基于局部-全局分层特征建模的风电机组故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115750226A(43)申请公布日2023.03.07(21)申请号202211326195.X(22)申请日2022.10.27(71)申请人燕山大学地址066004河北省秦皇岛市海港区河北大街438号(72)发明人江国乾周俊超谢平白佳荣王霄何群(74)专利代理机构石家庄众志华清知识产权事务所(特殊普通合伙)13123专利代理师张建(51)Int.Cl.F03D17/00(2016.01)权利要求书2页说明书3页附图2页(54)发明名称基于局部-全局分层特征建模的风电机组故障诊断方法(57)摘要本发明提出一种基于局部‑全局分层特征建模的风电机组故障诊断方法，属于风力发电机组故障诊断技术领域，根据风电机组结构特点，从局部和全局两阶段建模思想出发，分别建立风电机组子系统局部特征提取模块和整体全局特征融合模块，局部特征提取模块挖掘不同子系统相关变量特征，进而将子系统特征融合提取整机特征以挖掘子系统间互补特征。本发明方法同时关注风电机组子系统内的关联性和子系统间的互补性特征，能提取更为丰富的故障特征。与传统的单子系统及整机特征提取模型相比，本发明能从子系统出发建立模型，再融合子系统特征建立模型，降低了整机建模的难度并解决了子系统建模的局部性，提高了风电机组子系统及整体故障诊断的精度和可靠性。CN115750226ACN115750226A权利要求书1/2页1.基于局部‑全局分层特征建模的风电机组故障诊断方法，其特征在于：其包括以下步骤：S1、从风电场的数据采集与监测系统中采集风电机组运行数据，并进行数据预处理及数据打标，得到标准化的多变量时间序列；S2、针对不同机组系统，将标准化的多变量时间序列分组，得到系统级多变量时间序列输入矩阵；S3、将S2所述的系统级多变量时间序列矩阵并行输入到m个卷积特征提取网络，进行多系统时间特征学习，提取不同系统的时间特征，所述m为整数，且m>1；将获取的不同系统的时间特征进行拼接得到一维特征向量；S4、将S3得到的一维特征向量输入到空洞因果卷积特征提取网络，以进一步提取空间向量特征，输出整机时空特征；S5、S4获取的整机时空特征通过构建的分类层，得到风电机组故障诊断。2.根据权利要求1所述的基于局部‑全局分层特征建模的风电机组故障诊断方法，其特征在于：S1包括如下具体步骤：S11、采用均值方差归一化方法对获取的原始多变量时间序列进行标准化处理，计算公式如下：其中，χ为要归一化的值，χscale为归一化之后的值。μ为样本的平均值，S为样本的标准差。3.根据权利要求1所述的基于局部‑全局分层特征建模的风电机组故障诊断方法，其特征在于：S2包括如下具体步骤：S21、将标准化的多变量时间序列根据所属系统分成m组，包括变桨系统、偏航系统、传动系统和发电系统；S22、将分组后的多变量时间序列利用滑动窗技术分割成若干个长度为N的无重叠二维片段，得到n个多变量时间序列输入矩阵。4.根据权利要求3所述的基于局部‑全局分层特征建模的风电机组故障诊断方法，其特征在于：S3中，系统级多变量时间序列输入矩阵的大小为Si×N，其中Si为不同部件的传感器变量的个数，N为采样点数，即滑动窗口的长度；并采用m个卷积网络提取步骤2入的系统级多变量时间序列输入矩阵，具体包括如下步骤：S31、将S22得到的系统级多变量时间序列输入矩阵输入m个具有相同滤波器的卷积网络，并设计每个卷积网络的滤波器只沿着时间轴滑动；S32、设置每个卷积特征提取网络模块的层数，每个模块包括三个卷积层、三个批归一化层、三个正则化层和一个全局平均池化层，其中每个全局平均池化层的滤波器大小相同；S33、将不同系统的时间特征进行拼接，得到一维特征向量。5.根据权利要求4所述的基于局部‑全局分层特征建模的风电机组故障诊断方法，其特征在于：S4中，一维特征向量输入矩阵大小为S×1，其中S为原始数据变量维度长度；并采用空洞因果卷积网络提取空间维度特征，所述步骤S4包括如下具体步骤：S41、定义风电机组故障诊断为一个分类问题；2CN115750226A权利要求书2/2页S42、设置空洞因果卷积网络层数，包括三个卷积层、三个正则化层以及一个全连接层，每个卷积层空洞率为1,2,3。6.根据权利要求1所述的基于局部‑全局分层特征建模的风电机组故障诊断方法，其特征在于：所述分类层的目标函数的计算表达式如下：其中，yi为标签值，f(x)为模型预测值。3CN115750226A说明书1/3页基于局部‑全局分层特征建模的风电机组故障诊断方法技术领域[0001]本发明属于风力发电机组故障诊断技术领域，具体涉及基于局部‑全局分层特征建模的风电机组故障诊断方法。背景技术[0002]随着社会文明的飞速发展，人类对于能源的需求呈逐步递增