波形特征向量排列为振动波形特征矩阵；
[0011]拓扑数据构建模块，用于获取所述多个振动传感器的拓扑矩阵，所述拓扑矩阵中
非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；
[0012]拓扑数据编码模块，用于将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络以得到拓扑特征矩阵；
[0013]图神经网络模块，用于将所述拓扑特征矩阵和所述振动波形特征矩阵通过图神经网络以得到振动拓扑特征矩阵；
[0014]第二监测数据采集模块，用于获取所述预定时间段内由所述发电机输出的电流信号；
[0015]电流信号编码模块，用于将所述预定时间段内由所述发电机输出的电流信号的波形图通过作为特征提取器的第三卷积神经网络以得到电流特征矩阵；
[0016]特征分布校正模块，用于基于所述振动拓扑特征矩阵，对所述电流特征矩阵中各个位置的特征值进行校正以得到校正后电流特征矩阵；
[0017]响应性估计模块，用于计算所述振动拓扑特征矩阵相对于所述校正后电流特征矩阵的响应性估计以得到分类特征矩阵；以及
[0018]故障诊断结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测风力发电机发生各种类型的故障的概率值。
[0019]在上述基于监测数据的风力发电机组的故障诊断系统中，所述振动信号编码模块，进一步用于：所述作为过滤器的第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述多个振动波形特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述多个振动信号中各个振动信号的波形图。
[0020]在上述基于监测数据的风力发电机组的故障诊断系统中，所述拓扑数据编码模块，进一步用于：所述作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述拓扑矩阵。
[0021]在上述基于监测数据的风力发电机组的故障诊断系统中，所述电流信号编码模块，进一步用于：所述作为特征提取器的第三卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第三卷积神经网络的最后一层的输出为所述电流特征矩阵，所述作为特征提取器的第三卷积神经网络的第一层的输入为所述预定时间段内由所述发电机输出的电流信号的波形图。
[0022]在上述基于监测数据的风力发电机组的故障诊断系统中，所述特征分布校正模块，进一步用于：基于所述振动拓扑特征矩阵，以如下公式对所述电流特征矩阵中各个位置的特征值进行校正以得到所述校正后电流特征矩阵；
[0023]其中，所述公式为：
[0024][0025]其中M1表示所述电流特征矩阵，M2表示所述振动拓扑特征矩阵，f
i
为所述振动拓扑特征矩阵中各个位置的特征值，为所述振动拓扑特征矩阵中各个位置的特征值全局均值，N为所述振动拓扑特征矩阵的宽度乘以高度，且α为超参数，
⊙
表示按位置点乘，表示按位置加和，exp(
·
)表示特征值的指数运算，所述特征值的指数运算表示计算以特征值为幂的自然指数函数值。
[0026]在上述基于监测数据的风力发电机组的故障诊断系统中，所述响应性估计模块，进一步用于：以如下公式计算所述振动拓扑特征矩阵相对于所述校正后电流特征矩阵的响应性估计以得到所述分类特征矩阵；
[0027]其中，所述公式诶：
[0028]M2＝M*M
′1[0029]其中M2表示所述振动拓扑特征矩阵，M
′1表示所述校正后电流特征矩阵， M表示所述分类特征矩阵。
[0030]在上述基于监测数据的风力发电机组的故障诊断系统中，所述故障诊断结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以生成所述分类结果；
[0031]其中，所述公式为：...

【技术保护点】

【技术特征摘要】
1.一种基于监测数据的风力发电机组的故障诊断系统，其特征在于，包括：第一监测数据采集模块，用于获取由部署于发电机的多个振动传感器采集的预定时间段的多个振动信号；振动信号编码模块，用于将所述多个振动信号中各个振动信号的波形图分别通过作为过滤器的第一卷积神经网络以得到多个振动波形特征向量，并将所述多个振动波形特征向量排列为振动波形特征矩阵；拓扑数据构建模块，用于获取所述多个振动传感器的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个振动传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；拓扑数据编码模块，用于将所述拓扑矩阵通过作为特征提取器的第二卷积神经网络以得到拓扑特征矩阵；图神经网络模块，用于将所述拓扑特征矩阵和所述振动波形特征矩阵通过图神经网络以得到振动拓扑特征矩阵；第二监测数据采集模块，用于获取所述预定时间段内由所述发电机输出的电流信号；电流信号编码模块，用于将所述预定时间段内由所述发电机输出的电流信号的波形图通过作为特征提取器的第三卷积神经网络以得到电流特征矩阵；特征分布校正模块，用于基于所述振动拓扑特征矩阵，对所述电流特征矩阵中各个位置的特征值进行校正以得到校正后电流特征矩阵；响应性估计模块，用于计算所述振动拓扑特征矩阵相对于所述校正后电流特征矩阵的响应性估计以得到分类特征矩阵；以及故障诊断结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测风力发电机发生各种类型的故障的概率值。2.根据权利要求1所述的基于监测数据的风力发电机组的故障诊断系统，其特征在于，所述振动信号编码模块，进一步用于：使用所述作为过滤器的第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述多个振动波形特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述多个振动信号中各个振动信号的波形图。3.根据权利要求2所述的基于监测数据的风力发电机组的故障诊断系统，其特征在于，所述拓扑数据编码模块，进一步用于：使用所述作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述拓扑矩阵。
4.根据权利要求3所述的基于监测数据的风力发电机组的故障诊断系统，其特征在于，所述电流信号编码模块，进一步用于：使用所述作为特征提取器的第三卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第三卷积神经网络的最后一层的输出为所述电流特征矩阵，所述作为特征提取器的第三卷积神经网络的第一层的输入为所述预定时间段内由所述发电机输出的电流信号的波形图。5.根据权利要求4所述的基于监测数据的风力发电机组的故障诊断系统，其特征在于，所述特征分布校正模块，进一步用于：基于所述振动拓扑特征矩阵，以如下公式对所述电流特征矩阵中各个位置的特征值进行校正以得到所述校正后电流特征矩阵；其中，所述公式为：其中M1表示所述电流特征矩阵，M2表示所述振动拓扑特征矩阵，f
i
为所述振动拓扑特征矩阵中各个位置的特征值，为所述振动拓扑特征矩阵中各个位置的特征值全局均值，N为所述振动拓扑特征矩阵的宽度乘以高度，...

【专利技术属性】
技术研发人员：王建国，赵建勇，叶林，王宏伟，刘美岑，王俊，刘荣波，孙旭，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：