CN115450852A - 风机的智能转速监控系统及其监控方法 - Google Patents

Abstract

本申请涉及风机智能监控的领域，其具体地公开了一种风机的智能转速监控系统及其监控方法，其采用人工智能的监控方法，基于深度神经网络模型通过使用环形编码器采集的波形数据的时域特征和频域特征来综合对于风力发电机转速进行监控。这样，不仅能够准确地测量风机转速，还能够提高机组的稳定性，进而避免花费大量的维修成本。

Description

风机的智能转速监控系统及其监控方法

技术领域

本发明涉及风机智能监控的领域，且更为具体地，涉及一种风机的智能转速监控系统、风机的智能转速监控系统的监控方法。

背景技术

风力发电机组(简称风机)一般通过调节风机转速的方式，控制其并入电网的输出功率。为将风能最大限度地转换为电能并传输出去，需要由风机主控制器根据风机转速和参考风速，计算出当前风机可能输出的最大功率，并根据该最大功率生成转速指令和扭矩指令，分别控制风机转速和扭矩。为确定转速指令是否被有效执行，就需要对风机转速进行测量。

基于外加传感器是测量风机转速的常用方法，例如，传统的叶轮转速监控系统由滑环编码器、过速模块、数据采集模块、连接电缆等构成，数据采集模块采集滑环编码器的数据，传给可编程逻辑控制器以得到转速值。由于滑环编码器易受干扰，导致经常误报叶轮过速造成机组停机，影响机组稳定性，且编码器和过速模块价格昂贵，维持成本高。

因此，期待一种优化的用于风机的转速监控方案。

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风机的智能转速监控系统、风机的智能转速监控系统的监控方法，其采用人工智能的监控方法，基于深度神经网络模型通过使用环形编码器采集的波形数据的时域特征和频域特征来综合对于风力发电机转速进行监控。这样，不仅能够准确地测量风机转速，还能够提高机组的稳定性，进而避免花费大量的维修成本。

根据本申请的一个方面，提供了一种风机的智能转速监控系统，其包括：

环形编码器数据采集模块，用于获取由环形编码器采集的波形数据；

时频域特征提取模块，用于从所述波形数据提取多个时域统计特征和多个频域统计特征；

时频域特征数据级关联模块，用于将所述多个时域统计特征和所述多个频域统计特征分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量的乘积以得到时频域关联矩阵；

矩阵优化模块，用于对所述时频域关联矩阵中各个位置的特征值进行校正以得到校正后时频域关联矩阵；

时频域关联特征过滤模块，用于将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络以得到时频域关联特征向量；

波形图像编码模块，用于将所述波形数据通过作为过滤器的第二卷积神经网络以得到波形特征向量；

特征融合模块，用于融合所述时频域关联特征向量和所述波形特征向量以得到解码特征向量；以及

解码模块，用于将所述解码特征向量通过解码器以得到解码值，所述解码值为风力发电机的转速值。

在上述风机的智能转速监控系统中，所述时频域特征提取模块，包括：波形图像降噪单元，用于将所述波形数据通过作为降噪编码器的深度可分离卷积神经网络以得到降噪后波形数据，其中，所述深度可分离卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积；以及，时频域分析单元，用于从所述降噪后波形数据提取所述多个时域统计特征和所述多个频域统计特征。

在上述风机的智能转速监控系统中，所述矩阵优化模块，进一步用于：以如下公式对所述时频域关联矩阵中各个位置的特征值进行校正以得到所述校正后时频域关联矩阵；

其中，所述公式为：

其中

表示所述时频域关联矩阵，

和

均为单个卷积层，

， 用于将二维位置坐标映射为一维数值，

表示矩阵

的

坐标张量，

和

分别表示矩 阵点乘和点加，

表示矩阵乘法，

表示对矩阵的每个位置的值开方，且

为矩阵的行数 乘以列数。

在上述风机的智能转速监控系统中，所述时频域关联特征过滤模块，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，所述第一卷积神经网络的最后一层的输出为所述时频域关联特征向量，所述第一卷积神经网络的第一层的输入为所述校正后时频域关联矩阵。

在上述风机的智能转速监控系统中，所述波形图像编码模块，进一步用于使用所述作为过滤器的第二卷积神经网络的各层在层的正向传递中对所述降噪后波形数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述波形特征向量，其中，所述第二卷积神经网络的第一层的输入为所述降噪后波形数据。

在上述风机的智能转速监控系统中，所述特征融合模块，进一步用于：以如下公式融合所述时频域关联特征向量和所述波形特征向量以得到所述解码特征向量；

其中，所述公式为：

其中，

为所述解码特征向量，

为所述时频域关联特征向量，

为所述波形特征 向量，“

”表示所述时频域关联特征向量和所述波形特征向量相对应位置处的元素相加，

为用于控制所述解码特征向量中所述时频域关联特征向量和所述波形特征向量之间 的平衡的加权参数。

在上述风机的智能转速监控系统中，所述解码模块，进一步用于：使用所述解码器 的多个全连接层以如下公式对所述解码特征向量进行解码回归以获得所述解码值，其中， 所述公式为：

，其中

是所述解码特征向量，

是所述解码值，

是权重矩 阵，

是偏置向量，

表示矩阵乘，

为激活函数。

根据本申请的另一方面，一种风机的智能转速监控系统的监控方法，其包括：

获取由环形编码器采集的波形数据；

从所述波形数据提取多个时域统计特征和多个频域统计特征；

将所述多个时域统计特征和所述多个频域统计特征分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量的乘积以得到时频域关联矩阵；

对所述时频域关联矩阵中各个位置的特征值进行校正以得到校正后时频域关联矩阵；

将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络以得到时频域关联特征向量；

将所述波形数据通过作为过滤器的第二卷积神经网络以得到波形特征向量；

融合所述时频域关联特征向量和所述波形特征向量以得到解码特征向量；以及

将所述解码特征向量通过解码器以得到解码值，所述解码值为风力发电机的转速值。

在上述风机的智能转速监控系统的监控方法中，从所述波形数据提取多个时域统计特征和多个频域统计特征，包括：将所述波形数据通过作为降噪编码器的深度可分离卷积神经网络以得到降噪后波形数据，其中，所述深度可分离卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积；以及，从所述降噪后波形数据提取所述多个时域统计特征和所述多个频域统计特征。

在上述风机的智能转速监控系统的监控方法中，对所述时频域关联矩阵中各个位置的特征值进行校正以得到校正后时频域关联矩阵，包括：以如下公式对所述时频域关联矩阵中各个位置的特征值进行校正以得到所述校正后时频域关联矩阵；

其中，所述公式为：

其中

表示所述时频域关联矩阵，

和

均为单个卷积层，

， 用于将二维位置坐标映射为一维数值，

表示矩阵

的

坐标张量，

和

分别表示矩 阵点乘和点加，

表示矩阵乘法，

表示对矩阵的每个位置的值开方，且

为矩阵的行数 乘以列数。

在上述风机的智能转速监控系统的监控方法中，将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络以得到时频域关联特征向量，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，所述第一卷积神经网络的最后一层的输出为所述时频域关联特征向量，所述第一卷积神经网络的第一层的输入为所述校正后时频域关联矩阵。

在上述风机的智能转速监控系统的监控方法中，将所述波形数据通过作为过滤器的第二卷积神经网络以得到波形特征向量，包括：使用所述作为过滤器的第二卷积神经网络的各层在层的正向传递中对所述降噪后波形数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述波形特征向量，其中，所述第二卷积神经网络的第一层的输入为所述降噪后波形数据。

在上述风机的智能转速监控系统的监控方法中，融合所述时频域关联特征向量和所述波形特征向量以得到解码特征向量，包括：以如下公式融合所述时频域关联特征向量和所述波形特征向量以得到所述解码特征向量；

其中，所述公式为：

其中，

为所述解码特征向量，

为所述时频域关联特征向量，

为所述波形特征 向量，“

”表示所述时频域关联特征向量和所述波形特征向量相对应位置处的元素相加，

为用于控制所述解码特征向量中所述时频域关联特征向量和所述波形特征向量之间 的平衡的加权参数。

在上述风机的智能转速监控系统的监控方法中，将所述解码特征向量通过解码器 以得到解码值，所述解码值为风力发电机的转速值，包括：使用所述解码器的多个全连接层 以如下公式对所述解码特征向量进行解码回归以获得所述解码值，其中，所述公式为：

，其中

是所述解码特征向量，

是所述解码值，

是权重矩阵，

是偏置 向量，

表示矩阵乘，

为激活函数。

与现有技术相比，本申请提供的风机的智能转速监控系统、风机的智能转速监控系统的监控方法，其采用人工智能的监控方法，基于深度神经网络模型通过使用环形编码器采集的波形数据的时域特征和频域特征来综合对于风力发电机转速进行监控。这样，不仅能够准确地测量风机转速，还能够提高机组的稳定性，进而避免花费大量的维修成本。

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风机的智能转速监控系统的应用场景图。

图2为根据本申请实施例的风机的智能转速监控系统的框图。

图3为根据本申请实施例的风机的智能转速监控系统中时频域特征提取模块的框图。

图4为根据本申请实施例的风机的智能转速监控系统的监控方法的流程图。

图5为根据本申请实施例的风机的智能转速监控系统的监控方法的架构示意图。

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

如前所述，风力发电机组(简称风机)一般通过调节风机转速的方式，控制其并入电网的输出功率。为将风能最大限度地转换为电能并传输出去，需要由风机主控制器根据风机转速和参考风速，计算出当前风机可能输出的最大功率，并根据该最大功率生成转速指令和扭矩指令，分别控制风机转速和扭矩。为确定转速指令是否被有效执行，就需要对风机转速进行测量。

基于外加传感器是测量风机转速的常用方法，例如，传统的叶轮转速监控系统由滑环编码器、过速模块、数据采集模块、连接电缆等构成，数据采集模块采集滑环编码器的数据，传给可编程逻辑控制器以得到转速值。由于滑环编码器易受干扰，导致经常误报叶轮过速造成机组停机，影响机组稳定性，且编码器和过速模块价格昂贵，维持成本高。因此，期待一种优化的用于风机的转速监控方案。

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、文本信号处理等领域。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。

近年来，深度学习以及神经网络的发展，为风机的转速监控提供了解决思路和方案。

相应地，在本申请的技术方案中，可以通过算法端的优化来提高转速的监测精度。这其实本质上是一个回归的问题，也就是，选择通过环形编码器采集的波形数据作为输入数据，使用在隐含的特征提取方面具有优异表现的卷积神经网络模型作为特征提取器和过滤器，来对于风机的转速进行监控，以回归得到风力发电机的转速值。为了提高回归的精准度，利用所述波形数据的时域特征和频域特征来综合对于风力发电机转速进行监控。

具体地，在本申请的技术方案中，首先，通过环形编码器采集波形数据，并从所述波形数据提取多个时域统计特征和多个频域统计特征。具体地，在本申请实施例中，可以先将所述波形数据通过作为降噪编码器的深度可分离卷积神经网络中进行处理以得到降噪后波形数据，这里，所述深度可分离卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积。这样能够去除噪声的干扰影响，生成无噪声信号以利用后续的监测精度。然后，再从所述降噪后波形数据提取所述多个时域统计特征和所述多个频域统计特征。应可以理解，时域分析能够通过计算分析信号的时域特征值来分析系统的稳定性能、瞬态性能和稳态性能，从而判断设备的运行状态，所述时域统计特征指标包括反应信号冲击特征的有量纲指标和实现故障实时监测的无量纲指标，其中，有量纲指标主要包括均方根、最大值、有效值、均值、概率函数密度等，无量纲指标主要包括峰值指标、脉冲指标、裕度、峭度等。虽然时域分析方法具有简单、便捷、直观等优点，但在强噪声环境下应用效果不理想，因此，进一步选择使用频域分析来辅助进行特征的挖掘。不同于时域分析，频域分析主要从频域角度提取特征信息，通过信号在频域的分布情况进行转速监控，其原理就是将时域信号通过傅里叶变换分解后合成频域信号。常见的频谱分析包括：傅里叶变换、频谱、包络谱、幅值谱和倒谱等。

进一步地，为了提取出时域和频域的统计特征信息来综合进行转速的监控，还需将所述多个时域统计特征和所述多个频域统计特征分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量的乘积以得到时频域关联矩阵。这样在整合了所述频域统计特征和所述时域统计特征后，就可以使用作为过滤器的卷积神经网络模型对其进行隐含的关联特征提取并进行降维。

但是，在将所述时频域关联矩阵通过作为过滤器的第一卷积神经网络得到时频域关联特征向量时，由于卷积神经网络的过滤器的局部关联提取特征特性，使得时频域关联特征向量对于时域特征和频域特征的全局关联表达能力较差，因此，优选地可以在对所述时频域关联矩阵进行特征提取之前，预先对其全局表达能力进行优化，具体地，进行位置提议局部推理转化，表示为：

其中

和

均为单个卷积层，

，用于将二维位置坐标映射为 一维数值，

表示矩阵

的

坐标张量，

和

分别表示矩阵点乘和点加，

表示矩阵 乘法，

表示对矩阵的每个位置的值开方，且

为矩阵的行数乘以列数。

这里，该位置提议局部推理转化为了全面融合所捕获的局部语义和进一步衍生全局语义，使用位置信息作为提议（proposal），通过局部感知场（perceptive filed）对全局场景语义进行推理（reasoning），从而优化特征矩阵的全局表达能力，进而提高解码回归的准确性。

这样，将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络中进行特征提取以得到时频域关联特征向量。应可以理解，这里，使用作为过滤器的卷积神经网络来对所述校正后时频域关联矩阵进行隐藏的关联特征挖掘，不仅能够提取出所述校正后时频域关联矩阵中各个位置的关联特征信息，还能够进行数据降维，以降低计算量并防止过拟合，提高后续解码的准确性。

同时，将时域信号中的所述波形数据通过作为过滤器的第二卷积神经网络中进行处理以得到波形特征向量。特别地，使用降维后的波形数据来作为输入数据，以防止干扰因素的影响。应可以理解，同样地，使用作为过滤器的第二卷积神经网络对波形数据进行特征提取以及特征降维，不仅能够深层次地挖掘出所述波形数据中的高维隐含特征，还能够降低数据的计算量并防止过拟合，以提高后续解码的准确性。

进一步地，融合所述时频域关联特征向量和所述波形特征向量以得到解码特征向量，例如可以使用加权和的形式来进行特征的融合，并使用解码器来进行解码，以获得用于表示风力发电机的转速值的解码值。

基于此，本申请提出了一种风机的智能转速监控系统，其包括：环形编码器数据采集模块，用于获取由环形编码器采集的波形数据；时频域特征提取模块，用于从所述波形数据提取多个时域统计特征和多个频域统计特征；时频域特征数据级关联模块，用于将所述多个时域统计特征和所述多个频域统计特征分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量的乘积以得到时频域关联矩阵；矩阵优化模块，用于对所述时频域关联矩阵中各个位置的特征值进行校正以得到校正后时频域关联矩阵；时频域关联特征过滤模块，用于将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络以得到时频域关联特征向量；波形图像编码模块，用于将所述波形数据通过作为过滤器的第二卷积神经网络以得到波形特征向量；特征融合模块，用于融合所述时频域关联特征向量和所述波形特征向量以得到解码特征向量；以及，解码模块，用于将所述解码特征向量通过解码器以得到解码值，所述解码值为风力发电机的转速值。

图1图示了根据本申请实施例的风机的智能转速监控系统的应用场景图。如图1所示，在该应用场景中，首先，通过由环形编码器（例如，如图1中所示意的R）采集风机（例如，如图1中所示意的F）转速的波形数据。然后，将获得的所述波形数据输入至部署有风机的智能转速监控算法的服务器中（例如，如图1中所示意的云服务器S），其中，所述服务器能够以风机的智能转速监控算法对所述波形数据进行处理，以生成用于表示风力发电机的转速值的解码值。

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图示了根据本申请实施例的风机的智能转速监控系统的框图。如图2所示，根据本申请实施例的风机的智能转速监控系统 200，包括：环形编码器数据采集模块 210，用于获取由环形编码器采集的波形数据；时频域特征提取模块 220，用于从所述波形数据提取多个时域统计特征和多个频域统计特征；时频域特征数据级关联模块 230，用于将所述多个时域统计特征和所述多个频域统计特征分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量的乘积以得到时频域关联矩阵；矩阵优化模块 240，用于对所述时频域关联矩阵中各个位置的特征值进行校正以得到校正后时频域关联矩阵；时频域关联特征过滤模块 250，用于将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络以得到时频域关联特征向量；波形图像编码模块 260，用于将所述波形数据通过作为过滤器的第二卷积神经网络以得到波形特征向量；特征融合模块 270，用于融合所述时频域关联特征向量和所述波形特征向量以得到解码特征向量；以及，解码模块 280，用于将所述解码特征向量通过解码器以得到解码值，所述解码值为风力发电机的转速值。

具体地，在本申请实施例中，所述环形编码器数据采集模块 210和所述时频域特征提取模块 220，用于获取由环形编码器采集的波形数据，并从所述波形数据提取多个时域统计特征和多个频域统计特征。如前所述，在本申请的技术方案中，可以通过算法端的优化来提高转速的监测精度。这其实本质上是一个回归的问题，也就是，选择通过环形编码器采集的波形数据作为输入数据，使用在隐含的特征提取方面具有优异表现的卷积神经网络模型作为特征提取器和过滤器，来对于风机的转速进行监控，以回归得到风力发电机的转速值。为了提高回归的精准度，利用所述波形数据的时域特征和频域特征来综合对于风力发电机转速进行监控。也就是，具体地，在本申请的技术方案中，首先，通过环形编码器采集风机转速的波形数据，并从所述波形数据提取多个时域统计特征和多个频域统计特征。

更具体地，在本申请实施例中，可以先将所述波形数据通过作为降噪编码器的深度可分离卷积神经网络中进行处理以得到降噪后波形数据，这里，所述深度可分离卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积。这样能够去除噪声的干扰影响，生成无噪声信号以利用后续的监测精度。然后，再从所述降噪后波形数据提取所述多个时域统计特征和所述多个频域统计特征。应可以理解，时域分析能够通过计算分析信号的时域特征值来分析系统的稳定性能、瞬态性能和稳态性能，从而判断设备的运行状态，所述时域统计特征指标包括反应信号冲击特征的有量纲指标和实现故障实时监测的无量纲指标，其中，有量纲指标主要包括均方根、最大值、有效值、均值、概率函数密度等，无量纲指标主要包括峰值指标、脉冲指标、裕度、峭度等。虽然时域分析方法具有简单、便捷、直观等优点，但在强噪声环境下应用效果不理想，因此，进一步选择使用频域分析来辅助进行特征的挖掘。不同于时域分析，频域分析主要从频域角度提取特征信息，通过信号在频域的分布情况进行转速监控，其原理就是将时域信号通过傅里叶变换分解后合成频域信号。常见的频谱分析包括：傅里叶变换、频谱、包络谱、幅值谱和倒谱等。

图3图示了根据本申请实施例的风机的智能转速监控系统中时频域特征提取模块的框图。如图3所示，所述时频域特征提取模块 220，包括：波形图像降噪单元 221，用于将所述波形数据通过作为降噪编码器的深度可分离卷积神经网络以得到降噪后波形数据，其中，所述深度可分离卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积；以及，时频域分析单元 222，用于从所述降噪后波形数据提取所述多个时域统计特征和所述多个频域统计特征。

具体地，在本申请实施例中，所述时频域特征数据级关联模块 230，用于将所述多个时域统计特征和所述多个频域统计特征分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量的乘积以得到时频域关联矩阵。也就是，在本申请的技术方案中，进一步地，为了提取出时域和频域的统计特征信息来综合进行风机转速的监控，还需将所述多个时域统计特征和所述多个频域统计特征分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量的乘积以得到时频域关联矩阵。这样在整合了所述频域统计特征和所述时域统计特征后，就可以使用作为过滤器的卷积神经网络模型对其进行隐含的关联特征提取并进行降维。

具体地，在本申请实施例中，所述矩阵优化模块 240，用于对所述时频域关联矩阵中各个位置的特征值进行校正以得到校正后时频域关联矩阵。应可以理解，在将所述时频域关联矩阵通过作为过滤器的所述第一卷积神经网络得到时频域关联特征向量时，由于所述卷积神经网络的过滤器的局部关联提取特征特性，使得所述时频域关联特征向量对于时域特征和频域特征的全局关联表达能力较差，因此，在本申请的技术方案中，优选地可以在对所述时频域关联矩阵进行特征提取之前，预先对其全局表达能力进行优化，具体地，进行位置提议局部推理转化。

更具体地，在本申请实施例中，所述矩阵优化模块，进一步用于：以如下公式对所述时频域关联矩阵中各个位置的特征值进行校正以得到所述校正后时频域关联矩阵；

其中，所述公式为：

其中

表示所述时频域关联矩阵，

和

均为单个卷积层，

， 用于将二维位置坐标映射为一维数值，

表示矩阵

的

坐标张量，

和

分别表示矩 阵点乘和点加，

表示矩阵乘法，

表示对矩阵的每个位置的值开方，且

为矩阵的行数 乘以列数。应可以理解，这里，该所述位置提议局部推理转化为了全面融合所捕获的局部语 义和进一步衍生全局语义，使用位置信息作为提议（proposal），通过局部感知场 （perceptive filed）对全局场景语义进行推理（reasoning），从而优化特征矩阵的全局表 达能力，进而提高解码回归的准确性。

具体地，在本申请实施例中，所述时频域关联特征过滤模块 250和所述波形图像编码模块 260，用于将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络以得到时频域关联特征向量，并将所述波形数据通过作为过滤器的第二卷积神经网络以得到波形特征向量。也就是，在本申请的技术方案中，进一步将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络中进行特征提取以得到时频域关联特征向量。应可以理解，这里，使用作为过滤器的卷积神经网络来对所述校正后时频域关联矩阵进行隐藏的关联特征挖掘，不仅能够提取出所述校正后时频域关联矩阵中各个位置的关联特征信息，还能够进行数据降维，以降低计算量并防止过拟合，提高后续解码的准确性。

同时，将时域信号中的所述波形数据通过作为过滤器的第二卷积神经网络中进行处理以得到波形特征向量。特别地，使用降维后的波形数据来作为输入数据，以防止干扰因素的影响。应可以理解，同样地，使用作为过滤器的第二卷积神经网络对波形数据进行特征提取以及特征降维，不仅能够深层次地挖掘出所述波形数据中的高维隐含特征，还能够降低数据的计算量并防止过拟合，以提高后续解码的准确性。相应地，在一个具体示例中，使用所述作为过滤器的第二卷积神经网络的各层在层的正向传递中对所述降噪后波形数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述波形特征向量，其中，所述第二卷积神经网络的第一层的输入为所述降噪后波形数据。

更具体地，在本申请实施例中，所述时频域关联特征过滤模块，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，所述第一卷积神经网络的最后一层的输出为所述时频域关联特征向量，所述第一卷积神经网络的第一层的输入为所述校正后时频域关联矩阵。

具体地，在本申请实施例中，所述特征融合模块 270和所述解码模块 280，用于融 合所述时频域关联特征向量和所述波形特征向量以得到解码特征向量，并将所述解码特征 向量通过解码器以得到解码值，所述解码值为风力发电机的转速值。也就是，在本申请的技 术方案中，进一步地，融合所述时频域关联特征向量和所述波形特征向量以得到解码特征 向量，例如可以使用加权和的形式来进行特征的融合，并使用解码器来进行解码，以获得用 于表示风力发电机的转速值的解码值。相应地，在一个具体示例中，使用所述解码器的多个 全连接层以如下公式对所述解码特征向量进行解码回归以获得所述解码值，其中，所述公 式为：

，其中

是所述解码特征向量，

是所述解码值，

是权重矩阵，

是 偏置向量，

表示矩阵乘，

为激活函数。

更具体地，在本申请实施例中，所述特征融合模块，进一步用于：以如下公式融合所述时频域关联特征向量和所述波形特征向量以得到所述解码特征向量；

其中，所述公式为：

其中，

为所述解码特征向量，

为所述时频域关联特征向量，

为所述波形特征 向量，“

”表示所述时频域关联特征向量和所述波形特征向量相对应位置处的元素相加，

为用于控制所述解码特征向量中所述时频域关联特征向量和所述波形特征向量之间 的平衡的加权参数。

综上，基于本申请实施例的所述风机的智能转速监控系统 200被阐明，其采用人工智能的监控方法，基于深度神经网络模型通过使用环形编码器采集的波形数据的时域特征和频域特征来综合对于风力发电机转速进行监控。这样，不仅能够准确地测量风机转速，还能够提高机组的稳定性，进而避免花费大量的维修成本。

如上所述，根据本申请实施例的风机的智能转速监控系统 200可以实现在各种终端设备中，例如风机的智能转速监控算法的服务器等。在一个示例中，根据本申请实施例的风机的智能转速监控系统 200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，该风机的智能转速监控系统 200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，该风机的智能转速监控系统 200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，该风机的智能转速监控系统 200与该终端设备也可以是分立的设备，并且该风机的智能转速监控系统 200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4图示了风机的智能转速监控系统的监控方法的流程图。如图4所示，根据本申请实施例的风机的智能转速监控系统的监控方法，包括步骤：S110，获取由环形编码器采集的波形数据；S120，从所述波形数据提取多个时域统计特征和多个频域统计特征；S130，将所述多个时域统计特征和所述多个频域统计特征分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量的乘积以得到时频域关联矩阵；S140，对所述时频域关联矩阵中各个位置的特征值进行校正以得到校正后时频域关联矩阵；S150，将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络以得到时频域关联特征向量；S160，将所述波形数据通过作为过滤器的第二卷积神经网络以得到波形特征向量；S170，融合所述时频域关联特征向量和所述波形特征向量以得到解码特征向量；以及，S180，将所述解码特征向量通过解码器以得到解码值，所述解码值为风力发电机的转速值。

图5图示了根据本申请实施例的风机的智能转速监控系统的监控方法的架构示意图。如图5所示，在所述风机的智能转速监控系统的监控方法的网络架构中，首先，从获得的所述波形数据（例如，如图5中所示意的IN1）提取多个时域统计特征（例如，如图5中所示意的P1）和多个频域统计特征（例如，如图5中所示意的P2）；接着，将所述多个时域统计特征和所述多个频域统计特征分别排列为第一输入向量（例如，如图5中所示意的V1）和第二输入向量（例如，如图5中所示意的V2）后，计算所述第一输入向量的转置向量与所述第二输入向量的乘积以得到时频域关联矩阵（例如，如图5中所示意的M1）；然后，对所述时频域关联矩阵中各个位置的特征值进行校正以得到校正后时频域关联矩阵（例如，如图5中所示意的M2）；接着，将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络（例如，如图5中所示意的CNN1）以得到时频域关联特征向量（例如，如图5中所示意的VF1）；然后，将所述波形数据通过作为过滤器的第二卷积神经网络（例如，如图5中所示意的CNN2）以得到波形特征向量（例如，如图5中所示意的VF2）；接着，融合所述时频域关联特征向量和所述波形特征向量以得到解码特征向量（例如，如图5中所示意的VF）；以及，最后，将所述解码特征向量通过解码器（例如，如图5中所示意的D）以得到解码值，所述解码值为风力发电机的转速值。

更具体地，在步骤S110和S120中，获取由环形编码器采集的波形数据，并从所述波形数据提取多个时域统计特征和多个频域统计特征。也就是，在本申请的技术方案中，可以通过算法端的优化来提高转速的监测精度。这其实本质上是一个回归的问题，也就是，选择通过环形编码器采集的波形数据作为输入数据，使用在隐含的特征提取方面具有优异表现的卷积神经网络模型作为特征提取器和过滤器，来对于风机的转速进行监控，以回归得到风力发电机的转速值。为了提高回归的精准度，利用所述波形数据的时域特征和频域特征来综合对于风力发电机转速进行监控。也就是，具体地，在本申请的技术方案中，首先，通过环形编码器采集风机转速的波形数据，并从所述波形数据提取多个时域统计特征和多个频域统计特征。

更具体地，在本申请实施例中，可以先将所述波形数据通过作为降噪编码器的深度可分离卷积神经网络中进行处理以得到降噪后波形数据，这里，所述深度可分离卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积。这样能够去除噪声的干扰影响，生成无噪声信号以利用后续的监测精度。然后，再从所述降噪后波形数据提取所述多个时域统计特征和所述多个频域统计特征。应可以理解，时域分析能够通过计算分析信号的时域特征值来分析系统的稳定性能、瞬态性能和稳态性能，从而判断设备的运行状态，所述时域统计特征指标包括反应信号冲击特征的有量纲指标和实现故障实时监测的无量纲指标，其中，有量纲指标主要包括均方根、最大值、有效值、均值、概率函数密度等，无量纲指标主要包括峰值指标、脉冲指标、裕度、峭度等。虽然时域分析方法具有简单、便捷、直观等优点，但在强噪声环境下应用效果不理想，因此，进一步选择使用频域分析来辅助进行特征的挖掘。不同于时域分析，频域分析主要从频域角度提取特征信息，通过信号在频域的分布情况进行转速监控，其原理就是将时域信号通过傅里叶变换分解后合成频域信号。常见的频谱分析包括：傅里叶变换、频谱、包络谱、幅值谱和倒谱等。

更具体地，在步骤S130中，将所述多个时域统计特征和所述多个频域统计特征分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量的乘积以得到时频域关联矩阵。也就是，在本申请的技术方案中，进一步地，为了提取出时域和频域的统计特征信息来综合进行风机转速的监控，还需将所述多个时域统计特征和所述多个频域统计特征分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量的乘积以得到时频域关联矩阵。这样在整合了所述频域统计特征和所述时域统计特征后，就可以使用作为过滤器的卷积神经网络模型对其进行隐含的关联特征提取并进行降维。

更具体地，在步骤S140中，对所述时频域关联矩阵中各个位置的特征值进行校正以得到校正后时频域关联矩阵。应可以理解，在将所述时频域关联矩阵通过作为过滤器的所述第一卷积神经网络得到时频域关联特征向量时，由于所述卷积神经网络的过滤器的局部关联提取特征特性，使得所述时频域关联特征向量对于时域特征和频域特征的全局关联表达能力较差，因此，在本申请的技术方案中，优选地可以在对所述时频域关联矩阵进行特征提取之前，预先对其全局表达能力进行优化，具体地，进行位置提议局部推理转化。

更具体地，在步骤S150和步骤S160中，将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络以得到时频域关联特征向量，并将所述波形数据通过作为过滤器的第二卷积神经网络以得到波形特征向量。也就是，在本申请的技术方案中，进一步将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络中进行特征提取以得到时频域关联特征向量。应可以理解，这里，使用作为过滤器的卷积神经网络来对所述校正后时频域关联矩阵进行隐藏的关联特征挖掘，不仅能够提取出所述校正后时频域关联矩阵中各个位置的关联特征信息，还能够进行数据降维，以降低计算量并防止过拟合，提高后续解码的准确性。

同时，将时域信号中的所述波形数据通过作为过滤器的第二卷积神经网络中进行处理以得到波形特征向量。特别地，使用降维后的波形数据来作为输入数据，以防止干扰因素的影响。应可以理解，同样地，使用作为过滤器的第二卷积神经网络对时域信号进行特征提取以及特征降维，不仅能够深层次地挖掘出所述波形数据中的高维隐含特征，还能够降低数据的计算量并防止过拟合，以提高后续解码的准确性。相应地，在一个具体示例中，使用所述作为过滤器的第二卷积神经网络的各层在层的正向传递中对所述降噪后波形数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述波形特征向量，其中，所述第二卷积神经网络的第一层的输入为所述降噪后波形数据。

更具体地，在步骤S170和步骤S180中，融合所述时频域关联特征向量和所述波形特征向量以得到解码特征向量，并将所述解码特征向量通过解码器以得到解码值，所述解码值为风力发电机的转速值。也就是，在本申请的技术方案中，进一步地，融合所述时频域关联特征向量和所述波形特征向量以得到解码特征向量，例如可以使用加权和的形式来进行特征的融合，并使用解码器来进行解码，以获得用于表示风力发电机的转速值的解码值。

综上，基于本申请实施例的所述风机的智能转速监控系统的监控方法被阐明，其采用人工智能的监控方法，基于深度神经网络模型通过使用环形编码器采集的波形数据的时域特征和频域特征来综合对于风力发电机转速进行监控。这样，不仅能够准确地测量风机转速，还能够提高机组的稳定性，进而避免花费大量的维修成本。

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)

1.一种风机的智能转速监控系统，其特征在于，包括：

环形编码器数据采集模块，用于获取由环形编码器采集的波形数据；

时频域特征提取模块，用于从所述波形数据提取多个时域统计特征和多个频域统计特征；

时频域特征数据级关联模块，用于将所述多个时域统计特征和所述多个频域统计特征分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量的乘积以得到时频域关联矩阵；

矩阵优化模块，用于对所述时频域关联矩阵中各个位置的特征值进行校正以得到校正后时频域关联矩阵；

时频域关联特征过滤模块，用于将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络以得到时频域关联特征向量；

波形图像编码模块，用于将所述波形数据通过作为过滤器的第二卷积神经网络以得到波形特征向量；

特征融合模块，用于融合所述时频域关联特征向量和所述波形特征向量以得到解码特征向量；以及

解码模块，用于将所述解码特征向量通过解码器以得到解码值，所述解码值为风力发电机的转速值。

2.根据权利要求1所述的风机的智能转速监控系统，其特征在于，所述时频域特征提取模块，包括：

波形图像降噪单元，用于将所述波形数据通过作为降噪编码器的深度可分离卷积神经网络以得到降噪后波形数据，其中，所述深度可分离卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积；以及

时频域分析单元，用于从所述降噪后波形数据提取所述多个时域统计特征和所述多个频域统计特征。

3.根据权利要求2所述的风机的智能转速监控系统，其特征在于，所述矩阵优化模块，进一步用于：以如下公式对所述时频域关联矩阵中各个位置的特征值进行校正以得到所述校正后时频域关联矩阵；

其中，所述公式为：

其中

表示所述时频域关联矩阵，

和

均为单个卷积层，

，用于 将二维位置坐标映射为一维数值，

表示矩阵

的

坐标张量，

和

分别表示矩阵点 乘和点加，

表示矩阵乘法，

表示对矩阵的每个位置的值开方，且

为矩阵的行数乘以 列数。

4.根据权利要求3所述的风机的智能转速监控系统，其特征在于，所述时频域关联特征过滤模块，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，所述第一卷积神经网络的最后一层的输出为所述时频域关联特征向量，所述第一卷积神经网络的第一层的输入为所述校正后时频域关联矩阵。

5.根据权利要求4所述的风机的智能转速监控系统，其特征在于，所述波形图像编码模块，进一步用于使用所述作为过滤器的第二卷积神经网络的各层在层的正向传递中对所述降噪后波形数据进行卷积处理、沿特征矩阵的池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述波形特征向量，其中，所述第二卷积神经网络的第一层的输入为所述降噪后波形数据。

6.根据权利要求5所述的风机的智能转速监控系统，其特征在于，所述特征融合模块，进一步用于：以如下公式融合所述时频域关联特征向量和所述波形特征向量以得到所述解码特征向量；

其中，所述公式为：

其中，

为所述解码特征向量，

为所述时频域关联特征向量，

为所述波形特征向 量，“

”表示所述时频域关联特征向量和所述波形特征向量相对应位置处的元素相加，

为用于控制所述解码特征向量中所述时频域关联特征向量和所述波形特征向量之间 的平衡的加权参数。

7.根据权利要求6所述的风机的智能转速监控系统，其特征在于，所述解码模块，进一 步用于：使用所述解码器的多个全连接层以如下公式对所述解码特征向量进行解码回归以 获得所述解码值，其中，所述公式为：

，其中

是所述解码特征向量，

是所 述解码值，

是权重矩阵，

是偏置向量，

表示矩阵乘，

为激活函数。

8.一种风机的智能转速监控系统的监控方法，其特征在于，包括：

获取由环形编码器采集的波形数据；

从所述波形数据提取多个时域统计特征和多个频域统计特征；

将所述多个时域统计特征和所述多个频域统计特征分别排列为第一输入向量和第二输入向量后，计算所述第一输入向量的转置向量与所述第二输入向量的乘积以得到时频域关联矩阵；

对所述时频域关联矩阵中各个位置的特征值进行校正以得到校正后时频域关联矩阵；

将所述校正后时频域关联矩阵通过作为过滤器的第一卷积神经网络以得到时频域关联特征向量；

将所述波形数据通过作为过滤器的第二卷积神经网络以得到波形特征向量；

融合所述时频域关联特征向量和所述波形特征向量以得到解码特征向量；以及

将所述解码特征向量通过解码器以得到解码值，所述解码值为风力发电机的转速值。

9.根据权利要求8所述的风机的智能转速监控系统的监控方法，其特征在于，所述从所述波形数据提取多个时域统计特征和多个频域统计特征，包括：

将所述波形数据通过作为降噪编码器的深度可分离卷积神经网络以得到降噪后波形数据，其中，所述深度可分离卷积神经网络在卷积操作中，不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积；以及

从所述降噪后波形数据提取所述多个时域统计特征和所述多个频域统计特征。

10.根据权利要求9所述的风机的智能转速监控系统的监控方法，其特征在于，所述对所述时频域关联矩阵中各个位置的特征值进行校正以得到校正后时频域关联矩阵，包括：

以如下公式对所述时频域关联矩阵中各个位置的特征值进行校正以得到所述校正后时频域关联矩阵；

其中，所述公式为：

其中

表示所述时频域关联矩阵，

和

均为单个卷积层，

，用于 将二维位置坐标映射为一维数值，

表示矩阵

的

坐标张量，

和

分别表示矩阵点 乘和点加，

表示矩阵乘法，

表示对矩阵的每个位置的值开方，且

为矩阵的行数乘以 列数。

Images