CN115577248A - 风力发电机组的故障诊断系统及其方法 - Google Patents

Abstract

本申请涉及风电发电机组的领域，其具体地公开了一种风力发电机组的故障诊断系统及其方法，其通过基于深度学习的卷积神经网络模型来作为特征提取器，以通过波形生成器来基于转轴的转速隐含特征得到生成振动波形，即因所述转轴转动而产生的激励信号所导致的自振信号，并且以所述生成振动波形与发电机首端检测出的振动信号之间的差分矩阵来表示滤除所述自振信号后的在所述发电机首端的振动特征，继而再基于所述发电机首端检测出的振动特征与所述发电机尾端检测出的振动信号的振动特征之间的变化特征来表征所述风力发电机组的工作特征，以此来进行所述风力发电机组的故障诊断。

Description

风力发电机组的故障诊断系统及其方法

技术领域

本发明涉及风电发电机组的领域，且更为具体地，涉及一种风力发电机组的故障诊断系统及其方法。

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，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。

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力发电机组的故障诊断系统及其方法，其通过基于深度学习的卷积神经网络模型来作为特征提取器，以通过波形生成器来基于转轴的转速隐含特征得到生成振动波形，即因所述转轴转动而产生的激励信号所导致的自振信号，并且以所述生成振动波形与发电机首端检测出的振动信号之间的差分矩阵来表示滤除所述自振信号后的在所述发电机首端的振动特征，继而再基于所述发电机首端检测出的振动特征与所述发电机尾端检测出的振动信号的振动特征之间的变化特征来表征所述风力发电机组的工作特征，以此来进行所述风力发电机组的故障诊断。

根据本申请的一个方面，提供了一种风力发电机组的故障诊断系统，其包括：

转速数据采集模块，用于获取预定时间段内多个预定时间点的发电机的转速值；

振动数据采集模块，用于获取由部署于所述发电机的首端和尾端的第一振动传感器和第二振动传感器采集的第一振动信号和第二振动信号；

多尺度时序数据编码模块，用于将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到多尺度转速特征向量；

生成模块，用于将所述多尺度转速特征向量通过波形生成器以得到生成振动波形图；

特征提取模块，用于将所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图通过作为特征提取器的卷积神经网络模型以得到生成振动特征矩阵、第一振动波形特征矩阵、第二振动波形特征矩阵；

融合优化模块，用于融合所述生成振动特征矩阵和所述生成振动波形图以得到优化生成振动特征矩阵；

滤波模块，用于计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵；

转移模块，用于计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵；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组具有各个故障类别标签的概率值。

在上述风力发电机组的故障诊断系统中，所述多尺度时序数据编码模块，包括：向量构造单元，用于将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量；第一卷积单元，用于将所述转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转速关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二卷积单元，用于将所述转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转速关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，级联单元，用于将所述第一邻域尺度转速关联特征向量和所述第二邻域尺度转速关联特征向量进行级联以得到所述多尺度转速特征向量。

在上述风力发电机组的故障诊断系统中，所述第一卷积单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述转速输入向量进行一维卷积编码以得到所述第一邻域尺度转速关联特征向量；

其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F为第一卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示张力输入向量；所述第二卷积单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述转速输入向量进行一维卷积编码以得到所述第二邻域尺度转速关联特征向量；

其中，所述公式为：

其中，b为第二卷积核在x方向上的宽度、F为第二卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示张力输入向量。

在上述风力发电机组的故障诊断系统中，所述波形生成器为对抗生成网络。

在上述风力发电机组的故障诊断系统中，所述特征提取模块，进一步用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：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卷积神经网络模型的最后一层的输出为所述生成振动特征矩阵、所述第一振动波形特征矩阵和所述第二振动波形特征矩阵，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图。

在上述风力发电机组的故障诊断系统中，所述融合优化模块，进一步用于：以如下公式融合所述生成振动特征矩阵和所述生成振动波形图以得到所述优化生成振动特征矩阵；

其中，所述公式为：

其中M₁表示所述生成振动波形图，M₂表示所述生成振动特征矩阵，f_i表示所述生成振动特征矩阵中各个位置的特征值，

表示所述生成振动特征矩阵的各个位置的值的均值，且N为所述生成振动特征矩阵的尺度，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，α为超参数，

表示特征矩阵的按位置加法，⊙表示按位置点乘。

在上述风力发电机组的故障诊断系统中，所述滤波模块，进一步用于：以如下公式计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的所述差分特征矩阵；

其中，所述公式为：

其中M_P表示所述优化生成振动特征矩阵，M_V表示所述第一振动波形特征矩阵，M_D表示所述差分特征矩阵，

表示按位置差分。

在上述风力发电机组的故障诊断系统中，所述转移模块，进一步用于：以如下公式计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为所述分类特征矩阵；

其中，所述公式为：

M_W＝M*M_D

其中M_W表示所述第二振动波形特征矩阵，M_D表示所述差分特征矩阵，M表示所述分类特征矩阵。

在上述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，一种风力发电机组的故障诊断方法，其包括：

获取预定时间段内多个预定时间点的发电机的转速值；

获取由部署于所述发电机的首端和尾端的第一振动传感器和第二振动传感器采集的第一振动信号和第二振动信号；

将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到多尺度转速特征向量；

将所述多尺度转速特征向量通过波形生成器以得到生成振动波形图；

将所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图通过作为特征提取器的卷积神经网络模型以得到生成振动特征矩阵、第一振动波形特征矩阵、第二振动波形特征矩阵；

融合所述生成振动特征矩阵和所述生成振动波形图以得到优化生成振动特征矩阵；

计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵；

计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵；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组具有各个故障类别标签的概率值。

在上述风力发电机组的故障诊断方法中，将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到多尺度转速特征向量，包括：将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量；将所述转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转速关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转速关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度转速关联特征向量和所述第二邻域尺度转速关联特征向量进行级联以得到所述多尺度转速特征向量。

在上述风力发电机组的故障诊断方法中，将所述转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转速关联特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述转速输入向量进行一维卷积编码以得到所述第一邻域尺度转速关联特征向量；

其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F为第一卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示张力输入向量；将所述转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转速关联特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述转速输入向量进行一维卷积编码以得到所述第二邻域尺度转速关联特征向量；

其中，所述公式为：

其中，b为第二卷积核在x方向上的宽度、F为第二卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示张力输入向量。

在上述风力发电机组的故障诊断方法中，所述波形生成器为对抗生成网络。

在上述风力发电机组的故障诊断方法中，将所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图通过作为特征提取器的卷积神经网络模型以得到生成振动特征矩阵、第一振动波形特征矩阵、第二振动波形特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：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卷积神经网络模型的最后一层的输出为所述生成振动特征矩阵、所述第一振动波形特征矩阵和所述第二振动波形特征矩阵，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图。

在上述风力发电机组的故障诊断方法中，融合所述生成振动特征矩阵和所述生成振动波形图以得到优化生成振动特征矩阵，包括：以如下公式融合所述生成振动特征矩阵和所述生成振动波形图以得到所述优化生成振动特征矩阵；

其中，所述公式为：

其中M₁表示所述生成振动波形图，M₂表示所述生成振动特征矩阵，f_i表示所述生成振动特征矩阵中各个位置的特征值，

表示所述生成振动特征矩阵的各个位置的值的均值，且N为所述生成振动特征矩阵的尺度，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，α为超参数，

表示特征矩阵的按位置加法，⊙表示按位置点乘。

在上述风力发电机组的故障诊断方法中，计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵，包括：以如下公式计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的所述差分特征矩阵；

其中，所述公式为：

其中M_P表示所述优化生成振动特征矩阵，M_V表示所述第一振动波形特征矩阵，M_D表示所述差分特征矩阵，

表示按位置差分。

在上述风力发电机组的故障诊断方法中，计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵，包括：以如下公式计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为所述分类特征矩阵；

其中，所述公式为：

M_W＝M*M_D

其中M_W表示所述第二振动波形特征矩阵，M_D表示所述差分特征矩阵，M表示所述分类特征矩阵。

在上述风力发电机组的故障诊断方法中，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组具有各个故障类别标签的概率值，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。

与现有技术相比，本申请提供的风力发电机组的故障诊断系统及其方法，其通过基于深度学习的卷积神经网络模型来作为特征提取器，以通过波形生成器来基于转轴的转速隐含特征得到生成振动波形，即因所述转轴转动而产生的激励信号所导致的自振信号，并且以所述生成振动波形与发电机首端检测出的振动信号之间的差分矩阵来表示滤除所述自振信号后的在所述发电机首端的振动特征，继而再基于所述发电机首端检测出的振动特征与所述发电机尾端检测出的振动信号的振动特征之间的变化特征来表征所述风力发电机组的工作特征，以此来进行所述风力发电机组的故障诊断。

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力发电机组的故障诊断系统的应用场景图。

图2为根据本申请实施例的风力发电机组的故障诊断系统的框图。

图3为根据本申请实施例的风力发电机组的故障诊断系统中多尺度时序数据编码模块的框图。

图4为根据本申请实施例的风力发电机组的故障诊断方法的流程图。

图5为根据本申请实施例的风力发电机组的故障诊断方法的架构示意图。

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，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，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。

相应地，本申请发明人发现如果海上风机的风力发电机组运行正常时，那么其产生的振动信号会以某种特定的形式来进行传导，因此可以基于这种振动信号的传导来进行所述风力发电机组的故障检测，并且本申请发明人还考虑到在基于振动信号对风力发电机组进行故障诊断时，转轴转动会产生激励信号，如果能将因激励信号而产生的振动波形加以滤除利用能够提高故障检测精度。因此，在本申请的技术方案中，通过波形生成器来基于转轴的转速隐含特征来得到生成振动波形，也就是因所述转轴转动而产生的激励信号所导致的自振信号。然后，以所述生成振动波形与所述发电机首端检测出的振动信号之间的差分矩阵来表示滤除所述自振信号后的在所述发电机首端的振动特征。继而基于所述发电机首端检测出的振动特征与所述发电机尾端检测出的振动信号的振动特征之间的变化特征来表征风力发电机组的工作特征，以此通过分类器来进行故障诊断。

具体地，在本申请的技术方案中，首先，通过转速传感器获取预定时间段内多个预定时间点的发电机的转速值，并且通过部署于所述发电机的首端和尾端的第一振动传感器和第二振动传感器采集第一振动信号和第二振动信号。

然后，对于所述多个预定时间点的发电机的转速值，将其按照时间维度排列为转速输入向量以便于后续的特征挖掘。应可以理解，卷积神经网络最初是应用在图像领域中的模型，但其局部特征提取的思想同样可以应用到时序数据分析中。例如一个卷积核大小为3的时序卷积结构，对于时序数据输入，卷积核以滑动窗口的形式沿时间维度移动，并输出每个时序片段内数据的加权和。每个卷积单元堆叠了多个卷积核从而输出多维特征。大卷积核会从大尺度时序邻域内提取特征，其中邻域内每项数值产生的影响更小，从而减弱输入数据的波动，减轻其中噪点对输出特征的影响。但大尺度卷积核减弱了数值变化的差异，容易导致平滑过度的问题，使得输出特征失去判别能力。与之相对的，小尺度卷积核能够较好地保留输入数据中的信息，但是也更容易受到其中噪点的干扰。因此，考虑到不同尺度卷积的特点，组合使用不同大小的卷积单元提取不同时序尺度的特征。然后采用特征拼接的方式完成特征融合，从而得到多尺度邻域特征。

也就是，具体地，在本申请的技术方案中，进一步地，使用多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层分别对所述转速输入向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以得到所述多尺度转速输入向量。特别地，通过这种方式，提取到了所述转速值在时序维度上的动态变化特征的多尺度邻域关联，使得输出的特征既包含了平滑后的特征，也保存了原始输入的特征，避免了信息的丢失，进而提高了后续分类的准确性。在本申请的其他示例中，所述多尺度邻域特征提取模块还可以包含更多数量的一维卷积层，其使用不同长度的一维卷积核进行不同尺度的邻域内关联特征提取，对此，并不为本申请所局限。

进一步地，将所述多尺度转速特征向量通过波形生成器来基于转轴的转速隐含特征来得到生成振动波形，也就是，因所述转轴转动而产生的激励信号所导致的自振信号。特别地，在本申请的一个具体示例中，这里，所述波形生成器为对抗生成网络，所述对抗生成网络包括生成器模型和鉴别器神经网络模型，所述波形生成器的生成器模型能够利用所述转轴的转速值在时序维度上的动态特征来生成表征所述转轴转动而产生的激励信号所导致的自振信号的生成振动波形；而所述波形生成器的鉴别器神经网络模型能够以通过“欺骗”鉴别器的方法来使得所述生成振动波形和参考波形图像所提取到的特征信息相类似，进而使得所述生成振动波形能够更准确地表征所述转轴转动而产生的激励信号所导致的自振信号。

这样，将所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图通过作为特征提取器的卷积神经网络模型中进行特征提取，以分别提取出所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图的局部高维隐含特征分布信息，从而得到生成振动特征矩阵、第一振动波形特征矩阵、第二振动波形特征矩阵。

应可以理解，这里，所述多尺度特征向量通过波形生成器得到的生成振动波形图作为由卷积神经网络生成的伪图像，其具有类似于基于特征提取的卷积神经网络所获得的浅层特征分布，因此，再通过作为特征提取器的卷积神经网络模型后，对于所述生成振动特征矩阵，如果能够更好地融合浅层特征分布和深层特征分布，则可以提高所述生成振动特征矩阵的表达能力。

因此，在本申请的技术方案中，进一步对所述生成振动波形图，例如记为M₁，和所述生成振动特征矩阵，例如记为M₂进行注意力导向的分层深度联立融合，表示为：

其中M₁表示所述生成振动波形图，M₂表示所述生成振动特征矩阵，f_i表示所述生成振动特征矩阵中各个位置的特征值，

表示所述生成振动特征矩阵的各个位置的值的均值，且N为所述生成振动特征矩阵的尺度，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，α为超参数，

表示特征矩阵的按位置加法，⊙表示按位置点乘。

这里，该所述注意力导向的分层深度联立融合以深层特征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，从而在具有深度差的流形之间进行体匹配(volume matching)，这样，修正后的所述生成振动特征矩阵在融合前的矩阵的各个子维度上的联立分布将具有高的一致性，从而提升其表达能力，进而提高分类的准确性。

进一步地，计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵，以表征滤除了所述自振信号后的所述发电机的首端的振动特征信息。

应可以理解，由于振动信号通过所述发电机的首端以某种特定的形式传导至所述发电机的尾端，因此，在本申请的技术方案中，采用转移矩阵来表征这种传导特征。也就是，计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵，以基于所述发电机首端的振动特征与所述发电机尾端的振动特征之间的变化特征来表征风力发电机组的工作特征，以此通过分类器来进行故障诊断，从而得到用于表示待检测风力发电机组具有各个故障类别标签的概率值的分类结果。

基于此，本申请提出了一种风力发电机组的故障诊断系统，其包括：转速数据采集模块，用于获取预定时间段内多个预定时间点的发电机的转速值；振动数据采集模块，用于获取由部署于所述发电机的首端和尾端的第一振动传感器和第二振动传感器采集的第一振动信号和第二振动信号；多尺度时序数据编码模块，用于将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到多尺度转速特征向量；生成模块，用于将所述多尺度转速特征向量通过波形生成器以得到生成振动波形图；特征提取模块，用于将所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图通过作为特征提取器的卷积神经网络模型以得到生成振动特征矩阵、第一振动波形特征矩阵、第二振动波形特征矩阵；融合优化模块，用于融合所述生成振动特征矩阵和所述生成振动波形图以得到优化生成振动特征矩阵；滤波模块，用于计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵；转移模块，用于计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵；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组具有各个故障类别标签的概率值。

图1图示了根据本申请实施例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，首先，通过转速传感器(例如，如图1中所示意的P)获取预定时间段内多个预定时间点的发电机(例如，如图1中所示意的E)的转速值，并且通过部署于所述发电机的首端和尾端的第一振动传感器(例如，如图1中所示意的T1)和第二振动传感器(例如，如图1中所示意的T2)采集的第一振动信号和第二振动信号。然后，将获取的所述多个预定时间点的发电机的转速值以及所述第一振动信号和所述第二振动信号输入至部署有风力发电机组的故障诊断算法的服务器中(例如，如图1中所示意的服务器S)，其中，所述服务器能够以风力发电机组的故障诊断算法对所述多个预定时间点的发电机的转速值以及所述第一振动信号和所述第二振动信号进行处理，以生成用于表示待检测风力发电机组具有各个故障类别标签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图示了根据本申请实施例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200，包括：转速数据采集模块210，用于获取预定时间段内多个预定时间点的发电机的转速值；振动数据采集模块220，用于获取由部署于所述发电机的首端和尾端的第一振动传感器和第二振动传感器采集的第一振动信号和第二振动信号；多尺度时序数据编码模块230，用于将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到多尺度转速特征向量；生成模块240，用于将所述多尺度转速特征向量通过波形生成器以得到生成振动波形图；特征提取模块250，用于将所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图通过作为特征提取器的卷积神经网络模型以得到生成振动特征矩阵、第一振动波形特征矩阵、第二振动波形特征矩阵；融合优化模块260，用于融合所述生成振动特征矩阵和所述生成振动波形图以得到优化生成振动特征矩阵；滤波模块270，用于计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵；转移模块280，用于计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵；以及，故障诊断结果生成模块290，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组具有各个故障类别标签的概率值。

具体地，在本申请实施例中，所述转速数据采集模块210和所述振动数据采集模块220，用于获取预定时间段内多个预定时间点的发电机的转速值，并获取由部署于所述发电机的首端和尾端的第一振动传感器和第二振动传感器采集的第一振动信号和第二振动信号。如前所述，由于如果海上风机的风力发电机组运行正常时，那么其产生的振动信号会以某种特定的形式来进行传导，因此可以基于这种振动信号的传导来进行所述风力发电机组的故障检测，并且还考虑到在基于振动信号对风力发电机组进行故障诊断时，转轴转动会产生激励信号，如果能将因激励信号而产生的振动波形加以滤除利用能够提高故障检测精度。因此，在本申请的技术方案中，通过波形生成器来基于转轴的转速隐含特征来得到生成振动波形，也就是因所述转轴转动而产生的激励信号所导致的自振信号。然后，以所述生成振动波形与所述发电机首端检测出的振动信号之间的差分矩阵来表示滤除所述自振信号后的在所述发电机首端的振动特征。继而基于所述发电机首端检测出的振动特征与所述发电机尾端检测出的振动信号的振动特征之间的变化特征来表征风力发电机组的工作特征，以此通过分类器来进行故障诊断。

也就是，具体地，在本申请的技术方案中，首先，通过转速传感器获取预定时间段内多个预定时间点的发电机的转速值，并且通过部署于所述发电机的首端和尾端的第一振动传感器和第二振动传感器采集第一振动信号和第二振动信号。

具体地，在本申请实施例中，所述多尺度时序数据编码模块230，用于将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到多尺度转速特征向量。也就是，对于所述多个预定时间点的发电机的转速值，将其按照时间维度排列为转速输入向量以便于后续的特征挖掘。应可以理解，卷积神经网络最初是应用在图像领域中的模型，但其局部特征提取的思想同样可以应用到时序数据分析中。例如一个卷积核大小为3的时序卷积结构，对于时序数据输入，卷积核以滑动窗口的形式沿时间维度移动，并输出每个时序片段内数据的加权和。每个卷积单元堆叠了多个卷积核从而输出多维特征。大卷积核会从大尺度时序邻域内提取特征，其中邻域内每项数值产生的影响更小，从而减弱输入数据的波动，减轻其中噪点对输出特征的影响。但大尺度卷积核减弱了数值变化的差异，容易导致平滑过度的问题，使得输出特征失去判别能力。与之相对的，小尺度卷积核能够较好地保留输入数据中的信息，但是也更容易受到其中噪点的干扰。因此，考虑到不同尺度卷积的特点，组合使用不同大小的卷积单元提取不同时序尺度的特征。然后采用特征拼接的方式完成特征融合，从而得到多尺度邻域特征。

也就是，具体地，在本申请的技术方案中，进一步地，使用多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层分别对所述转速输入向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以得到所述多尺度转速输入向量。特别地，通过这种方式，提取到了所述转速值在时序维度上的动态变化特征的多尺度邻域关联，使得输出的特征既包含了平滑后的特征，也保存了原始输入的特征，避免了信息的丢失，进而提高了后续分类的准确性。在本申请的其他示例中，所述多尺度邻域特征提取模块还可以包含更多数量的一维卷积层，其使用不同长度的一维卷积核进行不同尺度的邻域内关联特征提取，对此，并不为本申请所局限。

更具体地，在本申请实施例中，所述多尺度时序数据编码模块，包括：首先，将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量。接着，将所述转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转速关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核。相应地，在一个具体示例中，使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述转速输入向量进行一维卷积编码以得到所述第一邻域尺度转速关联特征向量；

其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F为第一卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示张力输入向量

然后，将所述转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转速关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度。相应地，在一个具体示例中，使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述转速输入向量进行一维卷积编码以得到所述第二邻域尺度转速关联特征向量；

其中，所述公式为：

其中，b为第二卷积核在x方向上的宽度、F为第二卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示张力输入向量。

最后，将所述第一邻域尺度转速关联特征向量和所述第二邻域尺度转速关联特征向量进行级联以得到所述多尺度转速特征向量。

图3图示了根据本申请实施例的风力发电机组的故障诊断系统中多尺度时序数据编码模块的框图。如图3所示，所述多尺度时序数据编码模块230，包括：向量构造单元231，用于将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量；第一卷积单元232，用于将所述转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转速关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二卷积单元233，用于将所述转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转速关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，级联单元234，用于将所述第一邻域尺度转速关联特征向量和所述第二邻域尺度转速关联特征向量进行级联以得到所述多尺度转速特征向量。

具体地，在本申请实施例中，所述生成模块240，用于将所述多尺度转速特征向量通过波形生成器以得到生成振动波形图。也就是，在本申请的技术方案中，进一步地，将所述多尺度转速特征向量通过波形生成器来基于转轴的转速隐含特征来得到生成振动波形，也就是，因所述转轴转动而产生的激励信号所导致的自振信号。特别地，在一个具体示例中，这里，所述波形生成器为对抗生成网络，所述对抗生成网络包括生成器模型和鉴别器神经网络模型，所述波形生成器的生成器模型能够利用所述转轴的转速值在时序维度上的动态特征来生成表征所述转轴转动而产生的激励信号所导致的自振信号的生成振动波形；而所述波形生成器的鉴别器神经网络模型能够以通过“欺骗”鉴别器的方法来使得所述生成振动波形和参考波形图像所提取到的特征信息相类似，进而使得所述生成振动波形能够更准确地表征所述转轴转动而产生的激励信号所导致的自振信号。

具体地，在本申请实施例中，所述特征提取模块250，用于将所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图通过作为特征提取器的卷积神经网络模型以得到生成振动特征矩阵、第一振动波形特征矩阵、第二振动波形特征矩阵。也就是，在本申请的技术方案中，进一步将所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图通过作为特征提取器的卷积神经网络模型中进行特征提取，以分别提取出所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图的局部高维隐含特征分布信息，从而得到生成振动特征矩阵、第一振动波形特征矩阵、第二振动波形特征矩阵。

更具体地，在本申请实施例中，所述特征提取模块，进一步用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：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卷积神经网络模型的最后一层的输出为所述生成振动特征矩阵、所述第一振动波形特征矩阵和所述第二振动波形特征矩阵，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图。

具体地，在本申请实施例中，所述融合优化模块260，用于融合所述生成振动特征矩阵和所述生成振动波形图以得到优化生成振动特征矩阵。应可以理解，这里，所述多尺度特征向量通过波形生成器得到的生成振动波形图作为由卷积神经网络生成的伪图像，其具有类似于基于特征提取的卷积神经网络所获得的浅层特征分布，因此，再通过所述作为特征提取器的卷积神经网络模型后，对于所述生成振动特征矩阵，如果能够更好地融合浅层特征分布和深层特征分布，则可以提高所述生成振动特征矩阵的表达能力。

因此，在本申请的技术方案中，进一步对所述生成振动波形图，例如记为M₁，和所述生成振动特征矩阵，例如记为M₂进行注意力导向的分层深度联立融合。应可以理解，这里，该所述注意力导向的分层深度联立融合以深层特征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，从而在具有深度差的流形之间进行体匹配(volume matching)，这样，修正后的所述生成振动特征矩阵在融合前的矩阵的各个子维度上的联立分布将具有高的一致性，从而提升其表达能力，进而提高分类的准确性。

更具体地，在本申请实施例中，所述融合优化模块，进一步用于：以如下公式融合所述生成振动特征矩阵和所述生成振动波形图以得到所述优化生成振动特征矩阵；

其中，所述公式为：

其中M₁表示所述生成振动波形图，M₂表示所述生成振动特征矩阵，f_i表示所述生成振动特征矩阵中各个位置的特征值，

表示所述生成振动特征矩阵的各个位置的值的均值，且N为所述生成振动特征矩阵的尺度，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，α为超参数，

表示特征矩阵的按位置加法，⊙表示按位置点乘。

具体地，在本申请实施例中，所述滤波模块270，用于计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵。也就是，在本申请的技术方案中，进一步地，计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵，以表征滤除了所述自振信号后的所述发电机的首端的振动特征信息。

相应地，在一个具体示例中，所述滤波模块，进一步用于：以如下公式计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的所述差分特征矩阵；

其中，所述公式为：

其中M_P表示所述优化生成振动特征矩阵，M_V表示所述第一振动波形特征矩阵，M_D表示所述差分特征矩阵，

表示按位置差分。

具体地，在本申请实施例中，所述转移模块280和所述故障诊断结果生成模块290，用于计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵，并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组具有各个故障类别标签的概率值。应可以理解，由于所述振动信号通过所述发电机的首端以某种特定的形式传导至所述发电机的尾端，因此，在本申请的技术方案中，采用转移矩阵来表征这种传导特征。也就是，计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵，以基于所述发电机首端的振动特征与所述发电机尾端的振动特征之间的变化特征来表征所述风力发电机组的工作特征，以此通过分类器来进行故障诊断，从而得到用于表示待检测风力发电机组具有各个故障类别标签的概率值的分类结果。

更具体地，在本申请实施例中，所述转移模块，进一步用于：以如下公式计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为所述分类特征矩阵；

其中，所述公式为：

M_W＝M*M_D

其中M_W表示所述第二振动波形特征矩阵，M_D表示所述差分特征矩阵，M表示所述分类特征矩阵。

更具体地，在本申请实施例中，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。

综上，基于本申请实施例的所述风力发电机组的故障诊断系统200被阐明，其通过基于深度学习的卷积神经网络模型来作为特征提取器，以通过波形生成器来基于转轴的转速隐含特征得到生成振动波形，即因所述转轴转动而产生的激励信号所导致的自振信号，并且以所述生成振动波形与发电机首端检测出的振动信号之间的差分矩阵来表示滤除所述自振信号后的在所述发电机首端的振动特征，继而再基于所述发电机首端检测出的振动特征与所述发电机尾端检测出的振动信号的振动特征之间的变化特征来表征所述风力发电机组的工作特征，以此来进行所述风力发电机组的故障诊断。

如上所述，根据本申请实施例的风力发电机组的故障诊断系统200可以实现在各种终端设备中，例如风力发电机组的故障诊断算法的服务器等。在一个示例中，根据本申请实施例的风力发电机组的故障诊断系统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，该风力发电机组的故障诊断系统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，该风力发电机组的故障诊断系统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，该风力发电机组的故障诊断系统200与该终端设备也可以是分立的设备，并且该风力发电机组的故障诊断系统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图示了风力发电机组的故障诊断方法的流程图。如图4所示，根据本申请实施例的风力发电机组的故障诊断方法，包括步骤：S110，获取预定时间段内多个预定时间点的发电机的转速值；S120，获取由部署于所述发电机的首端和尾端的第一振动传感器和第二振动传感器采集的第一振动信号和第二振动信号；S130，将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到多尺度转速特征向量；S140，将所述多尺度转速特征向量通过波形生成器以得到生成振动波形图；S150，将所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图通过作为特征提取器的卷积神经网络模型以得到生成振动特征矩阵、第一振动波形特征矩阵、第二振动波形特征矩阵；S160，融合所述生成振动特征矩阵和所述生成振动波形图以得到优化生成振动特征矩阵；S170，计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵；S180，计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵；以及，S190，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组具有各个故障类别标签的概率值。

图5图示了根据本申请实施例的风力发电机组的故障诊断方法的架构示意图。如图5所示，在所述风力发电机组的故障诊断方法的网络架构中，首先，将获得的所述预定时间段内多个预定时间点的发电机的转速值(例如，如图5中所示意的P1)按照时间维度排列为转速输入向量(例如，如图5中所示意的V1)后通过多尺度邻域特征提取模块(例如，如图5中所示意的MS)以得到多尺度转速特征向量(例如，如图5中所示意的VF1)；接着，将所述多尺度转速特征向量通过波形生成器(例如，如图5中所示意的WG)以得到生成振动波形图(例如，如图5中所示意的Q)；然后，将所述生成振动波形图、所述第一振动信号的波形图(例如，如图5中所示意的Q1)和所述第二振动信号的波形图(例如，如图5中所示意的Q2)通过作为特征提取器的卷积神经网络模型(例如，如图5中所示意的CNN)以得到生成振动特征矩阵(例如，如图5中所示意的MF1)、第一振动波形特征矩阵(例如，如图5中所示意的MF2)、第二振动波形特征矩阵(例如，如图5中所示意的MF3)；接着，融合所述生成振动特征矩阵和所述生成振动波形图以得到优化生成振动特征矩阵(例如，如图5中所示意的MF4)；然后，计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵(例如，如图5中所示意的MF5)；接着，计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵(例如，如图5中所示意的MF)；以及，最后，将所述分类特征矩阵通过分类器(例如，如图5中所示意的分类器)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组具有各个故障类别标签的概率值。

更具体地，在步骤S110和步骤S120中，获取预定时间段内多个预定时间点的发电机的转速值，并获取由部署于所述发电机的首端和尾端的第一振动传感器和第二振动传感器采集的第一振动信号和第二振动信号。应可以理解，由于如果海上风机的风力发电机组运行正常时，那么其产生的振动信号会以某种特定的形式来进行传导，因此可以基于这种振动信号的传导来进行所述风力发电机组的故障检测，并且还考虑到在基于振动信号对风力发电机组进行故障诊断时，转轴转动会产生激励信号，如果能将因激励信号而产生的振动波形加以滤除利用能够提高故障检测精度。因此，在本申请的技术方案中，通过波形生成器来基于转轴的转速隐含特征来得到生成振动波形，也就是因所述转轴转动而产生的激励信号所导致的自振信号。然后，以所述生成振动波形与所述发电机首端检测出的振动信号之间的差分矩阵来表示滤除所述自振信号后的在所述发电机首端的振动特征。继而基于所述发电机首端检测出的振动特征与所述发电机尾端检测出的振动信号的振动特征之间的变化特征来表征风力发电机组的工作特征，以此通过分类器来进行故障诊断。

也就是，具体地，在本申请的技术方案中，首先，通过转速传感器获取预定时间段内多个预定时间点的发电机的转速值，并且通过部署于所述发电机的首端和尾端的第一振动传感器和第二振动传感器采集第一振动信号和第二振动信号。

更具体地，在步骤S130中，将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到多尺度转速特征向量。也就是，对于所述多个预定时间点的发电机的转速值，将其按照时间维度排列为转速输入向量以便于后续的特征挖掘。应可以理解，卷积神经网络最初是应用在图像领域中的模型，但其局部特征提取的思想同样可以应用到时序数据分析中。例如一个卷积核大小为3的时序卷积结构，对于时序数据输入，卷积核以滑动窗口的形式沿时间维度移动，并输出每个时序片段内数据的加权和。每个卷积单元堆叠了多个卷积核从而输出多维特征。大卷积核会从大尺度时序邻域内提取特征，其中邻域内每项数值产生的影响更小，从而减弱输入数据的波动，减轻其中噪点对输出特征的影响。但大尺度卷积核减弱了数值变化的差异，容易导致平滑过度的问题，使得输出特征失去判别能力。与之相对的，小尺度卷积核能够较好地保留输入数据中的信息，但是也更容易受到其中噪点的干扰。因此，考虑到不同尺度卷积的特点，组合使用不同大小的卷积单元提取不同时序尺度的特征。然后采用特征拼接的方式完成特征融合，从而得到多尺度邻域特征。

也就是，具体地，在本申请的技术方案中，进一步地，使用多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层分别对所述转速输入向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以得到所述多尺度转速输入向量。特别地，通过这种方式，提取到了所述转速值在时序维度上的动态变化特征的多尺度邻域关联，使得输出的特征既包含了平滑后的特征，也保存了原始输入的特征，避免了信息的丢失，进而提高了后续分类的准确性。在本申请的其他示例中，所述多尺度邻域特征提取模块还可以包含更多数量的一维卷积层，其使用不同长度的一维卷积核进行不同尺度的邻域内关联特征提取，对此，并不为本申请所局限。

更具体地，在步骤S140中，将所述多尺度转速特征向量通过波形生成器以得到生成振动波形图。也就是，在本申请的技术方案中，进一步地，将所述多尺度转速特征向量通过波形生成器来基于转轴的转速隐含特征来得到生成振动波形，也就是，因所述转轴转动而产生的激励信号所导致的自振信号。特别地，在一个具体示例中，这里，所述波形生成器为对抗生成网络，所述对抗生成网络包括生成器模型和鉴别器神经网络模型，所述波形生成器的生成器模型能够利用所述转轴的转速值在时序维度上的动态特征来生成表征所述转轴转动而产生的激励信号所导致的自振信号的生成振动波形；而所述波形生成器的鉴别器神经网络模型能够以通过“欺骗”鉴别器的方法来使得所述生成振动波形和参考波形图像所提取到的特征信息相类似，进而使得所述生成振动波形能够更准确地表征所述转轴转动而产生的激励信号所导致的自振信号。

更具体地，在步骤S150和步骤S160中，将所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图通过作为特征提取器的卷积神经网络模型以得到生成振动特征矩阵、第一振动波形特征矩阵、第二振动波形特征矩阵，并融合所述生成振动特征矩阵和所述生成振动波形图以得到优化生成振动特征矩阵。也就是，在本申请的技术方案中，进一步将所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图通过作为特征提取器的卷积神经网络模型中进行特征提取，以分别提取出所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图的局部高维隐含特征分布信息，从而得到生成振动特征矩阵、第一振动波形特征矩阵、第二振动波形特征矩阵。

然后，应可以理解，这里，所述多尺度特征向量通过波形生成器得到的生成振动波形图作为由卷积神经网络生成的伪图像，其具有类似于基于特征提取的卷积神经网络所获得的浅层特征分布，因此，再通过所述作为特征提取器的卷积神经网络模型后，对于所述生成振动特征矩阵，如果能够更好地融合浅层特征分布和深层特征分布，则可以提高所述生成振动特征矩阵的表达能力。

因此，在本申请的技术方案中，进一步对所述生成振动波形图，例如记为M₁，和所述生成振动特征矩阵，例如记为M₂进行注意力导向的分层深度联立融合。应可以理解，这里，该所述注意力导向的分层深度联立融合以深层特征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，从而在具有深度差的流形之间进行体匹配(volume matching)，这样，修正后的所述生成振动特征矩阵在融合前的矩阵的各个子维度上的联立分布将具有高的一致性，从而提升其表达能力，进而提高分类的准确性。

更具体地，在步骤S170中，计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵。也就是，在本申请的技术方案中，进一步地，计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵，以表征滤除了所述自振信号后的所述发电机的首端的振动特征信息。

更具体地，在步骤S180和步骤S190中，计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵，并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组具有各个故障类别标签的概率值。应可以理解，由于所述振动信号通过所述发电机的首端以某种特定的形式传导至所述发电机的尾端，因此，在本申请的技术方案中，采用转移矩阵来表征这种传导特征。也就是，计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵，以基于所述发电机首端的振动特征与所述发电机尾端的振动特征之间的变化特征来表征所述风力发电机组的工作特征，以此通过分类器来进行故障诊断，从而得到用于表示待检测风力发电机组具有各个故障类别标签的概率值的分类结果。

综上，基于本申请实施例的所述风力发电机组的故障诊断方法被阐明，其通过基于深度学习的卷积神经网络模型来作为特征提取器，以通过波形生成器来基于转轴的转速隐含特征得到生成振动波形，即因所述转轴转动而产生的激励信号所导致的自振信号，并且以所述生成振动波形与发电机首端检测出的振动信号之间的差分矩阵来表示滤除所述自振信号后的在所述发电机首端的振动特征，继而再基于所述发电机首端检测出的振动特征与所述发电机尾端检测出的振动信号的振动特征之间的变化特征来表征所述风力发电机组的工作特征，以此来进行所述风力发电机组的故障诊断。

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)

1.一种风力发电机组的故障诊断系统，其特征在于，包括：

转速数据采集模块，用于获取预定时间段内多个预定时间点的发电机的转速值；

振动数据采集模块，用于获取由部署于所述发电机的首端和尾端的第一振动传感器和第二振动传感器采集的第一振动信号和第二振动信号；

多尺度时序数据编码模块，用于将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到多尺度转速特征向量；

生成模块，用于将所述多尺度转速特征向量通过波形生成器以得到生成振动波形图；

特征提取模块，用于将所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图通过作为特征提取器的卷积神经网络模型以得到生成振动特征矩阵、第一振动波形特征矩阵、第二振动波形特征矩阵；

融合优化模块，用于融合所述生成振动特征矩阵和所述生成振动波形图以得到优化生成振动特征矩阵；

滤波模块，用于计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵；

转移模块，用于计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵；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组具有各个故障类别标签的概率值。

2.根据权利要求1所述的风力发电机组的故障诊断系统，其特征在于，所述多尺度时序数据编码模块，包括：

向量构造单元，用于将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量；

第一卷积单元，用于将所述转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度转速关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；

第二卷积单元，用于将所述转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度转速关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及

级联单元，用于将所述第一邻域尺度转速关联特征向量和所述第二邻域尺度转速关联特征向量进行级联以得到所述多尺度转速特征向量。

3.根据权利要求2所述的风力发电机组的故障诊断系统，其特征在于，所述第一卷积单元，进一步用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述转速输入向量进行一维卷积编码以得到所述第一邻域尺度转速关联特征向量；

其中，所述公式为：

其中，a为第一卷积核在x方向上的宽度、F为第一卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示张力输入向量；

所述第二卷积单元，进一步用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述转速输入向量进行一维卷积编码以得到所述第二邻域尺度转速关联特征向量；

其中，所述公式为：

其中，b为第二卷积核在x方向上的宽度、F为第二卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示张力输入向量。

4.根据权利要求3所述的风力发电机组的故障诊断系统，其特征在于，所述波形生成器为对抗生成网络。

5.根据权利要求4所述的风力发电机组的故障诊断系统，其特征在于，所述特征提取模块，进一步用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：

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卷积神经网络模型的最后一层的输出为所述生成振动特征矩阵、所述第一振动波形特征矩阵和所述第二振动波形特征矩阵，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图。

6.根据权利要求5所述的风力发电机组的故障诊断系统，其特征在于，所述融合优化模块，进一步用于：以如下公式融合所述生成振动特征矩阵和所述生成振动波形图以得到所述优化生成振动特征矩阵；

其中，所述公式为：

其中M₁表示所述生成振动波形图，M₂表示所述生成振动特征矩阵，f_i表示所述生成振动特征矩阵中各个位置的特征值，

表示所述生成振动特征矩阵的各个位置的值的均值，且N为所述生成振动特征矩阵的尺度，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，α为超参数，

表示特征矩阵的按位置加法，⊙表示按位置点乘。

7.根据权利要求6所述的风力发电机组的故障诊断系统，其特征在于，所述滤波模块，进一步用于：以如下公式计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的所述差分特征矩阵；

其中，所述公式为：

其中M_P表示所述优化生成振动特征矩阵，M_V表示所述第一振动波形特征矩阵，M_D表示所述差分特征矩阵，

表示按位置差分。

8.根据权利要求7所述的风力发电机组的故障诊断系统，其特征在于，所述转移模块，进一步用于：以如下公式计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为所述分类特征矩阵；

其中，所述公式为：

M_W＝M*M_D

其中M_W表示所述第二振动波形特征矩阵，M_D表示所述差分特征矩阵，M表示所述分类特征矩阵。

9.根据权利要求8所述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。

10.一种风力发电机组的故障诊断方法，其特征在于，包括：

获取预定时间段内多个预定时间点的发电机的转速值；

获取由部署于所述发电机的首端和尾端的第一振动传感器和第二振动传感器采集的第一振动信号和第二振动信号；

将所述预定时间段内多个预定时间点的发电机的转速值按照时间维度排列为转速输入向量后通过多尺度邻域特征提取模块以得到多尺度转速特征向量；

将所述多尺度转速特征向量通过波形生成器以得到生成振动波形图；

将所述生成振动波形图、所述第一振动信号的波形图和所述第二振动信号的波形图通过作为特征提取器的卷积神经网络模型以得到生成振动特征矩阵、第一振动波形特征矩阵、第二振动波形特征矩阵；

融合所述生成振动特征矩阵和所述生成振动波形图以得到优化生成振动特征矩阵；

计算所述优化生成振动特征矩阵与所述第一振动波形特征矩阵之间的差分特征矩阵；

计算所述第二振动波形特征矩阵相对于所述差分特征矩阵的转移矩阵作为分类特征矩阵；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组具有各个故障类别标签的概率值。

Images