CN115788793A - 全局监控预警方法及其系统 - Google Patents

Abstract

本申请涉及风轮子系统的领域，其具体地公开了一种全局监控预警方法及其系统，其通过包含一维卷积层和全连接层的编码器模型对多个时间点的外部参数数据进行高维关联特征提取以获得第一特征向量和第二特征向量，并利用基于上下文的编码器模型与卷积神经网络挖掘出对应于所述各个时间点的内部参数数据的具有全局性的高维隐含关联性特征以获得第一分类矩阵，这样将所述第一分类矩阵拆分成多个高斯密度图，再分别计算所述第一特征向量和所述第二特征向量相对于该所述多个高斯密度图的响应性，从而改进所述特征向量的各个位置的特征值在不同位置间的响应的一致性，以及实现所述特征向量在响应范围上与目标特征空间在样本维度之间的一定程度的匹配。

Description

全局监控预警方法及其系统

技术领域

本发明涉及风轮子系统的领域，且更为具体地，涉及一种全局监控预警方法及其系统。

背景技术

风轮子系统是风力机能量转换的重要部分，由叶片、轮毂和变桨系统组成，子部件间具有较强的耦合性，且工作环境恶劣，易造成风轮失衡、叶片和轮毂腐蚀、破损、传感器故障等，使风轮子系统成为风力机发生故障率较高的部件之一。因此对风轮子系统进行运行状态评估及预警，能有效减少风力机组的运营成本和停机时间。

传统的故障分析方法只研究了风轮子系统内部的某个机构，有些只分析了额定风速到切出风速工况下变桨系统的状态监测，不能较全面的分析风轮子系统的运行状态。因此，期待一种全局监控预警方法来全面的分析风轮子系统的运行状态，以减少风力机组的运营成本和停机时间。

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轮子系统的全局监控预警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全局监控预警方法及其系统，其通过包含一维卷积层和全连接层的编码器模型对多个时间点的外部参数数据进行高维关联特征提取以获得第一特征向量和第二特征向量，并利用基于上下文的编码器模型与卷积神经网络挖掘出对应于所述各个时间点的内部参数数据的具有全局性的高维隐含关联性特征以获得第一分类矩阵，这样将所述第一分类矩阵拆分成多个高斯密度图，再分别计算所述第一特征向量和所述第二特征向量相对于该所述多个高斯密度图的响应性，从而改进所述特征向量的各个位置的特征值在不同位置间的响应的一致性，以及实现所述特征向量在响应范围上与目标特征空间在样本维度之间的一定程度的匹配。

根据本申请的一个方面，提供了一种全局监控预警方法，其包括：

获取风轮子系统在预定时间段的多个时间点的内部参数数据以及所述多个时间点的外部参数数据，所述内部参数数据包括变桨电机温度、变桨电池柜温度、轮毂内温度、偏航角度、变桨电机电池电压、中轴线与风速夹角、变桨驱动器温度、变桨电机电流和桨距角，所述外部参数数据包括风力和风速；

将所述多个时间点的外部参数数据中的风力和风速分别通过包含一维卷积层和全连接层的编码器模型以生成对应于风力的第一特征向量和对应于风速的第二特征向量；

将所述多个时间点的内部参数数据按照时间维度分别输入包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量；

将所述对应于各个时间点的内部参数数据的第三特征向量二维排列为输入矩阵后通过卷积神经网络模型以生成第一分类矩阵；

基于所述第一分类特征向量中沿时间维度的每个行向量构造高斯密度图以获得t个高斯密度图，其中，各个所述高斯密度图的均值向量为各个所述行向量，各个所述高斯密度图的协方差矩阵为各个所述行向量与所有其他行向量之间的协方差；

将所述t个高斯密度图组合为高斯混合模型，其中，所述高斯混合模型的均值向量为各个所述高斯密度图的均值向量的加权和，各个所述高斯密度图的均值向量的加权权重之和为1，所述高斯混合模型的协方差矩阵为各个所述高斯密度图的协方差矩阵的加权和，各个所述高斯密度图的协方差矩阵的加权权重之和为1；

分别计算所述第一特征向量和所述第二特征向量相对于所述高斯混合模型的响应性估计以获得第一响应性特征向量和第二响应性特征向量，其中，所述响应性估计为所述第一特征向量或所述第二特征向量与所述高斯混合模型的均值向量与所述高斯混合模型的协方差矩阵之间的向量乘积的逐点去倒数的向量之间的按位置点乘；

融合所述第一响应性特征向量和所述第二响应性特征向量以生成分类特征向量；

将所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示是否产生预警。

根据本申请的另一方面，提供了一种全局监控预警系统，其包括：

参数数据获取单元，用于获取风轮子系统在预定时间段的多个时间点的内部参数数据以及所述多个时间点的外部参数数据，所述内部参数数据包括变桨电机温度、变桨电池柜温度、轮毂内温度、偏航角度、变桨电机电池电压、中轴线与风速夹角、变桨驱动器温度、变桨电机电流和桨距角，所述外部参数数据包括风力和风速；

外部编码单元，用于将所述参数数据获取单元获得的所述多个时间点的外部参数数据中的风力和风速分别通过包含一维卷积层和全连接层的编码器模型以生成对应于风力的第一特征向量和对应于风速的第二特征向量；

内部编码单元，用于将所述参数数据获取单元获得的所述多个时间点的内部参数数据按照时间维度分别输入包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量；

卷积单元，用于将所述内部编码单元获得的所述对应于各个时间点的内部参数数据的第三特征向量二维排列为输入矩阵后通过卷积神经网络模型以生成第一分类矩阵；

高斯密度图构造单元，用于基于所述卷积单元获得的所述第一分类特征向量中沿时间维度的每个行向量构造高斯密度图以获得t个高斯密度图，其中，各个所述高斯密度图的均值向量为各个所述行向量，各个所述高斯密度图的协方差矩阵为各个所述行向量与所有其他行向量之间的协方差；

高斯混合模型生成单元，用于将所述高斯密度图构造单元获得的所述t个高斯密度图组合为高斯混合模型，其中，所述高斯混合模型的均值向量为各个所述高斯密度图的均值向量的加权和，各个所述高斯密度图的均值向量的加权权重之和为1，所述高斯混合模型的协方差矩阵为各个所述高斯密度图的协方差矩阵的加权和，各个所述高斯密度图的协方差矩阵的加权权重之和为1；

响应性估计计算单元，用于分别计算所述外部编码单元获得的所述第一特征向量和所述外部编码单元获得的所述第二特征向量相对于所述高斯混合模型生成单元获得的所述高斯混合模型的响应性估计以获得第一响应性特征向量和第二响应性特征向量，其中，所述响应性估计为所述第一特征向量或所述第二特征向量与所述高斯混合模型的均值向量与所述高斯混合模型的协方差矩阵之间的向量乘积的逐点去倒数的向量之间的按位置点乘；

融合单元，用于融合所述响应性估计计算单元获得的所述第一响应性特征向量和所述响应性估计计算单元获得的所述第二响应性特征向量以生成分类特征向量；以及

分类单元，用于将所述融合单元获得的所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示是否产生预警。

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全局监控预警方法。

与现有技术相比，本申请提供的全局监控预警方法及其系统，其通过包含一维卷积层和全连接层的编码器模型对多个时间点的外部参数数据进行高维关联特征提取以获得第一特征向量和第二特征向量，并利用基于上下文的编码器模型与卷积神经网络挖掘出对应于所述各个时间点的内部参数数据的具有全局性的高维隐含关联性特征以获得第一分类矩阵，这样将所述第一分类矩阵拆分成多个高斯密度图，再分别计算所述第一特征向量和所述第二特征向量相对于该所述多个高斯密度图的响应性，从而改进所述特征向量的各个位置的特征值在不同位置间的响应的一致性，以及实现所述特征向量在响应范围上与目标特征空间在样本维度之间的一定程度的匹配。

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全局监控预警方法的风轮子系统相关参数与主轴转速的相关性示意图；

图2为根据本申请实施例的全局监控预警方法的流程图；

图3为根据本申请实施例的全局监控预警方法的系统架构示意图；

图4为根据本申请实施例的全局监控预警系统的框图。

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

如前所述，风轮子系统是风力机能量转换的重要部分，由叶片、轮毂和变桨系统组成，子部件间具有较强的耦合性，且工作环境恶劣，易造成风轮失衡、叶片和轮毂腐蚀、破损、传感器故障等，使风轮子系统成为风力机发生故障率较高的部件之一。因此对风轮子系统进行运行状态评估及预警，能有效减少风力机组的运营成本和停机时间。

传统的故障分析方法只研究了风轮子系统内部的某个机构，有些只分析了额定风速到切出风速工况下变桨系统的状态监测，不能较全面的分析风轮子系统的运行状态。因此，期待一种全局监控预警方法来全面的分析风轮子系统的运行状态，以减少风力机组的运营成本和停机时间。

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轮子系统的全局监控预警提供了新的解决思路和方案。

应可以理解，如图1所示，这里的参数中，风向和风速是环境要素，对风力机的运行状态及控制至关重要，而其他参数是风力机的控制参数，也就是，基于环境因素的响应结果。因此，在本申请的技术方案中，期望基于内部参数和外部参数来综合对风轮子系统进行运行状态评估及预警。而这本质上也是一个分类的问题，也就是，通过深度神经网络来对内部参数和外部参数进行特征提取，并使用分类器对风轮子系统是否产生预警进行分类判断。

基于此，在本申请的技术方案中，首先获取风轮子系统在预定时间段的多个时间点的内部参数数据以及所述多个时间点的外部参数数据，这里的内部参数数据包括变桨电机温度、变桨电池柜温度、轮毂内温度、偏航角度、变桨电机电池电压、中轴线与风速夹角、变桨驱动器温度、变桨电机电流和桨距角，外部参数数据包括风力和风速。

接着，将多个时间点的外部参数数据中的风力和风速分别通过包含一维卷积层和全连接层的编码器模型，以分别提取出外部参数数据中的风力和风速在多个时间点的高维隐含关联特征，从而生成对应于风力的第一特征向量和对应于风速的第二特征向量。

并且，将多个时间点的内部参数数据按照时间维度分别输入包含嵌入层的基于上下文的编码器模型以获得具有全局性数据关联信息的多个特征向量。然后，将获得的多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量。进一步地，将对应于各个时间点的内部参数数据的第三特征向量二维排列为输入矩阵后通过卷积神经网络模型以生成第一分类矩阵，这里的第一分类矩阵含有多个时间点的内部参数数据的高维隐含关联性特征。

由于两者在特征的样本维度上存在显著的差异，在本申请的技术方案中，进一步将第一分类矩阵拆分成多个高斯密度图，再分别计算第一特征向量和第二特征向量相对于该多个高斯密度图的响应性，从而改进特征向量的各个位置的特征值在不同位置间的响应的一致性，以及实现特征向量在响应范围上与目标特征空间在样本维度之间的一定程度的匹配。

具体地，针对第一分类矩阵沿时间维度的每个行向量构造高斯密度图，该高斯密度图的均值向量为该行向量，例如记为V，且协方差矩阵为该行向量与所有行向量的均值向量，例如记为

之间的协方差，即

则得到t个高斯密度图。然后，将该t个高斯密度图组合为高斯混合模型：

然后分别计算第一特征向量和第二特征向量相对于高斯混合模型的响应性向量，表示为：

其中⊙表示点乘，

表示向量乘积，且⊙-1表示对

得到的向量逐点取倒数。

然后，将第一特征向量和第二特征向量各自的响应性向量融合得到分类向量。

基于此，本申请提出了一种全局监控预警方法，其包括：获取风轮子系统在预定时间段的多个时间点的内部参数数据以及所述多个时间点的外部参数数据，所述内部参数数据包括变桨电机温度、变桨电池柜温度、轮毂内温度、偏航角度、变桨电机电池电压、中轴线与风速夹角、变桨驱动器温度、变桨电机电流和桨距角，所述外部参数数据包括风力和风速；将所述多个时间点的外部参数数据中的风力和风速分别通过包含一维卷积层和全连接层的编码器模型以生成对应于风力的第一特征向量和对应于风速的第二特征向量；将所述多个时间点的内部参数数据按照时间维度分别输入包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量；将所述对应于各个时间点的内部参数数据的第三特征向量二维排列为输入矩阵后通过卷积神经网络模型以生成第一分类矩阵；基于所述第一分类特征向量中沿时间维度的每个行向量构造高斯密度图以获得t个高斯密度图，其中，各个所述高斯密度图的均值向量为各个所述行向量，各个所述高斯密度图的协方差矩阵为各个所述行向量与所有其他行向量之间的协方差；将所述t个高斯密度图组合为高斯混合模型，其中，所述高斯混合模型的均值向量为各个所述高斯密度图的均值向量的加权和，各个所述高斯密度图的均值向量的加权权重之和为1，所述高斯混合模型的协方差矩阵为各个所述高斯密度图的协方差矩阵的加权和，各个所述高斯密度图的协方差矩阵的加权权重之和为1；分别计算所述第一特征向量和所述第二特征向量相对于所述高斯混合模型的响应性估计以获得第一响应性特征向量和第二响应性特征向量，其中，所述响应性估计为所述第一特征向量或所述第二特征向量与所述高斯混合模型的均值向量与所述高斯混合模型的协方差矩阵之间的向量乘积的逐点去倒数的向量之间的按位置点乘；融合所述第一响应性特征向量和所述第二响应性特征向量以生成分类特征向量；将所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示是否产生预警。

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图示了全局监控预警方法的流程图。如图2所示，根据本申请实施例的全局监控预警方法，包括：S110，获取风轮子系统在预定时间段的多个时间点的内部参数数据以及所述多个时间点的外部参数数据，所述内部参数数据包括变桨电机温度、变桨电池柜温度、轮毂内温度、偏航角度、变桨电机电池电压、中轴线与风速夹角、变桨驱动器温度、变桨电机电流和桨距角，所述外部参数数据包括风力和风速；S120，将所述多个时间点的外部参数数据中的风力和风速分别通过包含一维卷积层和全连接层的编码器模型以生成对应于风力的第一特征向量和对应于风速的第二特征向量；S130，将所述多个时间点的内部参数数据按照时间维度分别输入包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量；S140，将所述对应于各个时间点的内部参数数据的第三特征向量二维排列为输入矩阵后通过卷积神经网络模型以生成第一分类矩阵；S150，基于所述第一分类特征向量中沿时间维度的每个行向量构造高斯密度图以获得t个高斯密度图，其中，各个所述高斯密度图的均值向量为各个所述行向量，各个所述高斯密度图的协方差矩阵为各个所述行向量与所有其他行向量之间的协方差；S160，将所述t个高斯密度图组合为高斯混合模型，其中，所述高斯混合模型的均值向量为各个所述高斯密度图的均值向量的加权和，各个所述高斯密度图的均值向量的加权权重之和为1，所述高斯混合模型的协方差矩阵为各个所述高斯密度图的协方差矩阵的加权和，各个所述高斯密度图的协方差矩阵的加权权重之和为1；S170，分别计算所述第一特征向量和所述第二特征向量相对于所述高斯混合模型的响应性估计以获得第一响应性特征向量和第二响应性特征向量，其中，所述响应性估计为所述第一特征向量或所述第二特征向量与所述高斯混合模型的均值向量与所述高斯混合模型的协方差矩阵之间的向量乘积的逐点去倒数的向量之间的按位置点乘；S180，融合所述第一响应性特征向量和所述第二响应性特征向量以生成分类特征向量；S190，将所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示是否产生预警。

图3图示了根据本申请实施例的全局监控预警方法的架构示意图。如图3所示，在所述全局监控预警方法的网络架构中，首先，将获取的所述多个时间点的外部参数数据中的风力(例如，如图3中所示意的P1)和风速(例如，如图3中所示意的P2)分别通过包含一维卷积层和全连接层的编码器模型(例如，如图3中所示意的E1)以生成对应于风力的第一特征向量(例如，如图3中所示意的VF1)和对应于风速的第二特征向量(例如，如图3中所示意的VF2)；接着，将所述多个时间点的内部参数数据(例如，如图3中所示意的Q)按照时间维度分别输入包含嵌入层的基于上下文的编码器模型(例如，如图3中所示意的E2)以获得多个特征向量(例如，如图3中所示意的VF)，并将所述多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量(例如，如图3中所示意的VF3)；然后，将所述对应于各个时间点的内部参数数据的第三特征向量二维排列为输入矩阵(例如，如图3中所示意的M)后通过卷积神经网络模型(例如，如图3中所示意的CNN)以生成第一分类矩阵(例如，如图3中所示意的MF1)；接着，基于所述第一分类特征向量中沿时间维度的每个行向量构造高斯密度图以获得t个高斯密度图(例如，如图3中所示意的GD)；然后，将所述t个高斯密度图组合为高斯混合模型(例如，如图3中所示意的GMM)；接着，分别计算所述第一特征向量和所述第二特征向量相对于所述高斯混合模型的响应性估计以获得第一响应性特征向量(例如，如图3中所示意的V1)和第二响应性特征向量(例如，如图3中所示意的V2)；然后，融合所述第一响应性特征向量和所述第二响应性特征向量以生成分类特征向量(例如，如图3中所示意的V)；最后，将所述分类特征向量通过分类器(例如，如图3中所示意的圈S)以获得分类结果，其中，所述分类结果用于表示是否产生预警。

在步骤S110和步骤S120中，获取风轮子系统在预定时间段的多个时间点的内部参数数据以及所述多个时间点的外部参数数据，所述内部参数数据包括变桨电机温度、变桨电池柜温度、轮毂内温度、偏航角度、变桨电机电池电压、中轴线与风速夹角、变桨驱动器温度、变桨电机电流和桨距角，所述外部参数数据包括风力和风速，并将所述多个时间点的外部参数数据中的风力和风速分别通过包含一维卷积层和全连接层的编码器模型以生成对应于风力的第一特征向量和对应于风速的第二特征向量。如前所述，应可以理解，如图1所示，这些参数中，风向和风速是环境要素，对风力机的运行状态及控制至关重要，而其他参数是风力机的控制参数，也就是，基于环境因素的响应结果。因此，在本申请的技术方案中，期望基于内部参数和外部参数来综合对风轮子系统进行运行状态评估及预警。而这本质上也是一个分类的问题，也就是，通过深度神经网络来对所述内部参数和所述外部参数进行特征提取，并使用分类器对所述风轮子系统是否产生预警信号进行分类判断。

基于此，在本申请的技术方案中，首先通过设置于风轮子系统的各个传感器获取风轮子系统在预定时间段的多个时间点的内部参数数据以及所述多个时间点的外部参数数据，这里所述内部参数数据包括变桨电机温度、变桨电池柜温度、轮毂内温度、偏航角度、变桨电机电池电压、中轴线与风速夹角、变桨驱动器温度、变桨电机电流和桨距角，所述外部参数数据包括风力和风速。接着，将所述多个时间点的外部参数数据中的风力和风速数据分别通过包含一维卷积层和全连接层的编码器模型，以分别提取出外部参数数据中的风力和风速在多个时间点的高维隐含关联特征，从而生成对应于风力的第一特征向量和对应于风速的第二特征向量。

具体地，在本申请实施例中，将所述多个时间点的外部参数数据中的风力和风速分别通过包含一维卷积层和全连接层的编码器模型以生成对应于风力的第一特征向量和对应于风速的第二特征向量的过程，包括：首先，将所述多个时间点的外部参数数据中的风力和风速分别按照时间维度排列为对应于所述外部参数数据中的风力和风速的一维的输入向量。接着，使用所述时序编码器的全连接层以如下公式分别对所述风力和所述风速的输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘。然后，使用所述时序编码器的一维卷积层以如下公式分别对所述风力和所述风速的输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。

在步骤S130中，将所述多个时间点的内部参数数据按照时间维度分别输入包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量。也就是，在本申请的技术方案中，为了基于所述内部参数特征和所述外部参数特征来综合对所述风轮子系统进行运行状态评估及预警，还需要将获取的所述多个时间点的内部参数数据按照时间维度分别输入包含嵌入层的基于上下文的编码器模型中进行编码处理，以获得具有全局性数据关联信息的多个特征向量。然后，就可以将所述多个特征向量进行级联以生成对应于所述各个时间点的内部参数数据的第三特征向量，以便于后续对所述各个时间点的内部参数数据特征进行隐含关联特征提取。

具体地，在本申请实施例中，将所述多个时间点的内部参数数据按照时间维度分别输入包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量的过程，包括：首先，使用所述基于上下文的编码器模型的嵌入层将所述多个时间点的内部参数数据按照时间维度分别转化为输入向量以获得多个输入向量的序列。然后，使用所述基于上下文的编码器模型的转换器分别对所述多个输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量。最后，将所述多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量。

在步骤S140中，将所述对应于各个时间点的内部参数数据的第三特征向量二维排列为输入矩阵后通过卷积神经网络模型以生成第一分类矩阵。也就是，在本申请的技术方案中，在得到对应于所述各个时间点的内部参数数据特征的第三特征向量后，进一步地，将所述第三特征向量进行二维排列以整合所述各个时间点的内部参数数据的特征信息，从而获得输入矩阵。然后，将其通过卷积神经网络模型中进行处理，以提取出所述各个时间点的内部参数数据的高维隐含关联特征，从而生成第一分类矩阵。

相应地，在一个具体示例中，将所述对应于各个时间点的内部参数数据的第三特征向量二维排列为输入矩阵；进一步地，所述卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层生成所述第一分类矩阵，其中，所述卷积神经网络的第一层的输入为所述输入矩阵。

在步骤S150中，基于所述第一分类特征向量中沿时间维度的每个行向量构造高斯密度图以获得t个高斯密度图，其中，各个所述高斯密度图的均值向量为各个所述行向量，各个所述高斯密度图的协方差矩阵为各个所述行向量与所有其他行向量之间的协方差。应可以理解，由于所述内部参数特征和所述外部参数特征这两者在特征的样本维度上存在显著的差异，因此，在本申请的技术方案中，进一步将所述第一分类矩阵拆分成多个高斯密度图，再分别计算所述第一特征向量和所述第二特征向量相对于该所述多个高斯密度图的响应性，从而改进所述特征向量的各个位置的特征值在不同位置间的响应的一致性，以及实现所述特征向量在响应范围上与目标特征空间在样本维度之间的一定程度的匹配。

也就是，具体地，首先，基于所述第一分类特征向量中沿时间维度的每个行向量构造高斯密度图以获得t个高斯密度图

μ_i表示所述第一分类特征向量中沿时间维度的每个行向量，例如记为V，且∑_i表示所述第一分类特征向量中沿时间维度的每个行向量与所有其他行向量之间的协方差，例如记为

之间的协方差，即

则得到t个高斯密度图。

在步骤S160中，将所述t个高斯密度图组合为高斯混合模型，其中，所述高斯混合模型的均值向量为各个所述高斯密度图的均值向量的加权和，各个所述高斯密度图的均值向量的加权权重之和为1，所述高斯混合模型的协方差矩阵为各个所述高斯密度图的协方差矩阵的加权和，各个所述高斯密度图的协方差矩阵的加权权重之和为1。应可以理解，考虑到所述各个参数数据之间具有不同的目标尺度，因此，在本申请的技术方案中，使用高斯混合模型来改进密度图特征分布的一致性，以及实现特征分布与目标尺度之间的一定程度的匹配。也就是，在本申请的技术方案中，进一步将所述t个高斯密度图组合为高斯混合模型

具体地，在本申请实施例中，将所述t个高斯密度图组合为高斯混合模型的过程，包括：以如下公式将所述t个高斯密度图组合为高斯混合模型；

其中，所述公式为：

在步骤S170中，分别计算所述第一特征向量和所述第二特征向量相对于所述高斯混合模型的响应性估计以获得第一响应性特征向量和第二响应性特征向量，其中，所述响应性估计为所述第一特征向量或所述第二特征向量与所述高斯混合模型的均值向量与所述高斯混合模型的协方差矩阵之间的向量乘积的逐点去倒数的向量之间的按位置点乘。应可以理解，由于所述各自参数数据的特征尺度不同，并且所述内部参数特征在高维空间中可以看作是针对所述外部参数特征的响应特征，因此为了更好地融合所述内部参数特征和所述外部参数特征，在本申请的技术方案中，进一步分别计算所述第一特征向量和所述第二特征向量相对于所述高斯混合模型的响应性估计以获得第一响应性特征向量和第二响应性特征向量。

具体地，在本申请实施例中，分别计算所述第一特征向量和所述第二特征向量相对于所述高斯混合模型的响应性估计以获得第一响应性特征向量和第二响应性特征向量的过程，包括：以如下公式分别计算所述第一特征向量和所述第二特征向量相对于所述高斯混合模型的响应性估计以获得第一响应性特征向量和第二响应性特征向量；

其中，所述公式为：

其中⊙表示点乘，

表示向量乘积，且⊙-1表示对

得到的向量逐点取倒数。

在步骤S180和步骤S190中，融合所述第一响应性特征向量和所述第二响应性特征向量以生成分类特征向量，并将所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示是否产生预警。也就是，在本申请的技术方案中，在得到所述第一响应性特征向量和所述第二响应性特征向量后，进一步将这两个所述响应性特征向量进行融合，以生成分类特征向量。相应地，在一个具体示例中，计算所述第一响应性特征向量和所述第二响应性特征向量之间的按位置加权和以生成所述分类特征向量：f＝f'₁+f'₂。然后，进一步将所述分类特征向量通过分类器以获得用于表示是否产生预警的分类结果。

具体地，在本申请实施例中，将所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示是否产生预警，包括：使用所述分类器以如下公式对所述分类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{(W_n,B_n):…:(W₁,B₁)|X}，其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，X为分类特征向量。

综上，本申请实施例的全局监控预警方法被阐明，其通过包含一维卷积层和全连接层的编码器模型对多个时间点的外部参数数据进行高维关联特征提取以获得第一特征向量和第二特征向量，并利用基于上下文的编码器模型与卷积神经网络挖掘出对应于所述各个时间点的内部参数数据的具有全局性的高维隐含关联性特征以获得第一分类矩阵，这样将所述第一分类矩阵拆分成多个高斯密度图，再分别计算所述第一特征向量和所述第二特征向量相对于该所述多个高斯密度图的响应性，从而改进所述特征向量的各个位置的特征值在不同位置间的响应的一致性，以及实现所述特征向量在响应范围上与目标特征空间在样本维度之间的一定程度的匹配。

示例性系统

图4图示了根据本申请实施例的全局监控预警系统的框图。如图4所示，根据本申请实施例的全局监控预警系统400，包括：参数数据获取单元410，用于获取风轮子系统在预定时间段的多个时间点的内部参数数据以及所述多个时间点的外部参数数据，所述内部参数数据包括变桨电机温度、变桨电池柜温度、轮毂内温度、偏航角度、变桨电机电池电压、中轴线与风速夹角、变桨驱动器温度、变桨电机电流和桨距角，所述外部参数数据包括风力和风速；外部编码单元420，用于将所述参数数据获取单元410获得的所述多个时间点的外部参数数据中的风力和风速分别通过包含一维卷积层和全连接层的编码器模型以生成对应于风力的第一特征向量和对应于风速的第二特征向量；内部编码单元430，用于将所述参数数据获取单元410获得的所述多个时间点的内部参数数据按照时间维度分别输入包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量；卷积单元440，用于将所述内部编码单元430获得的所述对应于各个时间点的内部参数数据的第三特征向量二维排列为输入矩阵后通过卷积神经网络模型以生成第一分类矩阵；高斯密度图构造单元450，用于基于所述卷积单元440获得的所述第一分类特征向量中沿时间维度的每个行向量构造高斯密度图以获得t个高斯密度图，其中，各个所述高斯密度图的均值向量为各个所述行向量，各个所述高斯密度图的协方差矩阵为各个所述行向量与所有其他行向量之间的协方差；高斯混合模型生成单元460，用于将所述高斯密度图构造单元450获得的所述t个高斯密度图组合为高斯混合模型，其中，所述高斯混合模型的均值向量为各个所述高斯密度图的均值向量的加权和，各个所述高斯密度图的均值向量的加权权重之和为1，所述高斯混合模型的协方差矩阵为各个所述高斯密度图的协方差矩阵的加权和，各个所述高斯密度图的协方差矩阵的加权权重之和为1；响应性估计计算单元470，用于分别计算所述外部编码单元420获得的所述第一特征向量和所述外部编码单元420获得的所述第二特征向量相对于所述高斯混合模型生成单元460获得的所述高斯混合模型的响应性估计以获得第一响应性特征向量和第二响应性特征向量，其中，所述响应性估计为所述第一特征向量或所述第二特征向量与所述高斯混合模型的均值向量与所述高斯混合模型的协方差矩阵之间的向量乘积的逐点去倒数的向量之间的按位置点乘；融合单元480，用于融合所述响应性估计计算单元470获得的所述第一响应性特征向量和所述响应性估计计算单元470获得的所述第二响应性特征向量以生成分类特征向量；以及，分类单元490，用于将所述融合单元480获得的所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示是否产生预警。

这里，本领域技术人员可以理解，上述全局监控预警系统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的全局监控预警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全局监控预警系统400可以实现在各种终端设备中，例如全局监控预警算法的服务器等。在一个示例中，根据本申请实施例的全局监控预警系统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，该全局监控预警系统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，该全局监控预警系统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，该全局监控预警系统400与该终端设备也可以是分立的设备，并且该全局监控预警系统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全局监控预警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“示例性方法”部分中描述的全局监控预警方法中的步骤。

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、系统或器件，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)

1.一种全局监控预警方法，其特征在于，包括：

获取风轮子系统在预定时间段的多个时间点的内部参数数据以及所述多个时间点的外部参数数据，所述内部参数数据包括变桨电机温度、变桨电池柜温度、轮毂内温度、偏航角度、变桨电机电池电压、中轴线与风速夹角、变桨驱动器温度、变桨电机电流和桨距角，所述外部参数数据包括风力和风速；

将所述多个时间点的外部参数数据中的风力和风速分别通过包含一维卷积层和全连接层的编码器模型以生成对应于风力的第一特征向量和对应于风速的第二特征向量；

将所述多个时间点的内部参数数据按照时间维度分别输入包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量；

将所述对应于各个时间点的内部参数数据的第三特征向量二维排列为输入矩阵后通过卷积神经网络模型以生成第一分类矩阵；

基于所述第一分类特征向量中沿时间维度的每个行向量构造高斯密度图以获得t个高斯密度图，其中，各个所述高斯密度图的均值向量为各个所述行向量，各个所述高斯密度图的协方差矩阵为各个所述行向量与所有其他行向量之间的协方差；

将所述t个高斯密度图组合为高斯混合模型，其中，所述高斯混合模型的均值向量为各个所述高斯密度图的均值向量的加权和，各个所述高斯密度图的均值向量的加权权重之和为1，所述高斯混合模型的协方差矩阵为各个所述高斯密度图的协方差矩阵的加权和，各个所述高斯密度图的协方差矩阵的加权权重之和为1；

分别计算所述第一特征向量和所述第二特征向量相对于所述高斯混合模型的响应性估计以获得第一响应性特征向量和第二响应性特征向量，其中，所述响应性估计为所述第一特征向量或所述第二特征向量与所述高斯混合模型的均值向量与所述高斯混合模型的协方差矩阵之间的向量乘积的逐点去倒数的向量之间的按位置点乘；

融合所述第一响应性特征向量和所述第二响应性特征向量以生成分类特征向量；以及

将所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示是否产生预警。

2.根据权利要求1所述的全局监控预警方法，其中，将所述多个时间点的外部参数数据中的风力和风速分别通过包含一维卷积层和全连接层的编码器模型以生成对应于风力的第一特征向量和对应于风速的第二特征向量，包括：

将所述多个时间点的外部参数数据中的风力和风速分别按照时间维度排列为对应于所述外部参数数据中的风力和风速的一维的输入向量；

使用所述时序编码器的全连接层以如下公式分别对所述风力和所述风速的输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘；

使用所述时序编码器的一维卷积层以如下公式分别对所述风力和所述风速的输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。

3.根据权利要求2所述的全局监控预警方法，其中，将所述多个时间点的内部参数数据按照时间维度分别输入包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量，包括：

使用所述基于上下文的编码器模型的嵌入层将所述多个时间点的内部参数数据按照时间维度分别转化为输入向量以获得多个输入向量的序列；

使用所述基于上下文的编码器模型的转换器分别对所述多个输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量；以及

将所述多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量。

4.根据权利要求3所述的全局监控预警方法，其中，将所述对应于各个时间点的内部参数数据的第三特征向量二维排列为输入矩阵后通过卷积神经网络模型以生成第一分类矩阵，包括：

将所述对应于各个时间点的内部参数数据的第三特征向量二维排列为输入矩阵；

所述卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层生成所述第一分类矩阵，其中，所述卷积神经网络的第一层的输入为所述输入矩阵。

5.根据权利要求4所述的全局监控预警方法，其中，将所述t个高斯密度图组合为高斯混合模型，包括：

以如下公式将所述t个高斯密度图组合为高斯混合模型；

其中，所述公式为：

6.根据权利要求5所述的全局监控预警方法，其中，分别计算所述第一特征向量和所述第二特征向量相对于所述高斯混合模型的响应性估计以获得第一响应性特征向量和第二响应性特征向量，包括：

以如下公式分别计算所述第一特征向量和所述第二特征向量相对于所述高斯混合模型的响应性估计以获得第一响应性特征向量和第二响应性特征向量；

其中，所述公式为：

其中⊙表示点乘，

表示向量乘积，且⊙-1表示对

得到的向量逐点取倒数。

7.根据权利要求6所述的全局监控预警方法，其中，融合所述第一响应性特征向量和所述第二响应性特征向量以生成分类特征向量，包括：

计算所述第一响应性特征向量和所述第二响应性特征向量之间的按位置加权和以生成所述分类特征向量：f＝f'₁+f'₂。

8.根据权利要求7所述的全局监控预警方法，其中，将所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示是否产生预警，包括：

使用所述分类器以如下公式对所述分类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{(W_n,B_n):…:(W₁,B₁)|X}，其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，X为分类特征向量。

9.一种全局监控预警系统，其特征在于，包括：

参数数据获取单元，用于获取风轮子系统在预定时间段的多个时间点的内部参数数据以及所述多个时间点的外部参数数据，所述内部参数数据包括变桨电机温度、变桨电池柜温度、轮毂内温度、偏航角度、变桨电机电池电压、中轴线与风速夹角、变桨驱动器温度、变桨电机电流和桨距角，所述外部参数数据包括风力和风速；

外部编码单元，用于将所述参数数据获取单元获得的所述多个时间点的外部参数数据中的风力和风速分别通过包含一维卷积层和全连接层的编码器模型以生成对应于风力的第一特征向量和对应于风速的第二特征向量；

内部编码单元，用于将所述参数数据获取单元获得的所述多个时间点的内部参数数据按照时间维度分别输入包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以生成对应于各个时间点的内部参数数据的第三特征向量；

卷积单元，用于将所述内部编码单元获得的所述对应于各个时间点的内部参数数据的第三特征向量二维排列为输入矩阵后通过卷积神经网络模型以生成第一分类矩阵；

高斯密度图构造单元，用于基于所述卷积单元获得的所述第一分类特征向量中沿时间维度的每个行向量构造高斯密度图以获得t个高斯密度图，其中，各个所述高斯密度图的均值向量为各个所述行向量，各个所述高斯密度图的协方差矩阵为各个所述行向量与所有其他行向量之间的协方差；

高斯混合模型生成单元，用于将所述高斯密度图构造单元获得的所述t个高斯密度图组合为高斯混合模型，其中，所述高斯混合模型的均值向量为各个所述高斯密度图的均值向量的加权和，各个所述高斯密度图的均值向量的加权权重之和为1，所述高斯混合模型的协方差矩阵为各个所述高斯密度图的协方差矩阵的加权和，各个所述高斯密度图的协方差矩阵的加权权重之和为1；

响应性估计计算单元，用于分别计算所述外部编码单元获得的所述第一特征向量和所述外部编码单元获得的所述第二特征向量相对于所述高斯混合模型生成单元获得的所述高斯混合模型的响应性估计以获得第一响应性特征向量和第二响应性特征向量，其中，所述响应性估计为所述第一特征向量或所述第二特征向量与所述高斯混合模型的均值向量与所述高斯混合模型的协方差矩阵之间的向量乘积的逐点去倒数的向量之间的按位置点乘；

融合单元，用于融合所述响应性估计计算单元获得的所述第一响应性特征向量和所述响应性估计计算单元获得的所述第二响应性特征向量以生成分类特征向量；以及分类单元，用于将所述融合单元获得的所述分类特征向量通过分类器以获得分类结果，其中，所述分类结果用于表示是否产生预警。

10.根据权利要求9所述的全局监控预警系统，其中，所述外部编码单元，进一步用于：

将所述多个时间点的外部参数数据中的风力和风速分别按照时间维度排列为对应于所述外部参数数据中的风力和风速的一维的输入向量；使用所述时序编码器的全连接层以如下公式分别对所述风力和所述风速的输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式分别对所述风力和所述风速的输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。

Images