CN115324843A - 基于监测数据的风力发电机组的故障诊断系统及其方法 - Google Patents

Abstract

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。

Description

基于监测数据的风力发电机组的故障诊断系统及其方法

技术领域

本发明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。

背景技术

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。

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。

因此，期待一种风力发电机组的故障诊断方案。

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。

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。

发明内容

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。

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：

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。

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。

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。

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。

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；

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，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。

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；

其中，所述公式诶：

M₂＝M*M′₁

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。

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；

其中，所述公式为：

其中O为输出结果矩阵，W_i和b_i分别为第i个分类对应的权重和偏置矩阵， exp(·)表示矩阵的指数运算，对矩阵进行指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值。

根据本申请的另一方面，还提供了一种基于监测数据的风力发电机组的故障诊断方法，其包括：

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。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于监测数据的风力发电机组的故障诊断方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于监测数据的风力发电机组的故障诊断方法。

与现有技术相比，本申请提供的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。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的基于监测数据的风力发电机组的故障诊断系统的应用场景图；

图2图示了根据本申请实施例的基于监测数据的风力发电机组的故障诊断系统的框图；

图3图示了图示了根据本申请实施例的基于监测数据的风力发电机组的故障诊断系统的系统架构图。

图4图示了根据本申请实施例的基于监测数据的风力发电机组的故障诊断系统中第一卷积神经网络编码的流程图；

图5图示了根据本申请实施例的基于监测数据的风力发电机组的故障诊断方法的流程图；

图6图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

目前，由于海上风机的风力发电机组在故障诊断时，大多依靠人工来进行分析判断，这样就会导致故障诊断的效率和准确率难以保证。而考虑到所述风力发电机在正常工作时，会产生特定的振动信号并以特定的方式进行传导，因此，可以利用对这种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。并且，为了提高检测的准确性以对于所述风力发电机组的故障进行更为精确有效地诊断，还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。

具体地，在本申请的技术方案中，首先，使用振动传感器采集所述发电机的振动信号，并且为了能够采集到更多的振动信息以描述所述发电机的振动模式来准确地表达其工作状态，在本申请的一个具体示例中，通过部署于发电机的多个振动传感器采集预定时间段的多个振动信号。然后，使用在局部隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络来对所述多个振动信号中各个振动信号的波形图进行处理，以提取出所述多个振动信号中各个振动信号的波形图的局部高维隐含特征分布，从而得到多个振动波形特征向量。这里，使用所述作为过滤器的第一卷积神经网络来进行深层次的特征挖掘，不仅能够提取出所述特征图的隐含特征分布，还能够在数据处理中进行数据降维，进而能够降低计算量以防止过拟合，提高后续分类的准确性。进一步地，再将所述多个振动波形特征向量排列为振动波形特征矩阵以整合所述多个振动传感器之间的振动特征信息。

应可以理解，由于所述多个振动传感器之间在采集振动信号时会相互影响，并且各个部署点的振动信号也存在着相互的关联性，且这种关联性和相互的影响也会随着距离拓扑的改变而变化，从而对于所述发电机的工作状态检测产生影响。因此，在本申请的技术方案中，为了更为准确地对于所述风力发电机的故障进行诊断，进一步利用所述多个振动传感器之间的空间拓扑信息来优化所述多个振动传感器之间的振动特征的关联模式表达。具体的，以所述多个振动传感器的拓扑样式来获取所述多个振动传感器的拓扑矩阵，在一个具体示例中，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。然后，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中进行特征挖掘，以提取出所述多个传感器的拓扑特征以得到拓扑特征矩阵。

然后，融合所述拓扑特征矩阵和所述振动波形特征矩阵，以利用所述多个振动传感器之间的空间拓扑信息来优化所述多个振动传感器之间的振动特征的关联模式表达，进而，就可以利用所述发电机的振动模式来表征其工作状态，以对于所述风力发电机的故障进行诊断。具体地，考虑到图神经网络能够用于处理处于不规则的非欧几里得空间中的图数据，从而能够提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，因此，在本申请的技术方案中，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。这里，所述图神经网络用于通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的振动表征矩阵，使得所获得的振动拓扑特征矩阵相比直接将拼接得到的特征表示矩阵能够提高分类的准确性。

进一步地，在对于所述风力发电机故障的各种类型进行诊断时，还需要进一步利用发电机所产生的电流信号作为结果指标，来进行结果的监测。因此，获取所述预定时间段内由所述发电机输出的电流信号，并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中进行特征提取，以提取出所述发电机输出的电流信号的波形图的局部高维隐含特征分布，从而得到电流特征矩阵。

值得注意的是，由于所述电流特征矩阵通过作为特征提取器的第三卷积神经网络得到，而所述振动拓扑特征矩阵通过作为过滤器的第一卷积神经网络和图神经网络的级联网络得到，所述电流特征矩阵相对于所述振动拓扑特征矩阵属于浅层特征，因此直接计算响应性估计可能存在分层深度误差。

因此，优选地，首先以所述振动拓扑特征矩阵，例如记为M₂对所述电流特征矩阵，例如记为M₁进行优化，具体为：

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，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。

也就是，以深层特征M₂的子维度一致性作为注意力导向权重，对浅层特征M₁施加子维度分布的一致性注意力机制，来在具有深度差的高维流形之间进行匹配，这样，优化后的所述振动拓扑特征矩阵将实现注意力导向的分层深度联立融合，即在浅层和深层特征分布的各个子维度上的联立分布具有高一致性，从而抑制计算响应性估计时的分层深度误差，进而提高分类的准确性。

应可以理解，由于所述振动拓扑特征矩阵和所述校正后电流特征矩阵之间的特征尺度不同，并且所述发电机输出的电流信号特征在高维特征空间中可以看作是所述发电机的振动模式的工作状态特征的响应性特征，因此，为了能够更好地融合所述振动拓扑特征矩阵和所述校正后电流特征矩阵，进一步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。这样，计算两者的响应性估计来建立两者的关联模式表达，并通过多标签分类器来得到用于表示所述待检测风力发电机发生各种类型的故障的概率值的分类结果以进行故障的分类诊断。

基于此，本申请提出了一种基于监测数据的风力发电机组的故障诊断系统，其包括：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。

图1图示了根据本申请实施例的基于监测数据的风力发电机组的故障诊断系统的应用场景图。如图1所示，在该应用场景中，通过多个振动传感器 (例如，图1中的是S1)采集预定时间段的多个振动信号；同时，通过电流传感器(例如，图1中的是Cs)获取所述预定时间段内由所述发电机输出的电流信号。然后，将所述多个振动信号和所述电流信号输入至部署有用于监测数据的风力发电机组的故障诊断算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述监测数据的风力发电机组的故障诊断算法对所述多个振动信号进行处理，以生成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的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图2图示了图示了根据本申请实施例的基于监测数据的风力发电机组的故障诊断系统的框图。如图2所示，根据本申请实施例的风力发电机组的故障诊断系统300，包括：第一监测数据采集模块310、振动信号编码模块320、拓扑数据构建模块330、拓扑数据编码模块340、图神经网络模块350、第二监测数据采集模块360、电流信号编码模块370、特征分布校正模块380、响应性估计模块390和故障诊断结果生成模块400。

其中，所述第一监测数据采集模块310，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；所述振动信号编码模块 320，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；所述拓扑数据构建模块330，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；所述拓扑数据编码模块340，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；所述图神经网络模块350，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；所述第二监测数据采集模块360，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；所述电流信号编码模块370，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；所述特征分布校正模块380，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；所述响应性估计模块 390，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，所述故障诊断结果生成模块400，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。

图3图示了根据本申请实施例的基于监测数据的风力发电机组的故障诊断系统300的系统架构图。如图3所示，在所述基于监测数据的风力发电机组的故障诊断系统300的系统架构中，首先通过所述第一监测数据采集模块 310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。然后，所述振动信号编码模块320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；所述拓扑数据构建模块330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。接着，所述拓扑数据编码模块340将所述拓扑数据构建模块330所获得的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；接着所述图神经网络模块 350将所述拓扑数据编码模块340得到的拓扑特征矩阵和所述振动信号编码模块320得到的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；同时，所述第二监测数据采集模块360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；所述电流信号编码模块370将所述第二监测数据采集模块360获取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；所述特征分布校正模块380用于基于所述振动拓扑特征矩阵，对所述电流信号编码模块370所获的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；进而，所述响应性估计模块390 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；最后，所述故障诊断结果生成模块400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。

具体地，在所述基于监测数据的风力发电机组的故障诊断系统300的运行过程中，所述第一监测数据采集模块310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。应可以理解，风力发电机在正常工作时，会产生特定的振动信号并以特定的方式进行传导，因此，可以利用对这种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，使用振动传感器采集所述发电机的振动信号，并且为了能够采集到更多的振动信息以描述所述发电机的振动模式来准确地表达其工作状态，在本申请的一个具体示例中，通过部署于发电机的多个振动传感器采集预定时间段的多个振动信号。

进一步地，在所述基于监测数据的风力发电机组的故障诊断系统300的运行过程中，所述振动信号编码模块320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。这里，使用所述作为过滤器的第一卷积神经网络来进行深层次的特征挖掘，不仅能够提取出所述特征图的隐含特征分布，还能够在数据处理中进行数据降维，进而能够降低计算量以防止过拟合，提高后续分类的准确性。

在本申请的一个具体示例中，使用在局部隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络来对所述多个振动信号中各个振动信号的波形图进行处理，以提取出所述多个振动信号中各个振动信号的波形图的局部高维隐含特征分布，从而得到多个振动波形特征向量。接着，再将所述多个振动波形特征向量排列为振动波形特征矩阵以整合所述多个振动传感器之间的振动特征信息。

图4图示了根据本申请实施例的基于监测数据的风力发电机组的故障诊断系统中第一卷积神经网络编码的流程图。如图4所示，在第一卷积神经网络编码的过程中，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：S210，对输入数据进行卷积处理以得到卷积特征图；S220，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，S230，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。

进一步地，在所述基于监测数据的风力发电机组的故障诊断系统300的运行过程中，所述拓扑数据构建模块330和所述拓扑数据编码模块340，用于获取所述多个振动传感器的拓扑矩阵，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，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。应可以理解，由于所述多个振动传感器之间在采集振动信号时会相互影响，并且各个部署点的振动信号也存在着相互的关联性，且这种关联性和相互的影响也会随着距离拓扑的改变而变化，从而对于所述发电机的工作状态检测产生影响。因此，在本申请的技术方案中，为了更为准确地对于所述风力发电机的故障进行诊断，进一步利用所述多个振动传感器之间的空间拓扑信息来优化所述多个振动传感器之间的振动特征的关联模式表达。

在本申请的一个具体示例中，以所述多个振动传感器的拓扑样式来获取所述多个振动传感器的拓扑矩阵，在一个具体示例中，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。然后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中进行特征挖掘，以提取出所述多个传感器的拓扑特征以得到拓扑特征矩阵。

进一步地，在所述基于监测数据的风力发电机组的故障诊断系统300的运行过程中，所述图神经网络模块350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。具体地，考虑到图神经网络能够用于处理处于不规则的非欧几里得空间中的图数据，从而能够提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，因此，在本申请的技术方案中，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。其中，所述图神经网络用于通过可学习的神经网络参数来生成包含特征信息与不规则的拓扑结构信息的振动表征矩阵，使得所获得的振动拓扑特征矩阵相比直接将拼接得到的特征表示矩阵能够提高分类的准确性。

具体地，融合所述拓扑特征矩阵和所述振动波形特征矩阵，以利用所述多个振动传感器之间的空间拓扑信息来优化所述多个振动传感器之间的振动特征的关联模式表达，进而，就可以利用所述发电机的振动模式来表征其工作状态，以对于所述风力发电机的故障进行诊断。

进一步地，在所述基于监测数据的风力发电机组的故障诊断系统300的运行过程中，所述第二监测数据采集模块360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。本领域普通技术人员应知晓，在对于所述风力发电机故障的各种类型进行诊断时，还需要进一步利用发电机所产生的电流信号作为结果指标，来进行结果的监测。

进一步地，在所述基于监测数据的风力发电机组的故障诊断系统300的运行过程中，所述电流信号编码模块370将所述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。

在本申请的一个具体示例中，获取所述预定时间段内由所述发电机输出的电流信号，并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中进行特征提取，以提取出所述发电机输出的电流信号的波形图的局部高维隐含特征分布，从而得到电流特征矩阵。

进一步地，在所述基于监测数据的风力发电机组的故障诊断系统300的运行过程中，所述特征分布校正模块380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。值得注意的是，由于所述电流特征矩阵通过作为特征提取器的第三卷积神经网络得到，而所述振动拓扑特征矩阵通过作为过滤器的第一卷积神经网络和图神经网络的级联网络得到，所述电流特征矩阵相对于所述振动拓扑特征矩阵属于浅层特征，因此直接计算响应性估计可能存在分层深度误差。因此，优选地，首先以所述振动拓扑特征矩阵，例如记为M₂对所述电流特征矩阵，例如记为M₁进行优化，具体为：

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，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。

也就是，以深层特征M₂的子维度一致性作为注意力导向权重，对浅层特征M₁施加子维度分布的一致性注意力机制，来在具有深度差的高维流形之间进行匹配，这样，优化后的所述振动拓扑特征矩阵将实现注意力导向的分层深度联立融合，即在浅层和深层特征分布的各个子维度上的联立分布具有高一致性，从而抑制计算响应性估计时的分层深度误差，进而提高分类的准确性。

进一步地，在所述基于监测数据的风力发电机组的故障诊断系统300的运行过程中，所述响应性估计模块390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。应可以理解，由于所述振动拓扑特征矩阵和所述校正后电流特征矩阵之间的特征尺度不同，并且所述发电机输出的电流信号特征在高维特征空间中可以看作是所述发电机的振动模式的工作状态特征的响应性特征，因此，为了能够更好地融合所述振动拓扑特征矩阵和所述校正后电流特征矩阵，进一步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。这样，计算两者的响应性估计来建立两者的关联模式表达，并通过多标签分类器来得到用于表示所述待检测风力发电机发生各种类型的故障的概率值的分类结果以进行故障的分类诊断。

进一步地，在所述基于监测数据的风力发电机组的故障诊断系统300的运行过程中，所述故障诊断结果生成模块400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。

在本申请的一个具体示例中，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；

其中，所述公式为：

其中O为输出结果矩阵，W_i和b_i分别为第i个分类对应的权重和偏置矩阵， exp(·)表示矩阵的指数运算，对矩阵进行指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值。

综上，根据本申请实施例的基于监测数据的风力发电机组的故障诊断系统300被阐明，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。

如上所述，根据本申请实施例的基于监测数据的风力发电机组的故障诊断系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的基于监测数据的风力发电机组的故障诊断系统300可以作为一个软件模块和/ 或硬件模块而集成到终端设备中。例如，该基于监测数据的风力发电机组的故障诊断系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于监测数据的风力发电机组的故障诊断系统300同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于监测数据的风力发电机组的故障诊断系统300与该终端设备也可以是分立的设备，并且该基于监测数据的风力发电机组的故障诊断系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图5图示了根据本申请实施例的基于监测数据的风力发电机组的故障诊断方法的流程图。如图5所示，根据本申请实施例的基于监测数据的风力发电机组的故障诊断方法，包括步骤：S110，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；S120，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；S130，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；S140，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；S150，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； S160，获取所述预定时间段内由所述发电机输出的电流信号；S170，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；S180，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；S190，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，S200，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。

在一个示例中，在上述基于监测数据的风力发电机组的故障诊断方法中，所述步骤S120，包括：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。

在一个示例中，在上述基于监测数据的风力发电机组的故障诊断方法中，所述步骤S140，包括：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。

在一个示例中，在上述基于监测数据的风力发电机组的故障诊断方法中，所述步骤S170，包括：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。

在一个示例中，在上述基于监测数据的风力发电机组的故障诊断方法中，所述步骤S180，包括：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，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。

在一个示例中，在上述基于监测数据的风力发电机组的故障诊断方法中，所述步骤S190，包括：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；

其中，所述公式诶：

M₂＝M*M′₁

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。

在一个示例中，在上述基于监测数据的风力发电机组的故障诊断方法中，所述步骤S200，包括：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；

其中，所述公式为：

其中O为输出结果矩阵，W_i和b_i分别为第i个分类对应的权重和偏置矩阵， exp(·)表示矩阵的指数运算，对矩阵进行指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值。

综上，根据本申请实施例的基于监测数据的风力发电机组的故障诊断方法被阐明，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。

示例性电子设备

下面，参考图6来描述根据本申请实施例的电子设备。

图6图示了根据本申请实施例的电子设备的框图。

如图6所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器 (ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于监测数据的风力发电机组的故障诊断系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如振动波形特征矩阵等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的基于监测数据的风力发电机组的故障诊断方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的基于监测数据的风力发电机组的故障诊断方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

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，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。

6.根据权利要求5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；

其中，所述公式诶：

M₂＝M*M′₁

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。

7.根据权利要求6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；

其中，所述公式为：

其中O为输出结果矩阵，W_i和b_i分别为第i个分类对应的权重和偏置矩阵，exp(·)表示矩阵的指数运算，对矩阵进行指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值。

8.一种基于监测数据的风力发电机组的故障诊断方法，其特征在于，包括：

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；

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；

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；

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；

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；

第获取所述预定时间段内由所述发电机输出的电流信号；

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；

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；

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

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。

9.根据权利要求8所述的基于监测数据的风力发电机组的故障诊断方法，其特征在于，所述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，包括：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。

10.根据权利要求8所述的基于监测数据的风力发电机组的故障诊断方法，其特征在于，所述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，包括：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。

Images