CN115600140A - 基于多源数据融合的风机变桨系统故障识别方法及其系统 - Google Patents

Abstract

本申请提供一种基于多源数据融合的风机变桨系统故障识别方法及其系统，其通过卷积神经网络模型作为特征提取器提取变桨系统在工作时的振动特征，通过多尺度邻域特征提取模块提取预定时间段内多个预定时间点的桨距角和风速值在时间维度上的动态特征信息并以风速特征和桨距角特征的融合特征来表示变桨系统的工作状态特征，然后，计算振动特征与工作状态特征之间的转移矩阵以得到振动与工作状态之间的关联性特征信息，最后将振动与工作状态之间的关联特征通过分类器以得到用于表示变桨系统是否存在故障的分类结果。这样，可以准确地对风机变桨系统进行故障识别，以提高风能的利用率和保障风力发电机的安全性。

Description

基于多源数据融合的风机变桨系统故障识别方法及其系统

技术领域

本申请涉及智能识别技术领域，且更为具体地，涉及一种基于多源数据融合的风机变桨系统故障识别方法及其系统。

背景技术

风能作为可再生、绿色环保能源，是我国及世界各国目前及将来发展的主要新能源之一。由于自然界的风速、风向不稳定及暴风等特殊工况，需对风机进行控制。变桨控制系统作为风力发电机组的核心部件之一，其主要功能是根据风力的大小来调节发电机组桨叶的角度，改变气流对桨叶的攻角，使风力发电机的输出功率能够根据风速的大小进行自动调节，保证风力发电机的输出效率最高，并且输出在额定功率以内。进而，能够提高风能的利用率及在特殊工况下对风机实行保护。

目前，为了保证风电交流变桨系统的正常运行，通常都会对于风机变桨系统进行故障检测识别。但是，现有的技术方案单纯通过振动模式来进行故障检测，一方面振动信号采集时具有噪声，另一方面，振动信号与变桨系统的工作状态有关。如果仅基于振动特征的绝对量来判断，这会使得故障诊断的精准度不高。

因此，期待一种优化的风机变桨系统故障识别方案。

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多源数据融合的风机变桨系统故障识别方法及其系统，其通过卷积神经网络模型作为特征提取器提取变桨系统在工作时的振动特征，通过多尺度邻域特征提取模块提取预定时间段内多个预定时间点的桨距角和风速值在时间维度上的动态特征信息并以风速特征和桨距角特征的融合特征来表示变桨系统的工作状态特征，然后，计算振动特征与工作状态特征之间的转移矩阵以得到振动与工作状态之间的关联性特征信息，最后将振动与工作状态之间的关联特征通过分类器以得到用于表示变桨系统是否存在故障的分类结果。这样，可以准确地对风机变桨系统进行故障识别，以提高风能的利用率和保障风力发电机的安全性。

根据本申请的一个方面，提供了一种基于多源数据融合的风机变桨系统故障识别方法，其包括：

振动信号采集步骤：获取由振动传感器采集的变桨系统在预定时间段的振动信号；

工作数据采集步骤：获取所述预定时间段内多个预定时间点的桨距角和风速值；

工作数据特征提取步骤：将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量后通过多尺度邻域特征提取模块以得到桨距角特征向量和风速特征向量；

高斯融合步骤：使用高斯密度图来融合所述桨距角特征向量和所述风速特征向量以得到融合高斯密度图；

高斯离散步骤：对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到协同作业特征矩阵；

振动特征提取步骤：将所述变桨系统在预定时间段的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振动特征矩阵；

多源数据融合步骤：计算所述协同作业特征矩阵相对于所述振动特征矩阵的转移矩阵作为分类特征矩阵；

特征分布校正步骤：基于所述分类特征矩阵中所有位置的特征值集合的统计特征值，对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵；以及

故障识别步骤：将所述校正后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变桨系统是否存在故障。

在上述基于多源数据融合的风机变桨系统故障识别方法中，所述工作数据特征提取步骤，包括：工作数据向量化子步骤：将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量；第一尺度邻域特征提取子步骤：将所述桨距角输入向量和所述风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张力关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度邻域特征提取子步骤：将所述桨距角输入向量和所述风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张力关联特征向量，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,多尺度级联子步骤：将所述第一邻域尺度张力关联特征向量和所述第二邻域尺度张力关联特征向量进行级联以得到所述桨距角特征向量和所述风速特征向量。

在上述基于多源数据融合的风机变桨系统故障识别方法中，所述第一尺度邻域特征提取子步骤，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桨距角输入向量和所述风速输入向量进行一维卷积编码以得到所述第一邻域尺度张力关联特征向量；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(a)为第一卷积核参数向量、G(x-a)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表示所述桨距角输入向量和所述风速输入向量；

所述第二尺度邻域特征提取子步骤，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桨距角输入向量和所述风速输入向量进行一维卷积编码以得到所述第二邻域尺度张力关联特征向量；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(b)为第二卷积核参数向量、G(x-b)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表示所述桨距角输入向量和所述风速输入向量。

在上述基于多源数据融合的风机变桨系统故障识别方法中，所述高斯融合步骤，包括：使用高斯密度图以如下公式来融合所述桨距角特征向量和所述风速特征向量以得到所述融合高斯密度图；其中，所述公式为：

其中μ表示所述桨距角特征向量和所述风速特征向量之间的按位置均值向量，且σ的每个位置的值表示所述桨距角特征向量和所述风速特征向量中各个位置的特征值之间的方差。

在上述基于多源数据融合的风机变桨系统故障识别方法中，所述振动特征提取步骤，包括：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振动特征矩阵，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变桨系统在预定时间段的振动信号的波形图。

在上述基于多源数据融合的风机变桨系统故障识别方法中，所述多源数据融合步骤，包括：以如下公式计算所述协同作业特征矩阵相对于所述振动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：

其中M₁表示所述协同作业特征矩阵，M₂表示所述振动特征矩阵，M表示所述分类特征矩阵，

表示矩阵相乘。

在上述基于多源数据融合的风机变桨系统故障识别方法中，所述特征分布校正步骤，包括：基于所述分类特征矩阵中所有位置的特征值集合的统计特征值，以如下公式对所述分类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分类特征矩阵；其中，所述公式为：

其中，f_i表示所述分类特征矩阵中各个位置的特征值，μ和σ是所述分类特征矩阵中所有位置的特征值集合的均值和方差，且N是所述分类特征矩阵的尺度，log表示以2为底的对数，且α是加权超参数。

在上述基于多源数据融合的风机变桨系统故障识别方法中，所述故障识别步骤，包括：展开子步骤：将所述校正后分类特征矩阵按照行向量或列向量展开为分类特征向量；以及,分类子步骤：将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

根据本申请的另一方面，提供了一种基于多源数据融合的风机变桨系统故障识别系统，其包括：

振动信号采集模块：用于获取由振动传感器采集的变桨系统在预定时间段的振动信号；

工作数据采集模块：用于获取所述预定时间段内多个预定时间点的桨距角和风速值；

工作数据特征提取模块：用于将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量后通过多尺度邻域特征提取模块以得到桨距角特征向量和风速特征向量；

高斯融合模块：用于使用高斯密度图来融合所述桨距角特征向量和所述风速特征向量以得到融合高斯密度图；

高斯离散模块：用于对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到协同作业特征矩阵；

振动特征提取模块：用于将所述变桨系统在预定时间段的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振动特征矩阵；

多源数据融合模块：用于计算所述协同作业特征矩阵相对于所述振动特征矩阵的转移矩阵作为分类特征矩阵；

特征分布校正模块：用于基于所述分类特征矩阵中所有位置的特征值集合的统计特征值，对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵；以及

故障识别模块：用于将所述校正后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变桨系统是否存在故障。

与现有技术相比，本申请提供的基于多源数据融合的风机变桨系统故障识别方法及其系统，其通过卷积神经网络模型作为特征提取器提取变桨系统在工作时的振动特征，通过多尺度邻域特征提取模块提取预定时间段内多个预定时间点的桨距角和风速值在时间维度上的动态特征信息并以风速特征和桨距角特征的融合特征来表示变桨系统的工作状态特征，然后，计算振动特征与工作状态特征之间的转移矩阵以得到振动与工作状态之间的关联性特征信息，最后将振动与工作状态之间的关联特征通过分类器以得到用于表示变桨系统是否存在故障的分类结果。这样，可以准确地对风机变桨系统进行故障识别，以提高风能的利用率和保障风力发电机的安全性。

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多源数据融合的风机变桨系统故障识别方法的应用场景图。

图2图示了根据本申请实施例的基于多源数据融合的风机变桨系统故障识别方法的流程图。

图3图示了根据本申请实施例的基于多源数据融合的风机变桨系统故障识别方法的架构示意图。

图4图示了根据本申请实施例的基于多源数据融合的风机变桨系统故障识别方法中所述工作数据特征提取步骤的流程图。

图5图示了根据本申请实施例的基于多源数据融合的风机变桨系统故障识别方法中所述故障识别步骤的流程图。

图6图示了根据本申请实施例的基于多源数据融合的风机变桨系统故障识别系统的框图。

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

应可以理解，由于在现有的技术方案中对于变桨系统的故障进行检测识别时，都仅依靠于振动模式特征来进行，并没有考虑到变桨系统的工作状态特征，这就会导致采集的振动信号的绝对量易受外界环境的干扰进而降低对于所述风机变桨系统故障判断的准确度。例如，外界风力的大小以及风机所处位置的地质活动等因素会造成所述变桨系统的振动绝对量发生改变，进而影响故障判断。

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。

近年来，深度学习以及神经网络的发展为风机变桨系统的故障识别提供了新的解决思路和方案。

基于此，在本申请的技术方案中，通过采用深度神经网络模型来作为特征提取器以提取出变桨系统的在工作时的振动特征，并以风速特征和桨距角特征的融合特征来表示所述变桨系统的工作状态特征。这样再进一步利用所述振动特征与所述工作状态特征之间的转移矩阵来得到振动与工作状态之间的关联性特征信息，以进行所述风机变桨系统的故障识别，进而保证风力发电机的输出效率和安全性。

具体地，在本申请的技术方案中，首先，通过振动传感器采集变桨系统在预定时间段的振动信号，并且还进一步获取所述变桨系统工作过程中的所述预定时间段内多个预定时间点的桨距角和风速值。然后，为了准确地提取出所述预定时间段内多个预定时间点的桨距角和风速值在时间维度上的动态特征信息，考虑到所述桨距角和所述风速值在不同的时间段内会有不同的模式状态，例如会在所述预定时间段内的不同时间跨度下一阵数值大一阵数值小。因此，进一步将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量后，使用多尺度邻域特征提取模块来对其进行处理，以分别提取出所述风速和所述桨距角在不同时间跨度下的动态多尺度邻域关联特征，从而得到桨距角特征向量和风速特征向量。

然后，考虑到所述桨距角特征向量和所述风速特征向量在高维特征空间中都各自对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将各个数值检测数据的特征向量级联来表示各项水质数据的全局的特征表示，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂，在通过梯度下降来寻找最优点时，非常容易陷入局部极值点中而无法获得全局最优点。因此，在本申请的技术方案中，需要进一步地对所述桨距角特征向量和所述风速特征向量进行适当的融合，使得各个特征分布能够相对于彼此在型面上收敛。由于高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。具体地，在本申请的技术方案中，首先使用高斯密度图来融合所述桨距角特征向量和所述风速特征向量以得到融合高斯密度图，接着对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化，以在数据的特征信息的增广时不产生信息损失，从而得到协同作业特征矩阵。这样，能够以所述风速特征和所述桨距角特征的融合特征来表示所述变桨系统的工作状态特征。

进一步地，对于所述变桨系统在预定时间段的振动信号，将其波形图通过在局部隐含特征提取方面具有优异表现的卷积神经网络模型中进行特征挖掘，以提取出所述振动信号的波形图的局部特征在高维空间中的特征分布表示，从而得到振动特征矩阵。

接着，由于所述变桨系统的振动特征与工作状态特征之间的特征尺度不同，并且由于所述变桨系统的工作状态改变会导致所述变桨系统的振动特征发生改变，因此所述变桨系统的振动特征在高维特征空间中可以看作是所述变桨系统的工作状态特征的响应性特征。因此，在本申请的技术方案中，进一步计算所述协同作业特征矩阵相对于所述振动特征矩阵的转移矩阵作为分类特征矩阵，进而以所述振动特征与所述工作状态特征之间的转移矩阵来表示振动与工作状态之间的关联性。这样，就能够准确地挖掘出因所述变桨系统的工作状态而导致其振动变化的关联特征信息，从而以振动与工作状态之间的关联特征通过分类器来进行分类判断，以更准确地进行所述变桨系统的故障诊断。

特别地，在本申请的技术方案中，在对所述融合高斯密度图进行高斯离散化以得到协同作业特征矩阵时，由于高斯离散化本身的随机性，使得所述协同作业特征矩阵会在整体分布上具有局部的随机扰动，这也在计算所述协同作业特征矩阵相对于所述振动特征矩阵的转移矩阵的过程中传递到分类特征矩阵的特征分布中，从而影响分类特征矩阵的分类能力。

因此，优选地，对所述分类特征矩阵，例如记为M进行自适应实例的信息统计归一化，具体为：

μ和σ是特征集合f_i∈M的均值和方差，且N是所述分类特征矩阵M的尺度，即宽度乘以高度，log表示以2为底的对数，且α是加权超参数。

这里，所述自适应实例的信息统计归一化通过特征集合作为自适应实例(adaptive instance)，利用其统计特征的本质内在先验(intrinsic priors)信息来对单个特征值进行动态生成式的信息归一化，同时以特征集合的归一化模长信息作为偏置来进行集合分布域内的不变性描述，这样就实现了尽可能屏蔽特殊实例的扰动分布的特征分布的优化，进而提高分类的准确性。这样，能够准确地对于所述风机变桨系统进行故障识别，以保证风力发电机的输出效率，提高风能的利用率和所述风力发电机的安全性。

图1图示了根据本申请实施例的基于多源数据融合的风机变桨系统故障识别方法的应用场景图。如图1所示，在该应用场景中，通过振动传感器(例如，如图1中所示意的C1)采集风力发电机(例如，如图1中所示意的F)的变桨系统(例如，如图1中所示意的U)在预定时间段的振动信号，并且还进一步通过传感器，例如桨距角测量仪(例如，如图1中所示意的C2)和风速测量仪(例如，如图1中所示意的C3)获取所述变桨系统工作过程中的所述预定时间段内多个预定时间点的桨距角和风速值；然后将获取的振动信号、桨距角和风速值输入至部署基于多源数据融合的风机变桨系统故障识别的服务器(例如，如图1所示意的S)中，其中，所述服务器以基于多源数据融合的风机变桨系统故障识别算法对所述振动信号、桨距角和风速值进行处理，以生成用于表示变桨系统是否存在故障的分类结果。

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基于多源数据融合的风机变桨系统故障识别方法的流程图。如图2所示，根据本申请实施例的基于多源数据融合的风机变桨系统故障识别方法，包括步骤：S110，振动信号采集步骤：获取由振动传感器采集的变桨系统在预定时间段的振动信号；S120，工作数据采集步骤：获取所述预定时间段内多个预定时间点的桨距角和风速值；S130，工作数据特征提取步骤：将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量后通过多尺度邻域特征提取模块以得到桨距角特征向量和风速特征向量；S140，高斯融合步骤：使用高斯密度图来融合所述桨距角特征向量和所述风速特征向量以得到融合高斯密度图；S150，高斯离散步骤：对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到协同作业特征矩阵；S160，振动特征提取步骤：将所述变桨系统在预定时间段的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振动特征矩阵；S170，多源数据融合步骤：计算所述协同作业特征矩阵相对于所述振动特征矩阵的转移矩阵作为分类特征矩阵；S180，特征分布校正步骤：基于所述分类特征矩阵中所有位置的特征值集合的统计特征值，对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵；以及，S190，故障识别步骤：将所述校正后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变桨系统是否存在故障。

图3图示了根据本申请实施例的基于多源数据融合的风机变桨系统故障识别方法的架构示意图。如图3所示，在该网络架构中，首先，获取由振动传感器采集的变桨系统在预定时间段的振动信号；然后，获取所述预定时间段内多个预定时间点的桨距角和风速值；接着，将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量后通过多尺度邻域特征提取模块以得到桨距角特征向量和风速特征向量；然后，使用高斯密度图来融合所述桨距角特征向量和所述风速特征向量以得到融合高斯密度图；接着，对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到协同作业特征矩阵；然后，将所述变桨系统在预定时间段的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振动特征矩阵；接着，计算所述协同作业特征矩阵相对于所述振动特征矩阵的转移矩阵作为分类特征矩阵；然后，基于所述分类特征矩阵中所有位置的特征值集合的统计特征值，对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵；以及，最后，将所述校正后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变桨系统是否存在故障。

在步骤S110和步骤S120中，所述振动信号采集步骤和所述工作数据采集步骤：获取由振动传感器采集的变桨系统在预定时间段的振动信号；以及，获取所述预定时间段内多个预定时间点的桨距角和风速值。如前所述，由于在现有的技术方案中对于变桨系统的故障进行检测识别时，都仅依靠于振动模式特征来进行，并没有考虑到变桨系统的工作状态特征，这就会导致采集的振动信号的绝对量易受外界环境的干扰进而降低对于所述风机变桨系统故障判断的准确度。例如，外界风力的大小以及风机所处位置的地质活动等因素会造成所述变桨系统的振动绝对量发生改变，进而影响故障判断。

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。

近年来，深度学习以及神经网络的发展为风机变桨系统的故障识别提供了新的解决思路和方案。基于此，在本申请的技术方案中，通过采用深度神经网络模型来作为特征提取器以提取出变桨系统的在工作时的振动特征，并以风速特征和桨距角特征的融合特征来表示所述变桨系统的工作状态特征。这样再进一步利用所述振动特征与所述工作状态特征之间的转移矩阵来得到振动与工作状态之间的关联性特征信息，以进行所述风机变桨系统的故障识别，进而保证风力发电机的输出效率和安全性。

具体地，在本申请的技术方案中，首先，通过振动传感器采集变桨系统在预定时间段的振动信号，并且还进一步获取所述变桨系统工作过程中的所述预定时间段内多个预定时间点的桨距角和风速值。

在步骤S130中，所述工作数据特征提取步骤：将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量后通过多尺度邻域特征提取模块以得到桨距角特征向量和风速特征向量。应可以理解，为了准确地提取出所述预定时间段内多个预定时间点的桨距角和风速值在时间维度上的动态特征信息，考虑到所述桨距角和所述风速值在不同的时间段内会有不同的模式状态，例如会在所述预定时间段内的不同时间跨度下一阵数值大一阵数值小。

因此，在本申请的技术方案中，进一步将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量后，使用多尺度邻域特征提取模块来对其进行处理，以分别提取出所述风速值和所述桨距角在不同时间跨度下的动态多尺度邻域关联特征，从而得到桨距角特征向量和风速特征向量。

具体地，在本申请实施例中，图4图示了根据本申请实施例的基于多源数据融合的风机变桨系统故障识别方法中所述工作数据特征提取步骤的流程图，如图4所示，所述工作数据特征提取步骤，包括：S210，工作数据向量化子步骤：将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量；S220，第一尺度邻域特征提取子步骤：将所述桨距角输入向量和所述风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张力关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S230，第二尺度邻域特征提取子步骤：将所述桨距角输入向量和所述风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张力关联特征向量，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，S240，多尺度级联子步骤：将所述第一邻域尺度张力关联特征向量和所述第二邻域尺度张力关联特征向量进行级联以得到所述桨距角特征向量和所述风速特征向量。

进一步地，在本申请实施例中，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桨距角输入向量和所述风速输入向量进行一维卷积编码以得到所述第一邻域尺度张力关联特征向量；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(a)为第一卷积核参数向量、G(x-a)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表示所述桨距角输入向量和所述风速输入向量。

更进一步地，在本申请实施例中，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桨距角输入向量和所述风速输入向量进行一维卷积编码以得到所述第二邻域尺度张力关联特征向量；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(b)为第二卷积核参数向量、G(x-b)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表示所述桨距角输入向量和所述风速输入向量。

值得一提的是，通过这种方式，提取到了不同时间跨度的所述风速特征和所述桨距角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，避免了信息丢失，也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所述风速特征和所述桨距角特征的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。

在步骤S140和步骤S150中，所述高斯融合步骤和所述高斯离散步骤：使用高斯密度图来融合所述桨距角特征向量和所述风速特征向量以得到融合高斯密度图；以及，对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到协同作业特征矩阵。考虑到所述桨距角特征向量和所述风速特征向量在高维特征空间中都各自对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将各个数值检测数据的特征向量级联来表示各项水质数据的全局的特征表示，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂，在通过梯度下降来寻找最优点时，非常容易陷入局部极值点中而无法获得全局最优点。

因此，在本申请的技术方案中，需要进一步地对所述桨距角特征向量和所述风速特征向量进行适当的融合，使得各个特征分布能够相对于彼此在型面上收敛。由于高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。

具体地，在本申请的技术方案中，首先使用高斯密度图来融合所述桨距角特征向量和所述风速特征向量以得到融合高斯密度图，接着对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化，以在数据的特征信息的增广时不产生信息损失，从而得到协同作业特征矩阵。这样，能够以所述风速特征和所述桨距角特征的融合特征来表示所述变桨系统的工作状态特征。

更具体地，使用高斯密度图以如下公式来融合所述桨距角特征向量和所述风速特征向量以得到所述融合高斯密度图；其中，所述公式为：

其中μ表示所述桨距角特征向量和所述风速特征向量之间的按位置均值向量，且σ的每个位置的值表示所述桨距角特征向量和所述风速特征向量中各个位置的特征值之间的方差。

在步骤S160中，所述振动特征提取步骤：将所述变桨系统在预定时间段的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振动特征矩阵。对于所述变桨系统在预定时间段的振动信号，将其波形图通过在局部隐含特征提取方面具有优异表现的卷积神经网络模型中进行特征挖掘，以提取出所述振动信号的波形图的局部特征在高维空间中的特征分布表示，从而得到振动特征矩阵。这里，利用作为特征提取器的卷积神经网络模型来进行处理，可以在特征提取时降低参数的数据，防止过拟合，以提高后续分类的准确性。

应可以理解，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振动特征矩阵，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变桨系统在预定时间段的振动信号的波形图。

也就是，首先将所述变桨系统在预定时间段的振动信号的波形图输入所述作为特征提取器的卷积神经网络模型的第一层，然后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进行卷积处理、均值池化处理和非线性激活处理，最后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振动特征矩阵。

在步骤S170中，所述多源数据融合步骤：计算所述协同作业特征矩阵相对于所述振动特征矩阵的转移矩阵作为分类特征矩阵。由于所述变桨系统的振动特征与工作状态特征之间的特征尺度不同，并且由于所述变桨系统的工作状态改变会导致所述变桨系统的振动特征发生改变，因此所述变桨系统的振动特征在高维特征空间中可以看作是所述变桨系统的工作状态特征的响应性特征。

因此，在本申请的技术方案中，进一步计算所述协同作业特征矩阵相对于所述振动特征矩阵的转移矩阵作为分类特征矩阵，进而以所述振动特征与所述工作状态特征之间的转移矩阵来表示振动与工作状态之间的关联性。这样，就能够准确地挖掘出因所述变桨系统的工作状态而导致其振动变化的关联特征信息，从而以振动与工作状态之间的关联特征通过分类器来进行分类判断，以更准确地进行所述变桨系统的故障诊断。

具体地，以如下公式计算所述协同作业特征矩阵相对于所述振动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：

其中M₁表示所述协同作业特征矩阵，M₂表示所述振动特征矩阵，M表示所述分类特征矩阵，

表示矩阵相乘。

在步骤S180中，所述特征分布校正步骤：基于所述分类特征矩阵中所有位置的特征值集合的统计特征值，对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵。特别地，在本申请的技术方案中，在对所述融合高斯密度图进行高斯离散化以得到协同作业特征矩阵时，由于高斯离散化本身的随机性，使得所述协同作业特征矩阵会在整体分布上具有局部的随机扰动，这也在计算所述协同作业特征矩阵相对于所述振动特征矩阵的转移矩阵的过程中传递到分类特征矩阵的特征分布中，从而影响分类特征矩阵的分类能力。

因此，优选地，对所述分类特征矩阵，例如记为M进行自适应实例的信息统计归一化，也就是基于所述分类特征矩阵中所有位置的特征值集合的统计特征值，以如下公式对所述分类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分类特征矩阵；其中，所述公式为：

其中，f_i表示所述分类特征矩阵中各个位置的特征值，μ和σ是所述分类特征矩阵中所有位置的特征值集合f_i∈M的均值和方差，且N是所述分类特征矩阵M的尺度，log表示以2为底的对数，且α是加权超参数。

这里，所述自适应实例的信息统计归一化通过特征集合作为自适应实例(adaptive instance)，利用其统计特征的本质内在先验(intrinsic priors)信息来对单个特征值进行动态生成式的信息归一化，同时以特征集合的归一化模长信息作为偏置来进行集合分布域内的不变性描述，这样就实现了尽可能屏蔽特殊实例的扰动分布的特征分布的优化，进而提高分类的准确性。这样，能够准确地对于所述风机变桨系统进行故障识别，以保证风力发电机的输出效率，提高风能的利用率和所述风力发电机的安全性。

在步骤S190中，所述故障识别步骤：将所述校正后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变桨系统是否存在故障。也就是，将所述校正后分类特征矩阵输入分类函数以获得分类函数值，其中，所述分类函数值为所述分类结果，其中，所述分类结果用于表示变桨系统是否存在故障。在本申请一具体事例中，将所述校正后分类特征矩阵输入所述分类器的Softmax分类函数以得到用于表示变桨系统是否存在故障的分类结果。

具体地，图5图示了根据本申请实施例的基于多源数据融合的风机变桨系统故障识别方法中所述故障识别步骤的流程图，如图5所示，所述故障识别步骤S190，包括：S310，展开子步骤：将所述校正后分类特征矩阵按照行向量或列向量展开为分类特征向量；以及，S320，分类子步骤：将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

例如，在本申请的一个实施例中，使用所述分类器以如下公式对所述校正后分类特征矩阵进行处理以得到所述分类结果，其中，所述公式为：softmax{(W_n,B_n)：…:(W₁,B₁)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W₁至W_n为各层全连接层的权重矩阵，B₁至B_n表示各层全连接层的偏置矩阵。

综上，基于本申请实施例的基于多源数据融合的风机变桨系统故障识别方法被阐明，其通过卷积神经网络模型作为特征提取器提取变桨系统在工作时的振动特征，通过多尺度邻域特征提取模块提取预定时间段内多个预定时间点的桨距角和风速值在时间维度上的动态特征信息并以风速特征和桨距角特征的融合特征来表示变桨系统的工作状态特征，然后，计算振动特征与工作状态特征之间的转移矩阵以得到振动与工作状态之间的关联性特征信息，最后将振动与工作状态之间的关联特征通过分类器以得到用于表示变桨系统是否存在故障的分类结果。这样，可以准确地对风机变桨系统进行故障识别，以提高风能的利用率和保障风力发电机的安全性。

示例性系统

图6图示了根据本申请实施例的基于多源数据融合的风机变桨系统故障识别系统的框图。如图6所示，根据本申请实施例的基于多源数据融合的风机变桨系统故障识别系统100，其包括：振动信号采集模块110：用于获取由振动传感器采集的变桨系统在预定时间段的振动信号；工作数据采集模块120：用于获取所述预定时间段内多个预定时间点的桨距角和风速值；工作数据特征提取模块130：用于将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量后通过多尺度邻域特征提取模块以得到桨距角特征向量和风速特征向量；高斯融合模块140：用于使用高斯密度图来融合所述桨距角特征向量和所述风速特征向量以得到融合高斯密度图；高斯离散模块150：用于对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到协同作业特征矩阵；振动特征提取模块160：用于将所述变桨系统在预定时间段的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振动特征矩阵；多源数据融合模块170：用于计算所述协同作业特征矩阵相对于所述振动特征矩阵的转移矩阵作为分类特征矩阵；特征分布校正模块180：用于基于所述分类特征矩阵中所有位置的特征值集合的统计特征值，对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵；以及，故障识别模块190：用于将所述校正后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变桨系统是否存在故障。

在本申请的一个实施例中，在上述基于多源数据融合的风机变桨系统故障识别系统100中，所述工作数据特征提取模块，包括：工作数据向量化单元：用于将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量；第一尺度邻域特征提取单元：用于将所述桨距角输入向量和所述风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张力关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度邻域特征提取单元：用于将所述桨距角输入向量和所述风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张力关联特征向量，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，多尺度级联单元：用于将所述第一邻域尺度张力关联特征向量和所述第二邻域尺度张力关联特征向量进行级联以得到所述桨距角特征向量和所述风速特征向量。

在本申请的一个实施例中，在上述基于多源数据融合的风机变桨系统故障识别系统100中，所述第一尺度邻域特征提取单元，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桨距角输入向量和所述风速输入向量进行一维卷积编码以得到所述第一邻域尺度张力关联特征向量；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(a)为第一卷积核参数向量、G(x-a)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表示所述桨距角输入向量和所述风速输入向量；

所述第二尺度邻域特征提取单元，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桨距角输入向量和所述风速输入向量进行一维卷积编码以得到所述第二邻域尺度张力关联特征向量；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(b)为第二卷积核参数向量、G(x-b)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表示所述桨距角输入向量和所述风速输入向量。

在本申请的一个实施例中，在上述基于多源数据融合的风机变桨系统故障识别系统100中，所述高斯融合模块，用于：使用高斯密度图以如下公式来融合所述桨距角特征向量和所述风速特征向量以得到所述融合高斯密度图；其中，所述公式为：

其中μ表示所述桨距角特征向量和所述风速特征向量之间的按位置均值向量，且σ的每个位置的值表示所述桨距角特征向量和所述风速特征向量中各个位置的特征值之间的方差。

在本申请的一个实施例中，在上述基于多源数据融合的风机变桨系统故障识别系统100中，所述振动特征提取模块，用于：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振动特征矩阵，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变桨系统在预定时间段的振动信号的波形图。

在本申请的一个实施例中，在上述基于多源数据融合的风机变桨系统故障识别系统100中，所述多源数据融合模块，用于：以如下公式计算所述协同作业特征矩阵相对于所述振动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：

其中M₁表示所述协同作业特征矩阵，M₂表示所述振动特征矩阵，M表示所述分类特征矩阵，

表示矩阵相乘。

在本申请的一个实施例中，在上述基于多源数据融合的风机变桨系统故障识别系统100中，所述特征分布校正模块，用于：基于所述分类特征矩阵中所有位置的特征值集合的统计特征值，以如下公式对所述分类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分类特征矩阵；其中，所述公式为：

其中，f_i表示所述分类特征矩阵中各个位置的特征值，μ和σ是所述分类特征矩阵中所有位置的特征值集合的均值和方差，且N是所述分类特征矩阵的尺度，log表示以2为底的对数，且α是加权超参数。

在本申请的一个实施例中，在上述基于多源数据融合的风机变桨系统故障识别系统100中，所述故障识别模块，包括：展开单元：用于将所述校正后分类特征矩阵按照行向量或列向量展开为分类特征向量；以及分类单元：将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

这里，本领域技术人员可以理解，上述基于多源数据融合的风机变桨系统故障识别系统100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5的基于多源数据融合的风机变桨系统故障识别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基于多源数据融合的风机变桨系统故障识别系统100可以实现在各种无线终端中，例如用于基于多源数据融合的风机变桨系统故障识别的服务器等。在一个示例中，根据本申请实施例的基于多源数据融合的风机变桨系统故障识别系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于多源数据融合的风机变桨系统故障识别系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于多源数据融合的风机变桨系统故障识别系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该基于多源数据融合的风机变桨系统故障识别系统100与该无线终端也可以是分立的设备，并且该基于多源数据融合的风机变桨系统故障识别系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

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)

1.一种基于多源数据融合的风机变桨系统故障识别方法，其特征在于，包括：

振动信号采集步骤：获取由振动传感器采集的变桨系统在预定时间段的振动信号；

工作数据采集步骤：获取所述预定时间段内多个预定时间点的桨距角和风速值；

工作数据特征提取步骤：将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量后通过多尺度邻域特征提取模块以得到桨距角特征向量和风速特征向量；

高斯融合步骤：使用高斯密度图来融合所述桨距角特征向量和所述风速特征向量以得到融合高斯密度图；

高斯离散步骤：对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到协同作业特征矩阵；

振动特征提取步骤：将所述变桨系统在预定时间段的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振动特征矩阵；

多源数据融合步骤：计算所述协同作业特征矩阵相对于所述振动特征矩阵的转移矩阵作为分类特征矩阵；

特征分布校正步骤：基于所述分类特征矩阵中所有位置的特征值集合的统计特征值，对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵；以及

故障识别步骤：将所述校正后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变桨系统是否存在故障。

2.根据权利要求1所述的基于多源数据融合的风机变桨系统故障识别方法，其特征在于，所述工作数据特征提取步骤，包括：

工作数据向量化子步骤：将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量；

第一尺度邻域特征提取子步骤：将所述桨距角输入向量和所述风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张力关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；

第二尺度邻域特征提取子步骤：将所述桨距角输入向量和所述风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张力关联特征向量，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

多尺度级联子步骤：将所述第一邻域尺度张力关联特征向量和所述第二邻域尺度张力关联特征向量进行级联以得到所述桨距角特征向量和所述风速特征向量。

3.根据权利要求2所述的基于多源数据融合的风机变桨系统故障识别方法，其特征在于，

所述第一尺度邻域特征提取子步骤，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桨距角输入向量和所述风速输入向量进行一维卷积编码以得到所述第一邻域尺度张力关联特征向量；

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(a)为第一卷积核参数向量、G(x-a)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表示所述桨距角输入向量和所述风速输入向量；

所述第二尺度邻域特征提取子步骤，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桨距角输入向量和所述风速输入向量进行一维卷积编码以得到所述第二邻域尺度张力关联特征向量；

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(b)为第二卷积核参数向量、G(x-b)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表示所述桨距角输入向量和所述风速输入向量。

4.根据权利要求3所述的基于多源数据融合的风机变桨系统故障识别方法，其特征在于，所述高斯融合步骤，包括：

使用高斯密度图以如下公式来融合所述桨距角特征向量和所述风速特征向量以得到所述融合高斯密度图；

其中，所述公式为：

其中μ表示所述桨距角特征向量和所述风速特征向量之间的按位置均值向量，且σ的每个位置的值表示所述桨距角特征向量和所述风速特征向量中各个位置的特征值之间的方差。

5.根据权利要求4所述的基于多源数据融合的风机变桨系统故障识别方法，其特征在于，所述振动特征提取步骤，包括：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振动特征矩阵，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变桨系统在预定时间段的振动信号的波形图。

6.根据权利要求5所述的基于多源数据融合的风机变桨系统故障识别方法，其特征在于，所述多源数据融合步骤，包括：

以如下公式计算所述协同作业特征矩阵相对于所述振动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：

其中M₁表示所述协同作业特征矩阵，M₂表示所述振动特征矩阵，M表示所述分类特征矩阵，

表示矩阵相乘。

7.根据权利要求6所述的基于多源数据融合的风机变桨系统故障识别方法，其特征在于，所述特征分布校正步骤，包括：

基于所述分类特征矩阵中所有位置的特征值集合的统计特征值，以如下公式对所述分类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分类特征矩阵；

其中，所述公式为：

其中，f_i表示所述分类特征矩阵中各个位置的特征值，μ和σ是所述分类特征矩阵中所有位置的特征值集合的均值和方差，且N是所述分类特征矩阵的尺度，log表示以2为底的对数，且α是加权超参数。

8.根据权利要求7所述的基于多源数据融合的风机变桨系统故障识别方法，其特征在于，所述故障识别步骤，包括：

展开子步骤：将所述校正后分类特征矩阵按照行向量或列向量展开为分类特征向量；以及

分类子步骤：将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

9.一种基于多源数据融合的风机变桨系统故障识别系统，其特征在于，包括：

振动信号采集模块：用于获取由振动传感器采集的变桨系统在预定时间段的振动信号；

工作数据采集模块：用于获取所述预定时间段内多个预定时间点的桨距角和风速值；

工作数据特征提取模块：用于将所述预定时间段内多个预定时间点的桨距角和风速值分别排列为桨距角输入向量和风速输入向量后通过多尺度邻域特征提取模块以得到桨距角特征向量和风速特征向量；

高斯融合模块：用于使用高斯密度图来融合所述桨距角特征向量和所述风速特征向量以得到融合高斯密度图；

高斯离散模块：用于对所述融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到协同作业特征矩阵；

振动特征提取模块：用于将所述变桨系统在预定时间段的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振动特征矩阵；

多源数据融合模块：用于计算所述协同作业特征矩阵相对于所述振动特征矩阵的转移矩阵作为分类特征矩阵；

特征分布校正模块：用于基于所述分类特征矩阵中所有位置的特征值集合的统计特征值，对所述分类特征矩阵中各个位置的特征值进行校正以得到校正后分类特征矩阵；以及

故障识别模块：用于将所述校正后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变桨系统是否存在故障。

10.根据权利要求9所述的基于多源数据融合的风机变桨系统故障识别系统，其特征在于，所述高斯融合模块，用于：

使用高斯密度图以如下公式来融合所述桨距角特征向量和所述风速特征向量以得到所述融合高斯密度图；

其中，所述公式为：

其中μ表示所述桨距角特征向量和所述风速特征向量之间的按位置均值向量，且σ的每个位置的值表示所述桨距角特征向量和所述风速特征向量中各个位置的特征值之间的方差。

Images