CN116124448A - 用于风电齿轮箱的故障诊断系统及其方法 - Google Patents
用于风电齿轮箱的故障诊断系统及其方法 Download PDFInfo
- Publication number
- CN116124448A CN116124448A CN202310028957.6A CN202310028957A CN116124448A CN 116124448 A CN116124448 A CN 116124448A CN 202310028957 A CN202310028957 A CN 202310028957A CN 116124448 A CN116124448 A CN 116124448A
- Authority
- CN
- China
- Prior art keywords
- gaussian
- wind power
- vector
- feature
- matrix
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种用于风电齿轮箱的故障诊断系统及其方法,其分别使用第一卷积神经网络和第二卷积神经网络对待检测风电齿轮箱在预定时间段的振动信号的波形图和电流信号的波形图进行显式空间编码以得到第一特征向量和第二特征向量,使用包含一维卷积层和全连接层的时序编码器对待检测风电齿轮箱在预定时间段的温度数据在时间维度上的序列进行编码以得到第三特征向量,然后将所述第一至第三特征向量构造为高斯混合模型,并通过对该高斯混合模型进行高斯离散化后进行分类得到用于表示所述风电齿轮箱是否存在故障的分类结果。
Description
技术领域
本申请涉及风电故障检测领域,且更为具体地,涉及一种用于风电齿轮箱的故障诊断系统及其方法。
背景技术
随着风电市场的逐年扩大,给风电运维提供了广阔的市场。我国风电产业发展起步晚,但发展迅速,导致风电机组的运行质量不稳定,风电运维市场规模大,技术难度高。由于风电机组大多运行在复杂的环境下,运行工况复杂,风电机组在运行过程中难免会出现故障,特别是由于关键系统(如齿轮箱系统)故障而导致风电机组停机将会造成重大经济损失,风电机组的高运维成本、长时间停机已成为风电行业发展的障碍。因此,期待一种用于风电齿轮箱的故障诊断系统。
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用于风电齿轮箱的故障诊断系统、方法和电子设备,其分别使用第一卷积神经网络和第二卷积神经网络对待检测风电齿轮箱在预定时间段的振动信号的波形图和电流信号的波形图进行显式空间编码以得到第一特征向量和第二特征向量,使用包含一维卷积层和全连接层的时序编码器对待检测风电齿轮箱在预定时间段的温度数据在时间维度上的序列进行编码以得到第三特征向量,然后将所述第一至第三特征向量构造为高斯混合模型,并通过对该高斯混合模型进行高斯离散化后进行分类得到用于表示所述风电齿轮箱是否存在故障的分类结果。
根据本申请的一个方面,提供了一种用于风电齿轮箱的故障诊断系统,其包括:
运行数据获取单元,用于获取由部署于待检测风电齿轮箱的传感器采集的所述待检测风电齿轮箱在预定时间段的振动信号、温度信号和电流信号;
第一编码单元,用于将所述待检测风电齿轮箱在预定时间段的振动信号的波形图通过第一卷积神经网络以得到第一特征向量;
第二编码单元,用于将所述待检测风电齿轮箱在预定时间段的电流信号的波形图通过第二卷积神经网络以得到第二特征向量;
第三编码单元,用于将所述待检测风电齿轮箱在预定时间段的温度信号通过包含一维卷积层和全连接层的时序编码器以得到第三特征向量;
高斯密度图构造单元,用于分别构造所述第一至第三特征向量的高斯密度图以得到第一至第三高斯密度图,其中,所述第一高斯密度图的均值向量为所述第一特征向量,所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量相应两个位置的特征值之间的方差,所述第二高斯密度图的均值向量为所述第二特征向量,所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量相应两个位置的特征值之间的方差,所述第三高斯密度图的均值向量为所述第三特征向量,所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量相应两个位置的特征值之间的方差;
高斯混合单元,用于使用所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数计算所述第一至第三高斯密度图的高斯混合模型;
高斯离散化单元,用于对所述高斯混合模型进行高斯离散化以得到分类特征矩阵;以及
诊断结果生成单元,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所述风电齿轮箱是否存在故障。
在上述用于风电齿轮箱的故障诊断系统中,所述第一编码单元,包括:使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行:
使用卷积核对所述输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行基于特征矩阵的全局池化处理以生成池化特征向量;以及
对所述池化特征向量进行基于非线性激活以生成激活特征向量;
其中,所述第一卷积神经网络的第一层的输入数据为所述待检测风电齿轮箱在预定时间段的振动信号的波形图,所述第一卷积神经网络的最后一层输出的所述激活特征向量为所述第一特征向量。
在上述用于风电齿轮箱的故障诊断系统中,所述第三编码单元,包括:
输入向量构造子单元,用于将所述待检测风电齿轮箱在预定时间段的温度信号以天为单位按照时间维度排列为对应于所述待检测风电齿轮箱各天的一维的输入向量;
全连接编码子单元,用于使用所述时序编码器的全连接层以如下公式对所述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;
一维卷积编码子单元,用于使用所述时序编码器的一维卷积层以如下公式对所述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。
在上述用于风电齿轮箱的故障诊断系统中,所述高斯密度图构造单元,进一步以如下公式分别构造所述第一至第三特征向量的高斯密度图以得到第一至第三高斯密度图;
其中,所述公式为:
其中μk是第一至第三特征向量中第k个特征向量,而∑i是协方差矩阵,其中,所述协方差矩阵中各个位置的特征值为第k个特征向量中相应两个位置之间的方差。
在上述用于风电齿轮箱的故障诊断系统中,所述高斯混合单元,包括:
高斯概率密度分布距离指数计算子单元,用于以如下公式来计算所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数,其中,所述公式为:
其中,πk为所述高斯概率密度分布距离指数,Vk表示所述第一至第三高斯密度图中各个高斯密度图的对应的特征向量,μ表示所述高斯混合模型的初始均值向量,∑为初始协方差矩阵,表示矩阵乘,d(·,·)表示向量之间的距离,表示按位置相加,exp(·)表示矩阵指数运算,所述矩阵指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值,且||·||2表示矩阵的2范数,α和β为预定超参数。
在上述用于风电齿轮箱的故障诊断系统中,所述所述高斯混合单元,包括:
高斯混合模型构造子单元,用于以如下公式来构造所述第一至第三高斯密度图的高斯混合模型,其中,所述公式为:
其中,πk为所述高斯概率密度分布距离指数。
在上述用于风电齿轮箱的故障诊断系统中,所述高斯离散化单元,包括:
降维子单元,用于以如下公式将所述高斯混合模型进行降维投影到一维空间以获得一维的特征向量作为分类特征向量,其中,所述公式为:其中表示向量乘;
二维排列子单元,用于将所述分类特征向量进行二维排列以得到所述分类特征矩阵。
在上述用于风电齿轮箱的故障诊断系统中,所述诊断结果生成单元,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分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(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Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面,提供一种用于风电齿轮箱的故障诊断方法,包括:
获取由部署于待检测风电齿轮箱的传感器采集的所述待检测风电齿轮箱在预定时间段的振动信号、温度信号和电流信号;
将所述待检测风电齿轮箱在预定时间段的振动信号的波形图通过第一卷积神经网络以得到第一特征向量;
将所述待检测风电齿轮箱在预定时间段的电流信号的波形图通过第二卷积神经网络以得到第二特征向量;
将所述待检测风电齿轮箱在预定时间段的温度信号通过包含一维卷积层和全连接层的时序编码器以得到第三特征向量;
分别构造所述第一至第三特征向量的高斯密度图以得到第一至第三高斯密度图,其中,所述第一高斯密度图的均值向量为所述第一特征向量,所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量相应两个位置的特征值之间的方差,所述第二高斯密度图的均值向量为所述第二特征向量,所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量相应两个位置的特征值之间的方差,所述第三高斯密度图的均值向量为所述第三特征向量,所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量相应两个位置的特征值之间的方差;
使用所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数计算所述第一至第三高斯密度图的高斯混合模型;
对所述高斯混合模型进行高斯离散化以得到分类特征矩阵;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所述风电齿轮箱是否存在故障。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于风电齿轮箱的故障诊断方法。
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用于风电齿轮箱的故障诊断方法。
与现有技术相比,本申请提供的用于风电齿轮箱的故障诊断系统,其分别使用第一卷积神经网络和第二卷积神经网络对待检测风电齿轮箱在预定时间段的振动信号的波形图和电流信号的波形图进行显式空间编码以得到第一特征向量和第二特征向量,使用包含一维卷积层和全连接层的时序编码器对待检测风电齿轮箱在预定时间段的温度数据在时间维度上的序列进行编码以得到第三特征向量,然后将所述第一至第三特征向量构造为高斯混合模型,并通过对该高斯混合模型进行高斯离散化后进行分类得到用于表示所述风电齿轮箱是否存在故障的分类结果。
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用于风电齿轮箱的故障诊断系统的一个应用场景图。
图2图示了根据本申请实施例的用于风电齿轮箱的故障诊断系统的结构框图;
图3图示了根据本申请实施例中判断风电齿轮箱是否发生故障的流程图;
图4图示了根据本申请实施例的用于风电齿轮箱的故障诊断方法的流程图;
图5图示了根据本申请实施例的电子设备的框图。
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。
申请概述:
近年来,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。
深度学习以及神经网络的发展,为风电齿轮箱的故障诊断提供了新的解决思路和方案。
相应地,对风险齿轮箱的故障诊断本质上是一个基于特征提取的分类问题。也就是,提取风电齿轮向量的特征表示(feature presentation)并将所述风电齿轮箱的特征表示通过分类器以进行故障诊断分类。
沿着上述技术思路,第一个关键在于选择风电齿轮箱的哪些数据来进行特征提取。经研究,本申请发明人发现振动信号、电流信号和温度信号在齿轮箱的故障诊断很具有代表性。因此,在本申请的技术方案中,以风电齿轮箱在运行时的温度数据、振动信号和电流信号作为源域数据。应注意到,温度数据是离散数据、振动信号和电流信号是连续的波形图(即,所述振动数据和所述电流信号是连续的数据)。针对不同的数据,需采用不同的特征提取方式。
具体地,在本申请的技术方案中,使用包含一维卷积层和全连接层的时序编码器对温度数据在时间维度上的序列进行编码以提取温度数据在时序维度上的高维隐含特征和高维变化隐含特征以得到第三特征向量。
针对于振动信号和电流信号,传统的编码方式同时是对振动信号和电流信号进行基于时域或基于频域的统计分析,而在本申请的技术方案中,本申请发明人意识到振动信号和电流信号本质上也是一个图像数据,因此,可以使用当下比较流行的卷积神经网络对所述振动信号和所述电流信号的波形图进行显式空间编码以从所述振动信号和所述电流信号的图像表征维度提取出用于故障分类的高维隐含特征。具体地,分别使用第一卷积神经网络和第二卷积神经网络对所述振动信号的波形图和所述电流信号的波形图进行显式空间编码以得到第一特征向量和第二特征向量。
接下来可融合所述第一至第三特征向量来进行故障分类判断,例如,将第一至第三特征向量进行级联获得分类特征向量。但是,每个特征向量在高维特征空间中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,如果仅通过将各个特征向量级联来获得分类特征向量,这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,需要进一步地对所述第一至第三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,从而提高分类判断的准确性。
本申请的申请人考虑到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,首先构造所述第一至第三特征向量的高斯密度图以得到第一至第三高斯密度图,用公式表示为:
其中是第i个特征向量,而∑i是协方差矩阵,其中,所述协方差矩阵中各个位置的特征值为第i个特征向量中相应两个位置之间的方差。
然后,构造所述第一至第三高斯密度图的高斯混合模型。特别的,在本申请实施例中,在高斯混合模型中,使用高斯概率密度分布距离指数作为每个高斯密度图的加权系数,即πk,且不设置约束条件:
加权系数πk表示为:
其中向量均为列向量形式,∑为初始协方差矩阵,即每个高斯密度图的协方差矩阵的均值矩阵。
该高斯概率密度分布距离指数可以对均值特征向量和协方差矩阵进行双向聚簇,来通过所述均值特征向量和所述协方差矩阵的软相似性提升目标特征向量与高斯概率密度分布之间在跨高斯混合模型的相似性,这样,该高斯混合模型的加权系数的软相似性学习可以实现目标特征向量的更关注于高斯混合模型的内在结构的权重系数优化。
然后,对所述高斯混合模型进行高斯离散化以得到分类特征矩阵,也就是,将所述高斯混合模型中各个位置的高斯分布降维为一维的特征向量,然后,将所述高斯混合模型中各个位置的一维的特征向量进行二维排列为所述分类特征矩阵。接着,将所述分类特征图通过分类器以得到分类结果。
基于此,本申请提出了一种用于风电齿轮箱的故障诊断系统,其分别使用第一卷积神经网络和第二卷积神经网络对待检测风电齿轮箱在预定时间段的振动信号的波形图和电流信号的波形图进行显式空间编码以得到第一特征向量和第二特征向量,使用包含一维卷积层和全连接层的时序编码器对待检测风电齿轮箱在预定时间段的温度数据在时间维度上的序列进行编码以得到第三特征向量,然后将所述第一至第三特征向量构造为高斯混合模型,并通过对该高斯混合模型进行高斯离散化后进行分类得到用于表示所述风电齿轮箱是否存在故障的分类结果。
本申请提供的一种用于风电齿轮箱的故障诊断系统能够实现检测风电齿轮箱是否存在故障。如图1所示,在本申请的一个应用场景中,首先,通过部署于待检测风电齿轮箱(如图1中的F)的传感器组(如图1中的C)采集所述待检测风电齿轮箱在预定时间段的振动信号、温度信号和电流信号,然后,将所述待检测风电齿轮箱在预定时间段的振动信号、温度信号和电流信号输入至部署有用于风电齿轮箱的故障诊断算法的服务器(如图1中的S)中,其中,所述服务器能够以用于风电齿轮箱的故障诊断算法对采集到的所述待检测风电齿轮箱在预定时间段的振动信号、温度信号和电流信号进行处理,以输出用于表示所述待检测风电齿轮箱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。
示例性系统
图2图示了根据本申请实施例的用于风电齿轮箱的故障诊断系统的结构框图。
如图2和图3所示,根据本申请实施例的用于风电齿轮箱的故障诊断系统100,包括:运行数据获取单元110,用于获取由部署于待检测风电齿轮箱的传感器采集的所述待检测风电齿轮箱在预定时间段的振动信号、温度信号和电流信号;第一编码单元120,用于将所述待检测风电齿轮箱在预定时间段的振动信号的波形图通过第一卷积神经网络以得到第一特征向量;第二编码单元130,用于将所述待检测风电齿轮箱在预定时间段的电流信号的波形图通过第二卷积神经网络以得到第二特征向量;第三编码单元140,用于将所述待检测风电齿轮箱在预定时间段的温度信号通过包含一维卷积层和全连接层的时序编码器以得到第三特征向量;高斯密度图构造单元150,用于分别构造所述第一至第三特征向量的高斯密度图以得到第一至第三高斯密度图;高斯混合单元160,用于使用所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数计算所述第一至第三高斯密度图的高斯混合模型;高斯离散化单元170,用于对所述高斯混合模型进行高斯离散化以得到分类特征矩阵;诊断结果生成单元180,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所述风电齿轮箱是否存在故障。
所述运行数据获取单元110用于获取由部署于待检测风电齿轮箱的传感器采集的所述待检测风电齿轮箱在预定时间段的振动信号、温度信号和电流信号。可以理解的是,对风险齿轮箱的故障诊断本质上是一个基于特征提取的分类问题。也就是,提取风电齿轮向量的特征表示(feature presentation)并将所述风电齿轮箱的特征表示通过分类器以进行故障诊断分类。因此,选择风电齿轮箱的哪些数据来进行特征提取,是保障风电齿轮箱的故障诊断的准确度的关键之一。经研究,本申请发明人发现振动信号、电流信号和温度信号在齿轮箱的故障诊断很具有代表性。因此,在本申请的技术方案中,以风电齿轮箱在运行时的温度数据、振动信号和电流信号作为源域数据。
在本实施例中,可以利用部署于待检测风电齿轮箱的振动传感器采集得到所述待检测风电齿轮箱在预定时间段的振动信号,如在预定时间段内的多个预定时间点的振动信号等。利用部署于待检测风电齿轮箱的温度传感器采集得到所述待检测风电齿轮箱在预定时间段的温度信号,如在预定时间段内的多个预定时间点的温度信号等。利用部署于待检测风电齿轮箱的电流传感器采集得到所述待检测风电齿轮箱在预定时间段的电流信号,如在预定时间段内的多个预定时间点的电流信号等。
应注意到,温度数据是离散数据、振动信号和电流信号是连续的波形图(即,所述振动数据和所述电流信号是连续的数据)。因此,针对不同的数据,需采用不同的特征提取方式。举例地,振动信号和电流信号分别采用卷积神经网络进行特征提取以得到第一特征向量和第二特征向量,温度数据采用通过包含一维卷积层和全连接层的时序编码器进行特征提取以得到第三特征向量。
所述第一编码单元120用于将所述待检测风电齿轮箱在预定时间段的振动信号的波形图通过第一卷积神经网络以得到第一特征向量。所述第二编码单元130用于将所述待检测风电齿轮箱在预定时间段的电流信号的波形图通过第二卷积神经网络以得到第二特征向量。也就是说,针对于振动信号和电流信号,传统的编码方式同时是对振动信号和电流信号进行基于时域或基于频域的统计分析,而在本申请的技术方案中,本申请发明人意识到振动信号和电流信号本质上也是一个图像数据,因此,可以使用当下比较流行的卷积神经网络对所述振动信号和所述电流信号的波形图进行显式空间编码以从所述振动信号和所述电流信号的图像表征维度提取出用于故障分类的高维隐含特征。具体地,分别使用第一卷积神经网络和第二卷积神经网络对所述振动信号的波形图和所述电流信号的波形图进行显式空间编码以得到第一特征向量和第二特征向量。
具体地,所述第一编码单元120包括:使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行:使用卷积核对所述输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行基于特征矩阵的全局池化处理以生成池化特征向量;对所述池化特征向量进行基于非线性激活以生成激活特征向量;其中,所述第一卷积神经网络的第一层的输入数据为所述待检测风电齿轮箱在预定时间段的振动信号的波形图,所述第一卷积神经网络的最后一层输出的所述激活特征向量为所述第一特征向量。
也就是说,所述第一卷积神经网络的第一卷积层的输入数据为所述待检测风电齿轮箱在预定时间段的振动信号的波形图,以及,所述卷积神经网络的各层在层的正向传递中分别对输入数据进行基于卷积核的卷积处理、基于特征矩阵的全局均值池化处理以及基于非线性激活处理,以由所述第一卷积神经网络的最后一层输出所述第一特征向量。因此,利用第一卷积神经网络可以提取到所述待检测风电齿轮箱在预定时间段的振动信号的波形图的高维隐含局部特征,即所述第一特征向量。
相应地,所述第二编码单元130包括:使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行:使用卷积核对所述输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行基于特征矩阵的全局池化处理以生成池化特征向量;对所述池化特征向量进行基于非线性激活以生成激活特征向量;其中,所述第二卷积神经网络的第一层的输入数据为所述待检测风电齿轮箱在预定时间段的电流信号的波形图,所述第二卷积神经网络的最后一层输出的所述激活特征向量为所述第二特征向量。
也就是说,所述第二卷积神经网络的第一卷积层的输入数据为所述待检测风电齿轮箱在预定时间段的振动信号的波形图,以及,所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行基于卷积核的卷积处理、基于特征矩阵的全局均值池化处理以及基于非线性激活处理,以由所述第二卷积神经网络的最后一层输出所述第二特征向量。因此,利用第二卷积神经网络可以提取到所述待检测风电齿轮箱在预定时间段的电流信号的波形图的高维隐含局部特征,即所述第二特征向量。
所述第三编码单元140用于将所述待检测风电齿轮箱在预定时间段的温度信号通过包含一维卷积层和全连接层的时序编码器以得到第三特征向量。在本实施例中,所述时序编码器由交替排列的全连接层和一维卷积层组成,其中,通过一维卷积编码能够提取出输入序列中部分元素之间的关联的高维隐含关联特征,而全连接编码则能够对输入序列进行元素级编码以提取输入序列中各个元素的高维隐含特征,即所述待检测风电齿轮箱在预定时间段的温度信号在时序维度上的变化特征信息。
具体地,所述第三编码单元140包括:
输入向量构造子单元,用于将所述待检测风电齿轮箱在预定时间段的温度信号以天为单位按照时间维度排列为对应于所述待检测风电齿轮箱各天的一维的输入向量;
全连接编码子单元,用于使用所述时序编码器的全连接层以如下公式对所述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;
一维卷积编码子单元,用于使用所述时序编码器的一维卷积层以如下公式对所述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。
在本申请的一个可选实施例中,在对所述待检测风电齿轮箱在预定时间段的振动信号进行特征提取得到第一特征向量、对所述待检测风电齿轮箱在预定时间段的电流信号进行特征提取得到第二特征向量以及所述待检测风电齿轮箱在预定时间段的温度信号进行特征提取得到第三特征向量之后,可通过融合所述第一至第三特征向量(即第一特征向量、第二特征向量以及第三特征向量)来进行故障分类判断。例如,将第一至第三特征向量进行级联获得分类特征向量,然后对该分类特征向量进行分类以获得用于表示待检测风电齿轮箱是否发生故障的分类结果。
然而,本申请人考虑到每个特征向量在高维特征空间中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,如果仅通过将各个特征向量级联来获得分类特征向量,这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,需要进一步地对所述第一至第三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,从而提高分类判断的准确性。本申请的申请人考虑到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,在本申请实施例中,将所述第一至第三特征向量构造为高斯混合模型,并通过对该高斯混合模型进行高斯离散化后进行分类得到用于表示所述风电齿轮箱是否存在故障的分类结果。
所述高斯密度图构造单元150用于分别构造所述第一至第三特征向量的高斯密度图以得到第一至第三高斯密度图,其中,所述第一高斯密度图的均值向量为所述第一特征向量,所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量相应两个位置的特征值之间的方差,所述第二高斯密度图的均值向量为所述第二特征向量,所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量相应两个位置的特征值之间的方差,所述第三高斯密度图的均值向量为所述第三特征向量,所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量相应两个位置的特征值之间的方差。
具体地,所述高斯密度图构造单元160进一步以如下公式分别构造所述第一至第三特征向量的高斯密度图以得到第一至第三高斯密度图;
其中,所述公式为:
其中μk是第一至第三特征向量中第k个特征向量,而∑i是协方差矩阵,其中,所述协方差矩阵中各个位置的特征值为第k个特征向量中相应两个位置之间的方差。
应可以理解,由于高斯密度广泛地用作基于卷积神经网络的方法的学习目标,其实现了特征在卷积神经网络映射下的高维特征空间中的有效融合。因此,在本申请的技术方案中,使用高斯密度图来融合所述待检测风电齿轮箱在预定时间段的振动信号、电流信号以及温度信号这三类数据的高维特征。也就是,在一个具体示例中,基于高斯密度图来融合所述第一特征向量、所述第二特征向量以及第三特征向量以获得第一至第三高斯密度图(即第一高斯密度图、第二高斯密度图以及第三高斯密度图)。
所述高斯混合单元160用于使用所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数计算所述第一至第三高斯密度图的高斯混合模型。
在本申请实施例中,在高斯混合模型中,使用高斯概率密度分布距离指数作为每个高斯密度图的加权系数,即πk,且不设置约束条件。
具体地,所述高斯混合单元160,包括:
高斯概率密度分布距离指数计算子单元,用于计算所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数;
高斯混合模型构造子单元,用于构造所述第一至第三高斯密度图的高斯混合模型。
在本实施例中,所述高斯概率密度分布距离指数计算子单元,用于以如下公式来计算所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数,其中,所述公式为:
其中,πk为所述高斯概率密度分布距离指数,Vk表示所述第一至第三高斯密度图中各个高斯密度图的对应的特征向量,μ表示所述高斯混合模型的初始均值向量,∑为初始协方差矩阵,表示矩阵乘,d(·,·)表示向量之间的距离,表示按位置相加,exp(·)表示矩阵指数运算,所述矩阵指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值,且||·||2表示矩阵的2范数,α和β为预定超参数。
所述高斯混合模型构造子单元,用于以如下公式来构造所述第一至第三高斯密度图的高斯混合模型,其中,所述公式为:
其中,πk为所述高斯概率密度分布距离指数。
需要指出的是,该高斯概率密度分布距离指数可以对均值特征向量和协方差矩阵进行双向聚簇,来通过所述均值特征向量和所述协方差矩阵的软相似性提升目标特征向量与高斯概率密度分布之间在跨高斯混合模型的相似性,这样,该高斯混合模型的加权系数的软相似性学习可以实现目标特征向量的更关注于高斯混合模型的内在结构的权重系数优化
所述高斯离散化单元170用于对所述高斯混合模型进行高斯离散化以得到分类特征矩阵。也就是说,将所述高斯混合模型中各个位置的高斯分布降维为一维的特征向量,然后,将所述高斯混合模型中各个位置的一维的特征向量进行二维排列为所述分类特征矩阵。
具体地,所述高斯离散化单元170,包括:降维子单元,用于以如下公式将所述高斯混合模型进行降维投影到一维空间以获得一维的特征向量作为分类特征向量,其中,所述公式为:其中表示向量乘;二维排列子单元,用于将所述分类特征向量进行二维排列以得到所述分类特征矩阵。
进一步地,考虑到所述待检测风电齿轮箱在预定时间段的振动信号、电流信号以及温度信号这三类数据具有相当程度的类内致密性和类间稀疏性,因此虽然高斯密度图作为卷积神经网络的学习目标,能够在反向训练过程当中通过参数的更新在一定长度上提高类间融合性,但如果仅是对所述高斯密度图进行二维随机高斯离散化,则其类间融合性仍然显得不足,因此无法通过所述分类器的参数更新来提高类间融合性,这就会影响后续分类效果。因此,在本申请的技术方案中,相对于二维随机高斯离散化,所述降维子单元使用高斯密度图的概率分布函数来将所述高斯密度图进行降维投影到一维平面上,以提高其类间融合性,从而获得指数函数形式的特征向量作为分类特征向量。
所述诊断结果生成单元180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所述风电齿轮箱是否存在故障。在本实施例中,所述诊断结果生成单元180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分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(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Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
具体地,所述诊断结果生成单元180包括全连接编码子单元,用于使用所述分类器的多个全连接层对所述分类特征矩阵进行全连接编码以将所述分类特征矩阵转化为分类特征向量;概率值计算单元,用于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特征向量归属于各个分类标签的概率值,其中,所述分类标签包括风电齿轮箱存在故障,以及,风电齿轮箱未存在故障;分类结果确定单元,用于基于所述概率值确定所述分类结果。
所述诊断结果生成单元180将所述分类特征矩阵通过分类器以获得分类结果的过程,包括:首先,使用所述分类器的多个全连接层对所述分类特征矩阵进行全连接编码以获得分类特征向量,然后,将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量归属于所述风电齿轮箱存在故障的第一概率和所述风电齿轮箱未存在故障的第二概率。最后,基于所述第一概率和所述第二概率之间的比较,生成所述分类结果。具体地,当所述第一概率大于所述第二概率时,所述分类结果为所述风电齿轮箱存在故障;当所述第一概率小于所述第二概率时,所述分类结果为所述风电齿轮箱未存在故障。
综上,本申请实施例的用于风电齿轮箱的故障诊断系统被阐明,其分别使用第一卷积神经网络和第二卷积神经网络对待检测风电齿轮箱在预定时间段的振动信号的波形图和电流信号的波形图进行显式空间编码以得到第一特征向量和第二特征向量,使用包含一维卷积层和全连接层的时序编码器对待检测风电齿轮箱在预定时间段的温度数据在时间维度上的序列进行编码以得到第三特征向量,然后将所述第一至第三特征向量构造为高斯混合模型,并通过对该高斯混合模型进行高斯离散化后进行分类得到用于表示所述风电齿轮箱是否存在故障的分类结果。
如上所述,根据本申请实施例的用于风电齿轮箱的故障诊断系统100可以实现在各种终端设备中,例如用于风电齿轮箱的故障诊断的服务器等。在一个示例中,根据本申请实施例的用于风电齿轮箱的故障诊断系统100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,用于风电齿轮箱的故障诊断系统100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,该用于风电齿轮箱的故障诊断系统100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,该用于风电齿轮箱的故障诊断系统100与该终端设备也可以是分立的设备,并且该用于风电齿轮箱的故障诊断系统100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图示了根据本申请实施例的用于风电齿轮箱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用于风电齿轮箱的故障诊断方法,包括:
S110、获取由部署于待检测风电齿轮箱的传感器采集的所述待检测风电齿轮箱在预定时间段的振动信号、温度信号和电流信号;
S120、将所述待检测风电齿轮箱在预定时间段的振动信号的波形图通过第一卷积神经网络以得到第一特征向量;
S130、将所述待检测风电齿轮箱在预定时间段的电流信号的波形图通过第二卷积神经网络以得到第二特征向量;
S140、将所述待检测风电齿轮箱在预定时间段的温度信号通过包含一维卷积层和全连接层的时序编码器以得到第三特征向量;
S150、分别构造所述第一至第三特征向量的高斯密度图以得到第一至第三高斯密度图,其中,所述第一高斯密度图的均值向量为所述第一特征向量,所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量相应两个位置的特征值之间的方差,所述第二高斯密度图的均值向量为所述第二特征向量,所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量相应两个位置的特征值之间的方差,所述第三高斯密度图的均值向量为所述第三特征向量,所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量相应两个位置的特征值之间的方差;
S160、使用所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数计算所述第一至第三高斯密度图的高斯混合模型;
S170、对所述高斯混合模型进行高斯离散化以得到分类特征矩阵;以及
S180、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所述风电齿轮箱是否存在故障。
在其中一个示例中,在上述用于风电齿轮箱的故障诊断方法中,以如下公式来计算所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数,其中,所述公式为:
其中,πk为所述高斯概率密度分布距离指数,Vk表示所述第一至第三高斯密度图中各个高斯密度图的对应的特征向量,μ表示所述高斯混合模型的初始均值向量,∑为初始协方差矩阵,表示矩阵乘,d(·,·)表示向量之间的距离,表示按位置相加,exp(·)表示矩阵指数运算,所述矩阵指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值,且||·||2表示矩阵的2范数,α和β为预定超参数。
这里,本领域技术人员可以理解,上述用于风电齿轮箱的故障诊断方法中的的具体功能和步骤已经在上面参考图2到图3的用于风电齿轮箱的故障诊断系统的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备
下面,参考图5来描述根据本申请实施例的电子设备。
图5图示了根据本申请实施例的电子设备的框图。
如图5所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的用于风电齿轮箱的故障诊断系统以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如加权系数等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果或故障提示等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
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用于风电齿轮箱的故障诊断方法中的步骤。
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用于风电齿轮箱的故障诊断方法中的步骤。
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。
Claims (10)
1.一种用于风电齿轮箱的故障诊断系统,其特征在于,包括:
运行数据获取单元,用于获取由部署于待检测风电齿轮箱的传感器采集的所述待检测风电齿轮箱在预定时间段的振动信号、温度信号和电流信号;
第一编码单元,用于将所述待检测风电齿轮箱在预定时间段的振动信号的波形图通过第一卷积神经网络以得到第一特征向量;
第二编码单元,用于将所述待检测风电齿轮箱在预定时间段的电流信号的波形图通过第二卷积神经网络以得到第二特征向量;
第三编码单元,用于将所述待检测风电齿轮箱在预定时间段的温度信号通过包含一维卷积层和全连接层的时序编码器以得到第三特征向量;
高斯密度图构造单元,用于分别构造所述第一至第三特征向量的高斯密度图以得到第一至第三高斯密度图,其中,所述第一高斯密度图的均值向量为所述第一特征向量,所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量相应两个位置的特征值之间的方差,所述第二高斯密度图的均值向量为所述第二特征向量,所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量相应两个位置的特征值之间的方差,所述第三高斯密度图的均值向量为所述第三特征向量,所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量相应两个位置的特征值之间的方差;
高斯混合单元,用于使用所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数计算所述第一至第三高斯密度图的高斯混合模型;
高斯离散化单元,用于对所述高斯混合模型进行高斯离散化以得到分类特征矩阵;以及
诊断结果生成单元,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所述风电齿轮箱是否存在故障。
2.根据权利要求1所述的用于风电齿轮箱的故障诊断系统,其中,所述第一编码单元,包括:使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行:
使用卷积核对所述输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行基于特征矩阵的全局池化处理以生成池化特征向量;以及
对所述池化特征向量进行基于非线性激活以生成激活特征向量;
其中,所述第一卷积神经网络的第一层的输入数据为所述待检测风电齿轮箱在预定时间段的振动信号的波形图,所述第一卷积神经网络的最后一层输出的所述激活特征向量为所述第一特征向量。
3.根据权利要求2所述的用于风电齿轮箱的故障诊断系统,其中,所述第三编码单元,包括:
输入向量构造子单元,用于将所述待检测风电齿轮箱在预定时间段的温度信号以天为单位按照时间维度排列为对应于所述待检测风电齿轮箱各天的一维的输入向量;
全连接编码子单元,用于使用所述时序编码器的全连接层以如下公式对所述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;
一维卷积编码子单元,用于使用所述时序编码器的一维卷积层以如下公式对所述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。
5.根据权利要求4所述的用于风电齿轮箱的故障诊断系统,其中,所述高斯混合单元,包括:
高斯概率密度分布距离指数计算子单元,用于以如下公式来计算所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数,其中,所述公式为:
8.根据权利要求7所述的用于风电齿轮箱的故障诊断系统,其中,所述诊断结果生成单元,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分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(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Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵。
9.一种用于风电齿轮箱的故障诊断方法,其特征在于,包括:
获取由部署于待检测风电齿轮箱的传感器采集的所述待检测风电齿轮箱在预定时间段的振动信号、温度信号和电流信号;
将所述待检测风电齿轮箱在预定时间段的振动信号的波形图通过第一卷积神经网络以得到第一特征向量;
将所述待检测风电齿轮箱在预定时间段的电流信号的波形图通过第二卷积神经网络以得到第二特征向量;
将所述待检测风电齿轮箱在预定时间段的温度信号通过包含一维卷积层和全连接层的时序编码器以得到第三特征向量;
分别构造所述第一至第三特征向量的高斯密度图以得到第一至第三高斯密度图,其中,所述第一高斯密度图的均值向量为所述第一特征向量,所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量相应两个位置的特征值之间的方差,所述第二高斯密度图的均值向量为所述第二特征向量,所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量相应两个位置的特征值之间的方差,所述第三高斯密度图的均值向量为所述第三特征向量,所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量相应两个位置的特征值之间的方差;
使用所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数计算所述第一至第三高斯密度图的高斯混合模型;
对所述高斯混合模型进行高斯离散化以得到分类特征矩阵;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所述风电齿轮箱是否存在故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310028957.6A CN116124448A (zh) | 2023-01-09 | 2023-01-09 | 用于风电齿轮箱的故障诊断系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310028957.6A CN116124448A (zh) | 2023-01-09 | 2023-01-09 | 用于风电齿轮箱的故障诊断系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116124448A true CN116124448A (zh) | 2023-05-16 |
Family
ID=86300488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310028957.6A Withdrawn CN116124448A (zh) | 2023-01-09 | 2023-01-09 | 用于风电齿轮箱的故障诊断系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116124448A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934304A (zh) * | 2023-08-03 | 2023-10-24 | 广东省俊耀控股有限公司 | 智能配电房设备运行维护管理系统及其方法 |
CN116934304B (zh) * | 2023-08-03 | 2024-06-07 | 广东省俊耀控股有限公司 | 智能配电房设备运行维护管理系统及其方法 |
-
2023
- 2023-01-09 CN CN202310028957.6A patent/CN116124448A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934304A (zh) * | 2023-08-03 | 2023-10-24 | 广东省俊耀控股有限公司 | 智能配电房设备运行维护管理系统及其方法 |
CN116934304B (zh) * | 2023-08-03 | 2024-06-07 | 广东省俊耀控股有限公司 | 智能配电房设备运行维护管理系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Represent, compare, and learn: A similarity-aware framework for class-agnostic counting | |
US11520993B2 (en) | Word-overlap-based clustering cross-modal retrieval | |
CN110704621A (zh) | 文本处理方法、装置及存储介质和电子设备 | |
CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
CN116245513B (zh) | 基于规则库的自动化运维系统及其方法 | |
CN115859437A (zh) | 基于分布式光纤传感系统的导管架水下应力检测系统 | |
CN115761900B (zh) | 用于实训基地管理的物联网云平台 | |
CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
CN115577248A (zh) | 风力发电机组的故障诊断系统及其方法 | |
CN116247824B (zh) | 电力设备的控制方法及其系统 | |
CN104376051A (zh) | 随机结构保形哈希信息检索方法 | |
CN110704543A (zh) | 多类型多平台信息数据自适应融合系统及方法 | |
CN108805280B (zh) | 一种图像检索的方法和装置 | |
CN117158923A (zh) | 基于元宇宙的居家养老远程监控方法 | |
CN112905793B (zh) | 一种基于Bilstm+Attention文本分类的案例推荐方法及系统 | |
CN112559741B (zh) | 核电设备缺陷记录文本分类方法、系统、介质及电子设备 | |
CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
CN117231590A (zh) | 液压系统的故障预测系统及其方法 | |
JP2019101681A (ja) | 見積り取得装置、見積り取得方法およびプログラム | |
Liu et al. | An anomaly detection method based on double encoder–decoder generative adversarial networks | |
CN115788793A (zh) | 全局监控预警方法及其系统 | |
CN116226357A (zh) | 一种输入中包含错误信息场景下的文档检索方法 | |
CN116129251A (zh) | 办公桌椅的智能化制造方法及其系统 | |
CN116124448A (zh) | 用于风电齿轮箱的故障诊断系统及其方法 | |
CN115456259A (zh) | 基于中尺度数据的风电场选址优化系统及其方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230516 |