一种同源异构数据聚类分析的风机叶片开裂故障预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115906632A(43)申请公布日2023.04.04(21)申请号202211454276.8G06N3/08(2023.01)(22)申请日2022.11.21G06F119/02(2020.01)(71)申请人广西大学地址530005广西壮族自治区南宁市西乡塘区大学东路100号(72)发明人殷林飞叶万兴卢泉(74)专利代理机构南宁东智知识产权代理事务所(特殊普通合伙)45117专利代理师裴康明(51)Int.Cl.G06F30/27(2020.01)G06F18/15(2023.01)G06F18/23(2023.01)G06N3/0464(2023.01)G06N3/048(2023.01)权利要求书6页说明书15页附图7页(54)发明名称一种同源异构数据聚类分析的风机叶片开裂故障预测方法(57)摘要本发明提出一种同源异构数据聚类分析的风机叶片开裂故障预测方法，该方法包括以下步骤：第一步，对风机数据进行数据预处理；第二步，将预处理后的数据按照风机的不同状态参数进行分类，再将分类后的数据分别分为训练数据集和测试数据集；第三步，使用训练数据集训练预设的深度学习网络模型；第四步，将测试数据集输入到训练好的网络模型中，得出预测风机叶片状态的分类结果。本发明能够解决具有高度非线性和不稳定性的风机数据特征难以提取的问题，能够提前一周预测风机叶片开裂故障。本发明所提方法能够获得更高的风机叶片开裂故障预测准确率，为风电场对风机叶片状态监测检修提供可靠的参考依据。CN115906632ACN115906632A权利要求书1/6页1.一种同源异构数据聚类分析的风机叶片开裂故障预测方法，其特征在于，将时间卷积网络、卷积注意力机制模块、余弦Cauchy‑Bahdanau注意力模块和InceptionV3进行结合，用于风机叶片开裂故障预测，能够获得高的风机叶片开裂故障预测准确率；在使用过程中的步骤为：步骤(1)：对风机数据进行数据预处理，包括：数据清洗、数据扩张和数据的归一化；所述的风机数据具体为：数据采集与监视控制系统对风机每10分钟采样一次的数据以及数据的标注信息；在标注信息中，0表示该风机叶片开裂故障样本对应风机一周内未发生开裂故障，1表示该风机叶片开裂故障样本对应的风机在一周内发生开裂故障；所述的数据清理具体为：删除残缺和错误的数据；所述的数据扩张具体为：通过对原始数据的复制、限制幅度和等比例缩放来增加同一时间点下数据的数量；所述的数据归一化的公式为：其中，x、xmax和xmin分别是为风机叶片开裂故障样本数据、风机叶片开裂故障样本数据的最大值和风机叶片开裂故障样本数据的最小值；uint8()为转换成8位无符号整数的函数；x*为归一化后的风机叶片开裂故障样本数据；步骤(2)：将预处理后的数据按照风机的不同状态参数进行分为：叶片状态数据、电机状态数据、变频器状态数据和其他状态数据，再将这4类数据分别按8:1分为训练数据集和测试数据集；步骤(3)：设置网络的初始参数，将训练数据集输入预设的深度学习网络模型进行训练，使用带动量的随机梯度下降方法来对网络模型损失函数的权重进行更新，当迭代次数达到阈值时训练完成；所述预设的深度学习网络模型的具体内容为：输入预处理后的数据；分为2个分支：分支1再分为4个分支：分支1接入叶片状态数据，再转换和缩放成尺寸为60×60×3的图片数据，再接入权重卷积注意力机制模块‑InceptionV3处理；分支2接入电机状态数据，再转换和缩放成尺寸为60×60×3的图片数据，再接入权重卷积注意力机制模块‑InceptionV3处理；分支3接入变频器状态数据，再转换和缩放成尺寸为60×60×3的图片数据，再接入权重卷积注意力机制模块‑InceptionV3处理；分支3接入其他状态数据，再转换和缩放成尺寸为60×60×3的图片数据，再接入权重卷积注意力机制模块‑InceptionV3处理；再将分支1、分支2、分支3和分支4合并；分支2先经过一个时间卷积网络处理，再分为4个分支：分支1接入叶片状态数据，再转换和缩放成尺寸为60×60×3的图片数据，再接入权重卷积注意力机制模块‑InceptionV3处理；2CN115906632A权利要求书2/6页分支2接入电机状态数据，再转换和缩放成尺寸为60×60×3的图片数据，再接入权重卷积注意力机制模块‑InceptionV3处理；分支3接入变频器状态数据，再转换和缩放成尺寸为60×60×3的图片数据，再接入权重卷积注意力机制模块‑InceptionV3处理；分支3接入其他状态数据，再转换和缩放成尺寸为60×60×3的图片数据，再接入权重卷积注意力机制模块‑InceptionV3处理；再将分支1、分支2、分支3和分支4