CN115422970A - 陆上风机运行状态监控系统及其方法 - Google Patents

陆上风机运行状态监控系统及其方法 Download PDF

Info

Publication number
CN115422970A
CN115422970A CN202211040744.7A CN202211040744A CN115422970A CN 115422970 A CN115422970 A CN 115422970A CN 202211040744 A CN202211040744 A CN 202211040744A CN 115422970 A CN115422970 A CN 115422970A
Authority
CN
China
Prior art keywords
vibration signal
global
feature
vector
feature vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211040744.7A
Other languages
English (en)
Inventor
张俊东
葛鎣
程斌斌
陈占男
隋海波
董岩
李宙宇
李德鑫
郭剑飞
王新宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaneng International Power Development Co Jilin Tongyu Wind Power Branch
Beijing Huaneng Xinrui Control Technology Co Ltd
Original Assignee
Huaneng International Power Development Co Jilin Tongyu Wind Power Branch
Beijing Huaneng Xinrui Control Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaneng International Power Development Co Jilin Tongyu Wind Power Branch, Beijing Huaneng Xinrui Control Technology Co Ltd filed Critical Huaneng International Power Development Co Jilin Tongyu Wind Power Branch
Priority to CN202211040744.7A priority Critical patent/CN115422970A/zh
Publication of CN115422970A publication Critical patent/CN115422970A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请涉及陆上风机的智能监控领域，更具体地，涉及一种陆上风机运行状态监控系统及其方法，其通过使用通道注意力机制的卷积神经网络模型对于在发动机、齿轮箱和主轴承三处分别获取的振动信号的融合信号进行隐含的关联特征挖掘，以进行陆上风机的状态监控，并且在此过程中，采用前向传播相关性引导修正以通过可学习的正态采样偏移引导特征工程来有效地建模向量的特征分布在传播过程中的长程依赖关系，进一步考虑局部和非局部邻域来进行由于全局均值池化导致的特征间的相关性弱化的修复，以增强特征在卷积神经网络的随深度的流式传播过程中对于类概率的预测能力，进而提高分类的准确性。这样，能够保证陆上风机的正常运行。

Description

陆上风机运行状态监控系统及其方法
技术领域
本申请涉及陆上风机的智能监控领域，且更为具体地，涉及一种陆上风机运行状态监控系统及其方法。
背景技术
近年来，我国能源产业转型进程不断加快，我国已成为全球风力发电规模最大、增长最快的市场。风能作为一种可再生能源，具有绿色清洁的特点，且风能蕴量巨大，是目前世界各国的研究重点。
目前，利用陆上风机进行风力发电以将风能转化为电能是各个国家常用的发电方式。但是，由于陆上风机常常建造在高原无人区，其周围的环境较为恶劣，因此对于风机的监测与维护就会更加困难，当风机的运行状态发生异常时，不仅会降低发电的效率，还可能会由于外界的环境造成风机的损坏，进而产生严重的事故。
因此，期望一种陆上风机运行状态监控系统来对于陆上风机的运行状态进行实时准确地监控，进而保证陆上风机的正常运行。
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陆上风机运行状态监控系统及其方法，其通过使用通道注意力机制的卷积神经网络模型对于在发动机、齿轮箱和主轴承三处分别获取的振动信号的融合信号进行隐含的关联特征挖掘，以进行陆上风机的状态监控，并且在此过程中，采用前向传播相关性引导修正以通过可学习的正态采样偏移引导特征工程来有效地建模向量的特征分布在传播过程中的长程依赖关系，进一步考虑局部和非局部邻域来进行由于全局均值池化导致的特征间的相关性弱化的修复，以增强特征在卷积神经网络的随深度的流式传播过程中对于类概率的预测能力，进而提高分类的准确性。这样，能够保证陆上风机的正常运行。
根据本申请的一个方面，提供了一种陆上风机运行状态监控方法，其包括：
获取由部署于发电机的第一振动传感器、部署于齿轮箱的第二振动传感器和部署于主轴承的第三振动传感器采集的预定时间段的第一振动信号、第二振动信号和第三振动信号；
将所述第一振动信号、所述第二振动信号和所述第三振动信号进行数据级合并以得到多通道振动信号；
将所述多通道振动信号通过使用通道注意力机制的第一卷积神经网络以得到全局振动特征图；
对所述全局振动特征图的各个特征矩阵进行全局均值池化以得到全局波形特征向量；
基于所述全局波形特征向量的自协方差矩阵，对所述全局波形特征向量进行校正以得到校正后全局波形特征向量；以及
将所述校正后全局波形特征向量通过分类器以得到分类结果，所述分类结果用于表示陆上风机的运行状态是否正常。
在上述陆上风机运行状态监控方法中，将所述第一振动信号、所述第二振动信号和所述第三振动信号进行数据级合并以得到多通道振动信号，包括：将所述第一振动信号、所述第二振动信号和所述第三振动信号按照样本维度进行级联以得到所述多通道振动信号。
在上述陆上风机运行状态监控方法中，将所述多通道振动信号通过使用通道注意力机制的第一卷积神经网络以得到全局振动特征图，包括：所述第一卷积神经网络的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及，以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图；其中，所述第一卷积神经网络的最后一层输出的所述生成特征图为所述全局振动特征图。
在上述陆上风机运行状态监控方法中，基于所述全局波形特征向量的自协方差矩阵，对所述全局波形特征向量进行校正以得到校正后全局波形特征向量，包括：基于所述全局波形特征向量的自协方差矩阵，以如下公式对所述全局波形特征向量进行校正以得到所述校正后全局波形特征向量；
其中，所述公式为：
Figure BDA0003820208520000031
其中，V表示所述全局波形特征向量，∑是所述全局波形特征向量的自协方差矩阵，μ和σ分别是所述全局波形特征向量的全局均值和方差，‖V‖2表示所述全局波形特征向量的二范数，exp(·)表示以向量为幂的指数运算，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，且
Figure BDA0003820208520000032
和
Figure BDA0003820208520000033
分别表示向量的按位置减法和加法，
Figure BDA0003820208520000034
表示矩阵相乘。
在上述陆上风机运行状态监控方法中，将所述校正后全局波形特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述校正后全局波形特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述校正后全局波形特征向量。
根据本申请的另一方面，提供了一种陆上风机运行状态监控系统，其包括：
振动信号获取模块，用于获取由部署于发电机的第一振动传感器、部署于齿轮箱的第二振动传感器和部署于主轴承的第三振动传感器采集的预定时间段的第一振动信号、第二振动信号和第三振动信号；
数据合并模块，用于将所述第一振动信号、所述第二振动信号和所述第三振动信号进行数据级合并以得到多通道振动信号；
特征提取模块，用于将所述多通道振动信号通过使用通道注意力机制的第一卷积神经网络以得到全局振动特征图；
降维模块，用于对所述全局振动特征图的各个特征矩阵进行全局均值池化以得到全局波形特征向量；
校正模块，用于基于所述全局波形特征向量的自协方差矩阵，对所述全局波形特征向量进行校正以得到校正后全局波形特征向量；以及
分类模块，用于将所述校正后全局波形特征向量通过分类器以得到分类结果，所述分类结果用于表示陆上风机的运行状态是否正常。
在上述陆上风机运行状态监控系统中，所述数据合并模块，进一步用于：将所述第一振动信号、所述第二振动信号和所述第三振动信号按照样本维度进行级联以得到所述多通道振动信号。
在上述陆上风机运行状态监控系统中，所述特征提取模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及，以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图；其中，所述第一卷积神经网络的最后一层输出的所述生成特征图为所述全局振动特征图。
在上述陆上风机运行状态监控系统中，所述校正模块，进一步用于：基于所述全局波形特征向量的自协方差矩阵，以如下公式对所述全局波形特征向量进行校正以得到所述校正后全局波形特征向量；
其中，所述公式为：
Figure BDA0003820208520000041
其中，V表示所述全局波形特征向量，Σ是所述全局波形特征向量的自协方差矩阵，μ和σ分别是所述全局波形特征向量的全局均值和方差，‖V‖∑表示所述全局波形特征向量的二范数，exp(·)表示以向量为幂的指数运算，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，且
Figure BDA0003820208520000042
和
Figure BDA0003820208520000043
分别表示向量的按位置减法和加法，
Figure BDA0003820208520000044
表示矩阵相乘。
在上述陆上风机运行状态监控系统中，所述分类模块，进一步用于：使用所述分类器以如下公式对所述校正后全局波形特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述校正后全局波形特征向量。
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陆上风机运行状态监控方法。
与现有技术相比，本申请提供了一种陆上风机运行状态监控系统及其方法，其通过使用通道注意力机制的卷积神经网络模型对于在发动机、齿轮箱和主轴承三处分别获取的振动信号的融合信号进行隐含的关联特征挖掘，以进行陆上风机的状态监控，并且在此过程中，采用前向传播相关性引导修正以通过可学习的正态采样偏移引导特征工程来有效地建模向量的特征分布在传播过程中的长程依赖关系，进一步考虑局部和非局部邻域来进行由于全局均值池化导致的特征间的相关性弱化的修复，以增强特征在卷积神经网络的随深度的流式传播过程中对于类概率的预测能力，进而提高分类的准确性。这样，能够保证陆上风机的正常运行。
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为根据本申请实施例的陆上风机运行状态监控方法的应用场景图。
图2为根据本申请实施例的陆上风机运行状态监控方法的流程图。
图3为根据本申请实施例的陆上风机运行状态监控方法的架构示意图。
图4为根据本申请实施例的陆上风机运行状态监控系统的框图。
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
如上所述，近年来，我国能源产业转型进程不断加快，我国已成为全球风力发电规模最大、增长最快的市场。风能作为一种可再生能源，具有绿色清洁的特点，且风能蕴量巨大，是目前世界各国的研究重点。
目前，利用陆上风机进行风力发电以将风能转化为电能是各个国家常用的发电方式。但是，由于陆上风机常常建造在高原无人区，其周围的环境较为恶劣，因此对于风机的监测与维护就会更加困难，当风机的运行状态发生异常时，不仅会降低发电的效率，还可能会由于外界的环境造成风机的损坏，进而产生严重的事故。
因此，期望一种陆上风机运行状态监控系统来对于陆上风机的运行状态进行实时准确地监控，进而保证陆上风机的正常运行。
相应地，本申请发明人发现如果陆上风机的运行状态正常时，那么发动机因转动产生的振动就会传至齿轮箱，齿轮箱的振动会传导至主轴承，因此，可以基于振动信号的关联特征信息来实现对于所述陆上风机的运行状态监控。并且，本申请发明人还考虑到若想对于陆上风机的运行状态进行全面准确地监控，需要在发动机、齿轮箱和主轴承采集多个振动信号，并对这些振动信号进行隐含的关联特征挖掘，再通过分类器中进行所述陆上风机的运行状态是否正常的分类判断。
具体地，在本申请的技术方案中，首先，通过部署于发电机的第一振动传感器、部署于齿轮箱的第二振动传感器和部署于主轴承的第三振动传感器采集预定时间段的第一振动信号、第二振动信号和第三振动信号。然后，为了深层挖掘出所述第一至第三振动信号间的隐含关联特征，进一步将所述第一振动信号、所述第二振动信号和所述第三振动信号进行数据级合并以得到多通道振动信号，进而整合各个所述振动信号来进行后续的特征挖掘。
进一步地，通过使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述振动信号关联的特征提取，但是，考虑到在对于所述多通道振动信号进行特征挖掘时，需要更加关注于所述各个振动信号的内容特征关联性，因此使用通道注意力机制的第一卷积神经网络对所述多通道振动信号进行处理以得到全局振动特征图。
然后，对于所述全局振动特征图的各个特征矩阵进行全局均值池化所进行的下采样，其以全局波形特征向量的形式继续前向传播，通过与所述全局时频域特征向量的融合作用于分类器的类概率的预测。
基于此，在本申请的技术方案中，优选地对所述全局波形特征向量进行前向传播相关性引导修正，具体为：
Figure BDA0003820208520000061
其中，V表示所述全局波形特征向量，∑是所述全局波形特征向量的自协方差矩阵，即矩阵的每个位置的值是向量V的每两个位置的特征值之间的方差，μ和σ分别是所述全局波形特征向量的全局均值和方差，‖V‖2表示所述全局波形特征向量的二范数，exp(·)表示以向量为幂的指数运算，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，且
Figure BDA0003820208520000071
和
Figure BDA0003820208520000072
分别表示向量的按位置减法和加法，
Figure BDA0003820208520000073
表示矩阵相乘。
这里，该所述前向传播相关性引导修正针对对于特征进行的下采样的前向传播的特点，通过可学习的正态采样偏移引导特征工程来有效地建模向量的特征分布在传播过程中的长程依赖关系，并进一步考虑局部和非局部邻域来进行由于全局均值池化导致的特征间的相关性弱化的修复，以增强特征在卷积神经网络的随深度的流式传播过程中对于类概率的预测能力，进而提高分类的准确性。
基于此，本申请提出了一种陆上风机运行状态监控方法，其包括：获取由部署于发电机的第一振动传感器、部署于齿轮箱的第二振动传感器和部署于主轴承的第三振动传感器采集的预定时间段的第一振动信号、第二振动信号和第三振动信号；将所述第一振动信号、所述第二振动信号和所述第三振动信号进行数据级合并以得到多通道振动信号；将所述多通道振动信号通过使用通道注意力机制的第一卷积神经网络以得到全局振动特征图；对所述全局振动特征图的各个特征矩阵进行全局均值池化以得到全局波形特征向量；基于所述全局波形特征向量的自协方差矩阵，对所述全局波形特征向量进行校正以得到校正后全局波形特征向量；以及，将所述校正后全局波形特征向量通过分类器以得到分类结果，所述分类结果用于表示陆上风机的运行状态是否正常。
图1图示了根据本申请实施例的陆上风机运行状态监控方法的应用场景图。如图1所示，在该应用场景中，首先，通过部署于发电机(例如，如图1中所示意的A)的第一振动传感器(例如，如图1中所示意的T1)、部署于齿轮箱(例如，如图1中所示意的G)的第二振动传感器(例如，如图1中所示意的T2)和部署于主轴承(例如，如图1中所示意的B)的第三振动传感器(例如，如图1中所示意的T3)采集预定时间段的第一振动信号、第二振动信号和第三振动信号。然后，将获得的所述预定时间段的第一振动信号、第二振动信号和第三振动信号输入至部署有陆上风机运行状态监控算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够以陆上风机运行状态监控算法对所述预定时间段的第一振动信号、第二振动信号和第三振动信号进行处理，以生成用于表示陆上风机的运行状态是否正常的分类结果。
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。
示例性方法
图2图示了根据本申请实施例的陆上风机运行状态监控方法的流程图。如图2所示，根据本申请实施例的陆上风机运行状态监控方法，包括步骤：S110，获取由部署于发电机的第一振动传感器、部署于齿轮箱的第二振动传感器和部署于主轴承的第三振动传感器采集的预定时间段的第一振动信号、第二振动信号和第三振动信号；S120，将所述第一振动信号、所述第二振动信号和所述第三振动信号进行数据级合并以得到多通道振动信号；S130，将所述多通道振动信号通过使用通道注意力机制的第一卷积神经网络以得到全局振动特征图；S140，对所述全局振动特征图的各个特征矩阵进行全局均值池化以得到全局波形特征向量；S150，基于所述全局波形特征向量的自协方差矩阵，对所述全局波形特征向量进行校正以得到校正后全局波形特征向量；以及，S160，将所述校正后全局波形特征向量通过分类器以得到分类结果，所述分类结果用于表示陆上风机的运行状态是否正常。
图3图示了根据本申请实施例的陆上风机运行状态监控方法的架构示意图。如图3所示，在该网络架构中，首先，将获得的所述第一振动信号(例如，如图3中所示意的P1)、所述第二振动信号(例如，如图3中所示意的P2)和所述第三振动信号(例如，如图3中所示意的P3)进行数据级合并以得到多通道振动信号(例如，如图3中所示意的IN)；接着，将所述多通道振动信号通过使用通道注意力机制的第一卷积神经网络(例如，如图3中所示意的CNN1)以得到全局振动特征图(例如，如图3中所示意的F)；然后，对所述全局振动特征图的各个特征矩阵进行全局均值池化以得到全局波形特征向量(例如，如图3中所示意的VF1)；接着，基于所述全局波形特征向量的自协方差矩阵，对所述全局波形特征向量进行校正以得到校正后全局波形特征向量(例如，如图3中所示意的VF)；以及，最后，将所述校正后全局波形特征向量通过分类器(例如，如图3中所示意的圈S)以得到分类结果，所述分类结果用于表示陆上风机的运行状态是否正常。
在步骤S110和步骤S120中，获取由部署于发电机的第一振动传感器、部署于齿轮箱的第二振动传感器和部署于主轴承的第三振动传感器采集的预定时间段的第一振动信号、第二振动信号和第三振动信号，并将所述第一振动信号、所述第二振动信号和所述第三振动信号进行数据级合并以得到多通道振动信号。如前所述，考虑到如果陆上风机的运行状态正常时，那么发动机因转动产生的振动就会传至齿轮箱，齿轮箱的振动会传导至主轴承，因此，在本申请的技术方案中，可以基于振动信号的关联特征信息来实现对于所述陆上风机的运行状态监控。并且，还考虑到若想对于陆上风机的运行状态进行全面准确地监控，需要在发动机、齿轮箱和主轴承采集多个振动信号，并对这些振动信号进行隐含的关联特征挖掘，再通过分类器中进行所述陆上风机的运行状态是否正常的分类判断。
也就是，具体地，在本申请的技术方案中，首先，通过部署于发电机的第一振动传感器、部署于齿轮箱的第二振动传感器和部署于主轴承的第三振动传感器采集预定时间段的第一振动信号、第二振动信号和第三振动信号。然后，为了深层挖掘出所述第一至第三振动信号间的隐含关联特征，进一步将所述第一振动信号、所述第二振动信号和所述第三振动信号进行数据级合并以得到多通道振动信号，进而整合各个所述振动信号来进行后续的特征挖掘。相应地，在一个具体示例中，将所述第一振动信号、所述第二振动信号和所述第三振动信号按照样本维度进行级联以得到所述多通道振动信号。
在步骤S130中，将所述多通道振动信号通过使用通道注意力机制的第一卷积神经网络以得到全局振动特征图。也就是，在本申请的技术方案中，进一步通过使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述振动信号关联的特征提取，但是，考虑到在对于所述多通道振动信号进行特征挖掘时，需要更加关注于所述各个振动信号的内容特征关联性，因此，在本申请的技术方案中，使用通道注意力机制的第一卷积神经网络对所述多通道振动信号进行处理以得到全局振动特征图。
具体地，在本申请实施例中，将所述多通道振动信号通过使用通道注意力机制的第一卷积神经网络以得到全局振动特征图的过程，包括：所述第一卷积神经网络的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及，以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图；其中，所述第一卷积神经网络的最后一层输出的所述生成特征图为所述全局振动特征图。
在步骤S140和步骤S150中，对所述全局振动特征图的各个特征矩阵进行全局均值池化以得到全局波形特征向量，并基于所述全局波形特征向量的自协方差矩阵，对所述全局波形特征向量进行校正以得到校正后全局波形特征向量。也就是，在本申请的技术方案中，进一步对所述全局振动特征图的各个特征矩阵进行全局均值池化，以进行数据降维来防止过拟合，以得到全局波形特征向量，进而能够提高后续分类的准确性。应可以理解，对于所述全局振动特征图的各个特征矩阵进行全局均值池化所进行的下采样，其以全局波形特征向量的形式继续前向传播，通过与所述全局时频域特征向量的融合作用于分类器的类概率的预测。
因此，在本申请的技术方案中，优选地对所述全局波形特征向量进行前向传播相关性引导修正。应可以理解，该所述前向传播相关性引导修正针对对于特征进行的下采样的前向传播的特点，通过可学习的正态采样偏移引导特征工程来有效地建模向量的特征分布在传播过程中的长程依赖关系，并进一步考虑局部和非局部邻域来进行由于全局均值池化导致的特征间的相关性弱化的修复，以增强特征在卷积神经网络的随深度的流式传播过程中对于类概率的预测能力，进而提高分类的准确性。
具体地，在本申请的实施例中，基于所述全局波形特征向量的自协方差矩阵，对所述全局波形特征向量进行校正以得到校正后全局波形特征向量的过程，包括：基于所述全局波形特征向量的自协方差矩阵，以如下公式对所述全局波形特征向量进行校正以得到所述校正后全局波形特征向量；
其中，所述公式为：
Figure BDA0003820208520000101
其中，V表示所述全局波形特征向量，∑是所述全局波形特征向量的自协方差矩阵，即矩阵的每个位置的值是向量V的每两个位置的特征值之间的方差，μ和σ分别是所述全局波形特征向量的全局均值和方差，‖V‖2表示所述全局波形特征向量的二范数，exp(·)表示以向量为幂的指数运算，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，且
Figure BDA0003820208520000111
和
Figure BDA0003820208520000112
分别表示向量的按位置减法和加法，
Figure BDA0003820208520000113
表示矩阵相乘。
在步骤S160中，将所述校正后全局波形特征向量通过分类器以得到分类结果，所述分类结果用于表示陆上风机的运行状态是否正常。相应地，在一个具体示例中，使用所述分类器以如下公式对所述校正后全局波形特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述校正后全局波形特征向量。
综上，基于本申请实施例的陆上风机运行状态监控方法被阐明，其通过使用通道注意力机制的卷积神经网络模型对于在发动机、齿轮箱和主轴承三处分别获取的振动信号的融合信号进行隐含的关联特征挖掘，以进行陆上风机的状态监控，并且在此过程中，采用前向传播相关性引导修正以通过可学习的正态采样偏移引导特征工程来有效地建模向量的特征分布在传播过程中的长程依赖关系，进一步考虑局部和非局部邻域来进行由于全局均值池化导致的特征间的相关性弱化的修复，以增强特征在卷积神经网络的随深度的流式传播过程中对于类概率的预测能力，进而提高分类的准确性。这样，能够保证陆上风机的正常运行。
示例性系统
图4图示了根据本申请实施例的陆上风机运行状态监控系统的框图。如图4所示，根据本申请实施例的陆上风机运行状态监控系统400，包括：振动信号获取模块410，用于获取由部署于发电机的第一振动传感器、部署于齿轮箱的第二振动传感器和部署于主轴承的第三振动传感器采集的预定时间段的第一振动信号、第二振动信号和第三振动信号；数据合并模块420，用于将所述第一振动信号、所述第二振动信号和所述第三振动信号进行数据级合并以得到多通道振动信号；特征提取模块430，用于将所述多通道振动信号通过使用通道注意力机制的第一卷积神经网络以得到全局振动特征图；降维模块440，用于对所述全局振动特征图的各个特征矩阵进行全局均值池化以得到全局波形特征向量；校正模块450，用于基于所述全局波形特征向量的自协方差矩阵，对所述全局波形特征向量进行校正以得到校正后全局波形特征向量；以及，分类模块460，用于将所述校正后全局波形特征向量通过分类器以得到分类结果，所述分类结果用于表示陆上风机的运行状态是否正常。
在一个示例中，在上述陆上风机运行状态监控系统400中，所述数据合并模块420，进一步用于：将所述第一振动信号、所述第二振动信号和所述第三振动信号按照样本维度进行级联以得到所述多通道振动信号。
在一个示例中，在上述陆上风机运行状态监控系统400中，所述特征提取模块430，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及，以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图；其中，所述第一卷积神经网络的最后一层输出的所述生成特征图为所述全局振动特征图。
在一个示例中，在上述陆上风机运行状态监控系统400中，所述校正模块450，进一步用于：基于所述全局波形特征向量的自协方差矩阵，以如下公式对所述全局波形特征向量进行校正以得到所述校正后全局波形特征向量；
其中，所述公式为：
Figure BDA0003820208520000121
其中，V表示所述全局波形特征向量，∑是所述全局波形特征向量的自协方差矩阵，μ和σ分别是所述全局波形特征向量的全局均值和方差，‖V‖2表示所述全局波形特征向量的二范数，exp(·)表示以向量为幂的指数运算，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，且
Figure BDA0003820208520000122
和
Figure BDA0003820208520000123
分别表示向量的按位置减法和加法，
Figure BDA0003820208520000131
表示矩阵相乘。
在一个示例中，在上述陆上风机运行状态监控系统400中，所述分类模块460，进一步用于：使用所述分类器以如下公式对所述校正后全局波形特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述校正后全局波形特征向量。
这里，本领域技术人员可以理解，上述陆上风机运行状态监控系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的陆上风机运行状态监控方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的陆上风机运行状态监控系统400可以实现在各种终端设备中，例如陆上风机运行状态监控算法的服务器等。在一个示例中，根据本申请实施例的陆上风机运行状态监控系统400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，该陆上风机运行状态监控系统400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，该陆上风机运行状态监控系统400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，该陆上风机运行状态监控系统400与该终端设备也可以是分立的设备，并且该陆上风机运行状态监控系统400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“示例性方法”部分中描述的根据本申请各种实施例的陆上风机运行状态监控方法中的步骤。
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“示例性方法”部分中描述的根据本申请各种实施例的陆上风机运行状态监控方法中的步骤。
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：具有至少一个导线的电连接、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。

Claims (10)

1.一种陆上风机运行状态监控方法，其特征在于，包括：
获取由部署于发电机的第一振动传感器、部署于齿轮箱的第二振动传感器和部署于主轴承的第三振动传感器采集的预定时间段的第一振动信号、第二振动信号和第三振动信号；
将所述第一振动信号、所述第二振动信号和所述第三振动信号进行数据级合并以得到多通道振动信号；
将所述多通道振动信号通过使用通道注意力机制的第一卷积神经网络以得到全局振动特征图；
对所述全局振动特征图的各个特征矩阵进行全局均值池化以得到全局波形特征向量；
基于所述全局波形特征向量的自协方差矩阵，对所述全局波形特征向量进行校正以得到校正后全局波形特征向量；以及
将所述校正后全局波形特征向量通过分类器以得到分类结果，所述分类结果用于表示陆上风机的运行状态是否正常。
2.根据权利要求1所述的陆上风机运行状态监控方法，其特征在于，所述将所述第一振动信号、所述第二振动信号和所述第三振动信号进行数据级合并以得到多通道振动信号，包括：
将所述第一振动信号、所述第二振动信号和所述第三振动信号按照样本维度进行级联以得到所述多通道振动信号。
3.根据权利要求2所述的陆上风机运行状态监控方法，其特征在于，所述将所述多通道振动信号通过使用通道注意力机制的第一卷积神经网络以得到全局振动特征图，包括：
所述第一卷积神经网络的各层在层的正向传递中对输入数据进行：
对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；
对所述卷积特征图进行池化处理以生成池化特征图；
对所述池化特征图进行激活处理以生成激活特征图；
计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；
计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及
以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图；
其中，所述第一卷积神经网络的最后一层输出的所述生成特征图为所述全局振动特征图。
4.根据权利要求3所述的陆上风机运行状态监控方法，其特征在于，所述基于所述全局波形特征向量的自协方差矩阵，对所述全局波形特征向量进行校正以得到校正后全局波形特征向量，包括：
基于所述全局波形特征向量的自协方差矩阵，以如下公式对所述全局波形特征向量进行校正以得到所述校正后全局波形特征向量；
其中，所述公式为：
Figure FDA0003820208510000021
其中，V表示所述全局波形特征向量，∑是所述全局波形特征向量的自协方差矩阵，μ和σ分别是所述全局波形特征向量的全局均值和方差，‖V‖2表示所述全局波形特征向量的二范数，exp(·)表示以向量为幂的指数运算，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，且
Figure FDA0003820208510000022
和
Figure FDA0003820208510000023
分别表示向量的按位置减法和加法，
Figure FDA0003820208510000024
表示矩阵相乘。
5.根据权利要求4所述的陆上风机运行状态监控方法，其特征在于，所述将所述校正后全局波形特征向量通过分类器以得到分类结果，包括：
使用所述分类器以如下公式对所述校正后全局波形特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述校正后全局波形特征向量。
6.一种陆上风机运行状态监控系统，其特征在于，包括：
振动信号获取模块，用于获取由部署于发电机的第一振动传感器、部署于齿轮箱的第二振动传感器和部署于主轴承的第三振动传感器采集的预定时间段的第一振动信号、第二振动信号和第三振动信号；
数据合并模块，用于将所述第一振动信号、所述第二振动信号和所述第三振动信号进行数据级合并以得到多通道振动信号；
特征提取模块，用于将所述多通道振动信号通过使用通道注意力机制的第一卷积神经网络以得到全局振动特征图；
降维模块，用于对所述全局振动特征图的各个特征矩阵进行全局均值池化以得到全局波形特征向量；
校正模块，用于基于所述全局波形特征向量的自协方差矩阵，对所述全局波形特征向量进行校正以得到校正后全局波形特征向量；以及
分类模块，用于将所述校正后全局波形特征向量通过分类器以得到分类结果，所述分类结果用于表示陆上风机的运行状态是否正常。
7.根据权利要求6所述的陆上风机运行状态监控系统，其特征在于，所述数据合并模块，进一步用于：将所述第一振动信号、所述第二振动信号和所述第三振动信号按照样本维度进行级联以得到所述多通道振动信号。
8.根据权利要求7所述的陆上风机运行状态监控系统，其特征在于，所述特征提取模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据进行：
对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；
对所述卷积特征图进行池化处理以生成池化特征图；
对所述池化特征图进行激活处理以生成激活特征图；
计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；
计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及
以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图；
其中，所述第一卷积神经网络的最后一层输出的所述生成特征图为所述全局振动特征图。
9.根据权利要求8所述的陆上风机运行状态监控系统，其特征在于，所述校正模块，进一步用于：基于所述全局波形特征向量的自协方差矩阵，以如下公式对所述全局波形特征向量进行校正以得到所述校正后全局波形特征向量；
其中，所述公式为：
Figure FDA0003820208510000041
其中，V表示所述全局波形特征向量，∑是所述全局波形特征向量的自协方差矩阵，μ和σ分别是所述全局波形特征向量的全局均值和方差，‖V‖2表示所述全局波形特征向量的二范数，exp(·)表示以向量为幂的指数运算，以向量为幂的指数运算表示以向量的每个位置的值作为幂求指数，再将结果填入向量的各个位置以得到向量运算结果，且
Figure FDA0003820208510000042
和
Figure FDA0003820208510000043
分别表示向量的按位置减法和加法，
Figure FDA0003820208510000044
表示矩阵相乘。
10.根据权利要求9所述的陆上风机运行状态监控系统，其特征在于，所述分类模块，进一步用于：使用所述分类器以如下公式对所述校正后全局波形特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述校正后全局波形特征向量。
CN202211040744.7A 2022-08-29 2022-08-29 陆上风机运行状态监控系统及其方法 Pending CN115422970A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211040744.7A CN115422970A (zh) 2022-08-29 2022-08-29 陆上风机运行状态监控系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211040744.7A CN115422970A (zh) 2022-08-29 2022-08-29 陆上风机运行状态监控系统及其方法

Publications (1)

Publication Number Publication Date
CN115422970A true CN115422970A (zh) 2022-12-02

Family

ID=84199884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211040744.7A Pending CN115422970A (zh) 2022-08-29 2022-08-29 陆上风机运行状态监控系统及其方法

Country Status (1)

Country Link
CN (1) CN115422970A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116498435A (zh) * 2023-07-03 2023-07-28 西安陕柴重工核应急装备有限公司 基于柴油发电机组的使用状态监控方法及装置
CN116636423A (zh) * 2023-07-26 2023-08-25 云南农业大学 一种茯苓菌种的高效培育方法
CN116739868A (zh) * 2023-07-05 2023-09-12 浙江星宸环境建设有限公司 基于人工智能的园林绿化管理系统及其方法
CN116820052A (zh) * 2023-07-13 2023-09-29 滁州优胜高分子材料有限公司 Pbt材料生产设备及其控制方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116498435A (zh) * 2023-07-03 2023-07-28 西安陕柴重工核应急装备有限公司 基于柴油发电机组的使用状态监控方法及装置
CN116498435B (zh) * 2023-07-03 2023-09-15 西安陕柴重工核应急装备有限公司 基于柴油发电机组的使用状态监控方法及装置
CN116739868A (zh) * 2023-07-05 2023-09-12 浙江星宸环境建设有限公司 基于人工智能的园林绿化管理系统及其方法
CN116739868B (zh) * 2023-07-05 2024-04-23 浙江星宸环境建设有限公司 基于人工智能的园林绿化管理系统及其方法
CN116820052A (zh) * 2023-07-13 2023-09-29 滁州优胜高分子材料有限公司 Pbt材料生产设备及其控制方法
CN116820052B (zh) * 2023-07-13 2024-02-02 滁州优胜高分子材料有限公司 Pbt材料生产设备及其控制方法
CN116636423A (zh) * 2023-07-26 2023-08-25 云南农业大学 一种茯苓菌种的高效培育方法
CN116636423B (zh) * 2023-07-26 2023-09-26 云南农业大学 一种茯苓菌种的高效培育方法

Similar Documents

Publication Publication Date Title
CN115422970A (zh) 陆上风机运行状态监控系统及其方法
CN116247824B (zh) 电力设备的控制方法及其系统
CN115186774B (zh) 智能电缆剥线设备及其方法
CN112257263B (zh) 基于自注意力机制的设备剩余寿命预测系统
CN115834433B (zh) 基于物联网技术的数据处理方法及系统
CN115324843A (zh) 基于监测数据的风力发电机组的故障诊断系统及其方法
CN116579618B (zh) 基于风险管理的数据处理方法、装置、设备及存储介质
CN115965657A (zh) 目标跟踪方法、电子设备、存储介质及车辆
CN113962433A (zh) 一种融合因果卷积与可分离时间卷积的风电预测方法及系统
CN116844088A (zh) 在线除尘器控制系统及其方法
Peng et al. A new likelihood ratio method for training artificial neural networks
CN115146676A (zh) 电路故障检测方法及其系统
CN115392320A (zh) 具有防盗功能的变压器及其方法
KR20220159056A (ko) 양방향 lstm 신경망을 이용한 조위 예측 시스템 및 방법
CN117231590A (zh) 液压系统的故障预测系统及其方法
CN115788793A (zh) 全局监控预警方法及其系统
CN116827685A (zh) 基于深度强化学习的微服务系统动态防御策略方法
CN115143128B (zh) 小型潜水电泵的故障诊断方法及其系统
CN116385733A (zh) 用于斗轮机的高精度定位系统及其方法
CN116124448A (zh) 用于风电齿轮箱的故障诊断系统及其方法
JP7395084B2 (ja) 津波学習装置、津波学習方法、津波予測装置、及び津波予測方法
CN115453976A (zh) 设备状态监测方法及其系统
CN115450852A (zh) 风机的智能转速监控系统及其监控方法
CN114839466A (zh) 用于水泵的emc电磁兼容性测试系统及其测试方法
CN115410064A (zh) 智能制造下的设备状态监测系统及其监测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination