风力发电机组的轴承润滑系统故障诊断系统及其方法与流程

1.本技术涉及智能故障诊断技术领域，且更为具体地，涉及一种风力发电机组的轴承润滑系统故障诊断系统及其方法。


背景技术：

2.风力发电机组通过风轮转换风力发电，风轮和发电机连接转动的核心部件是轴承，作为转动部件，轴承的润滑要求很高，需要定期加注油脂润滑。目前主要使用自动加脂泵对轴承进行自动注脂润滑，但这种简单的润滑方式可靠性不高，特别是冬季气温低时，不能有效地对轴承进行油脂加注，影响了轴承部件的润滑，加速了轴承部件的磨损，降低了风力发电机组整机的可靠性。
3.我国几大风机厂家的风机均出现过油脂堵塞问题，油脂被堵在管道及阀体中，引起轴承润滑不良甚至引发故障。因此，对轴承的运转状态进行在线监测以对轴承润滑系统进行故障预警，从而可及时地调整轴承润滑系统的控制策略，例如，提高油脂分配器的温度，是非常重要的。
4.因此，期望一种风力发电机组的轴承润滑系统故障诊断方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种风力发电机组的轴承润滑系统故障诊断系统及其方法，其将预定时间段内多个预定时间点的风速值和桨距角通过作为过滤器的第一卷积神经网络并进行校正以得到校正后联动特征向量，将多个预定时间点的轴承的转速值通过多尺度邻域特征提取模块进行深层的关联特征提取以得到多尺度转速特征向量，然后，计算所述多尺度转速特征向量相对于所述校正后联动特征向量的响应性估计以得到分类特征矩阵，最后将所述分类特征矩阵通过分类器以得到用于表示轴承润滑系统的故障风险是否超过预定阈值的分类结果。这样，可以对所述轴承润滑系统进行故障预警，以及时地调整所述轴承润滑系统的控制策略。
6.根据本技术的一个方面，提供了一种风力发电机组的轴承润滑系统故障诊断系统，其包括：
7.外部激励数据采集模块，用于获取预定时间段内多个预定时间点的风速值和桨距角；
8.外部激励数据结构化模块，用于将所述预定时间段内多个预定时间点的风速值和桨距角分别按照时间维度排列为风速输入向量和桨距角输入向量后，计算所述风速输入向量的转置向量与所述桨距角输入向量之间的乘积以得到联动关联矩阵；
9.外部激励联动特征提取模块，用于将所述联动关联矩阵通过作为过滤器的第一卷积神经网络以得到联动特征向量；
10.特征校正模块，用于基于所述联动特征向量的二范数，对所述联动特征向量中各个位置的特征值进行校正以得到校正后联动特征向量；
11.轴承转速采集模块，用于获取所述多个预定时间点的轴承的转速值；
12.轴承转速特征提取模块，用于将所述多个预定时间点的轴承的转速值通过多尺度邻域特征提取模块以得到多尺度转速特征向量；
13.响应性估计模块，用于计算所述多尺度转速特征向量相对于所述校正后联动特征向量的响应性估计以得到分类特征矩阵；以及
14.故障诊断结果生成模块，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轴承润滑系统的故障风险是否超过预定阈值。
15.在上述风力发电机组的轴承润滑系统故障诊断系统中，
16.根据本技术的另一方面，提供了一种风力发电机组的轴承润滑系统故障诊断方法，其包括：
17.获取预定时间段内多个预定时间点的风速值和桨距角；
18.将所述预定时间段内多个预定时间点的风速值和桨距角分别按照时间维度排列为风速输入向量和桨距角输入向量后，计算所述风速输入向量的转置向量与所述桨距角输入向量之间的乘积以得到联动关联矩阵；
19.将所述联动关联矩阵通过作为过滤器的第一卷积神经网络以得到联动特征向量；
20.基于所述联动特征向量的二范数，对所述联动特征向量中各个位置的特征值进行校正以得到校正后联动特征向量；
21.获取所述多个预定时间点的轴承的转速值；
22.将所述多个预定时间点的轴承的转速值通过多尺度邻域特征提取模块以得到多尺度转速特征向量；
23.计算所述多尺度转速特征向量相对于所述校正后联动特征向量的响应性估计以得到分类特征矩阵；以及
24.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轴承润滑系统的故障风险是否超过预定阈值。
25.与现有技术相比，本技术提供的一种风力发电机组的轴承润滑系统故障诊断系统及其方法，其将预定时间段内多个预定时间点的风速值和桨距角通过作为过滤器的第一卷积神经网络并进行校正以得到校正后联动特征向量，将多个预定时间点的轴承的转速值通过多尺度邻域特征提取模块进行深层的关联特征提取以得到多尺度转速特征向量，然后，计算所述多尺度转速特征向量相对于所述校正后联动特征向量的响应性估计以得到分类特征矩阵，最后将所述分类特征矩阵通过分类器以得到用于表示轴承润滑系统的故障风险是否超过预定阈值的分类结果。这样，可以对所述轴承润滑系统进行故障预警，以及时地调整所述轴承润滑系统的控制策略。
附图说明
26.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
27.图1图示了根据本技术实施例的风力发电机组的轴承润滑系统故障诊断系统的应
用场景图。
28.图2图示了根据本技术实施例的风力发电机组的轴承润滑系统故障诊断系统的框图。
29.图3图示了根据本技术实施例的风力发电机组的轴承润滑系统故障诊断系统中所述特征校正模块的框图。
30.图4图示了根据本技术实施例的风力发电机组的轴承润滑系统故障诊断系统中所述轴承转速特征提取模块的框图。
31.图5图示了根据本技术实施例的风力发电机组的轴承润滑系统故障诊断方法的流程图。
32.图6图示了根据本技术实施例的风力发电机组的轴承润滑系统故障诊断方法的架构示意图。
具体实施方式
33.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
34.场景概述
35.如上所述，考虑到在正常情况下，风速和桨距角的协同配置会使得轴承以预定转速进行运转，因此，若想对所述轴承的运转状态进行在线监测以对轴承润滑系统进行故障预警，可基于所述风速和所述桨距角的协同驱动特征与所述轴承的转速特征之间的响应性估计来评估所述所述风速和桨距角的配合所提供的能量转化为所述轴承转速的比率是否符合预定要求，即，所述轴承润滑系统性能是否满足预定要求。
36.具体地，在本技术的技术方案中，首先，通过各个传感器，例如风速测量仪和桨距角测量仪分别采集预定时间段内多个预定时间点的风速值和桨距角。然后，考虑到在正常的情况下，所述风速和所述桨距角会协同配置以使得轴承以预定转速进行运转，因此，为了能够更为充分地提取出所述风速和所述桨距角的协同驱动特征，进一步构造两者数据之间的关联性矩阵。也就是，将所述预定时间段内多个预定时间点的风速值和桨距角分别按照时间维度排列为风速输入向量和桨距角输入向量以整合各个时间点下的所述风速和所述桨距角信息后，计算所述风速输入向量的转置向量与所述桨距角输入向量之间的乘积以得到联动关联矩阵。
37.进一步地，由于卷积神经网络模型在数据间的隐含关联特征提取方面具有优异的表现，因此，在本技术的技术方案中，使用作为过滤器的第一卷积神经网络来对于所述联动关联矩阵进行处理，以提取出所述联动关联矩阵中的各个位置的隐含关联特征信息，即所述风速和所述桨距角的协同驱动特征，从而得到联动特征向量。
38.特别地，在本技术的技术方案中，在将所述联动关联矩阵通过作为过滤器的第一卷积神经网络以得到联动特征向量时，由于所述第一卷积神经网络的卷积核作为过滤器对所述联动关联矩阵的矩阵值之间的关联特征进行基于下采样的前向的像素级传播，可能导致所述联动特征向量的各位置的特征值的相关性相对于所述联动关联矩阵的各位置的值之间的相关性变差，从而影响所述联动特征向量对所述联动关联矩阵的特征表达效果。
39.因此，对所述联动特征向量进行前向传播相关性引导修正，即：
[0040][0041]
∑是向量v的自协方差矩阵，即矩阵的每个位置的值是所述联动特征向量v的每两个位置的特征值之间的方差，μ和σ分别是所述联动特征向量v的全局均值和方差。
[0042]
也就是，针对基于过滤器的卷积神经网络对于特征进行基于下采样的前向的像素级传播的特点，通过可学习的正态采样偏移引导特征工程来有效地建模所述联动特征向量v的特征值与所述联动关联矩阵的宽度和高度维度上的长程依赖关系，并进一步基于局部和非局部邻域来进行所述联动特征向量v的特征值的相关性的修复，以提升所述联动特征向量对所述联动关联矩阵的特征表达效果，进而提高分类的准确性。
[0043]
进一步地，为了能够准确地评估所述所述风速和桨距角的配合所提供的能量转化为所述轴承转速的比率是否符合预定要求，还需要对于所述轴承的转速值在时间维度上的转速动态特征进行提取。也就是，首先，通过转速传感器获取所述多个预定时间点的轴承的转速值。并且，将所述多个预定时间点的轴承的转速值排列为轴承转速输入向量。
[0044]
然后，考虑到所述轴承转速在不同的时间段内会呈现出不同的模式状态，例如，所述轴承转速会再不同的时间段内一阵时候快，一阵时候慢，因此，若想对于不同时间跨度内的轴承转速进行深层的关联特征提取，进一步使用多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层分别对所述轴承转速输入向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以得到所述多尺度转速特征向量。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轴承转速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。在本技术的其他示例中，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轴承转速特征的不同尺度的邻域内关联特征提取，对此，并不为本技术所局限。
[0045]
应可以理解，由于所述风速和桨距角的协同驱动特征与所述轴承的转速特征之间的特征尺度不同，并且由于在正常情况下，所述风速和所述桨距角的协同配置会使得所述轴承以预定转速进行运转，因此所述风速和桨距角的协同驱动特征在高维特征空间中可以看作是对于所述轴承的转速特征的响应性特征。因此，在本技术的技术方案中，进一步基于所述风速和桨距角的协同驱动特征与所述轴承的转速特征之间的响应性估计来评估所述风速和所述桨距角的配合所提供的能量转化为所述轴承转速的比率是否符合预定要求，即，轴承润滑系统性能是否满足预定要求。这样，就能够进一步对所述轴承润滑系统的故障风险是否超过预定阈值进行准确地判断，以对所述轴承润滑系统进行故障预警，从而可及时地调整所述轴承润滑系统的控制策略，例如，提高油脂分配器的温度。
[0046]
基于此，本技术提出了一种风力发电机组的轴承润滑系统故障诊断系统，其包括：外部激励数据采集模块，用于获取预定时间段内多个预定时间点的风速值和桨距角；外部激励数据结构化模块，用于将所述预定时间段内多个预定时间点的风速值和桨距角分别按照时间维度排列为风速输入向量和桨距角输入向量后，计算所述风速输入向量的转置向量与所述桨距角输入向量之间的乘积以得到联动关联矩阵；外部激励联动特征提取模块，用于将所述联动关联矩阵通过作为过滤器的第一卷积神经网络以得到联动特征向量；特征校
正模块，用于基于所述联动特征向量的二范数，对所述联动特征向量中各个位置的特征值进行校正以得到校正后联动特征向量；轴承转速采集模块，用于获取所述多个预定时间点的轴承的转速值；轴承转速特征提取模块，用于将所述多个预定时间点的轴承的转速值通过多尺度邻域特征提取模块以得到多尺度转速特征向量；响应性估计模块，用于计算所述多尺度转速特征向量相对于所述校正后联动特征向量的响应性估计以得到分类特征矩阵；以及，故障诊断结果生成模块，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轴承润滑系统的故障风险是否超过预定阈值。
[0047]
图1图示了根据本技术实施例的风力发电机组的轴承润滑系统故障诊断系统的应用场景图。如图1所示，在该应用场景中，通过各个传感器，例如通过风速测量仪(例如，如图1中所示意的c1)和桨距角测量仪(例如，如图1中所示意的c2)分别采集风力发电机组(例如，如图1中所示意的f)预定时间段内多个预定时间点的风速值和桨距角，以及通过转速传感器(例如，如图1中所示意的c3)获取所述风力发电机组的所述多个预定时间点的轴承的转速值；然后，将获取的风速值、桨距角和轴承的转速值输入至部署有风力发电机组的轴承润滑系统故障诊断系统的服务器(例如，如图1所示意的s)中，其中，所述服务器以风力发电机组的轴承润滑系统故障诊断算法对所述风速值、桨距角和轴承的转速值进行处理，以生成用于表示轴承润滑系统的故障风险是否超过预定阈值的分类结果。
[0048]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0049]
示例性系统
[0050]
图2图示了根据本技术实施例的风力发电机组的轴承润滑系统故障诊断系统的框图。如图2所示，根据本技术实施例的风力发电机组的轴承润滑系统故障诊断系统100，包括：外部激励数据采集模块110，用于获取预定时间段内多个预定时间点的风速值和桨距角；外部激励数据结构化模块120，用于将所述预定时间段内多个预定时间点的风速值和桨距角分别按照时间维度排列为风速输入向量和桨距角输入向量后，计算所述风速输入向量的转置向量与所述桨距角输入向量之间的乘积以得到联动关联矩阵；外部激励联动特征提取模块130，用于将所述联动关联矩阵通过作为过滤器的第一卷积神经网络以得到联动特征向量；特征校正模块140，用于基于所述联动特征向量的二范数，对所述联动特征向量中各个位置的特征值进行校正以得到校正后联动特征向量；轴承转速采集模块150，用于获取所述多个预定时间点的轴承的转速值；轴承转速特征提取模块160，用于将所述多个预定时间点的轴承的转速值通过多尺度邻域特征提取模块以得到多尺度转速特征向量；响应性估计模块170，用于计算所述多尺度转速特征向量相对于所述校正后联动特征向量的响应性估计以得到分类特征矩阵；以及，故障诊断结果生成模块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轴承润滑系统的故障风险是否超过预定阈值。
[0051]
具体地，在本技术实施例中，所述外部激励数据采集模块110，用于获取预定时间段内多个预定时间点的风速值和桨距角。应可理解，风速和桨距角的协同配置会使得轴承以预定转速进行运转，因此，若想对所述轴承的运转状态进行在线监测以对轴承润滑系统进行故障预警，可基于所述风速和所述桨距角的协同驱动特征与所述轴承的转速特征之间的响应性估计来评估所述所述风速和桨距角的配合所提供的能量转化为所述轴承转速的
比率是否符合预定要求，即，所述轴承润滑系统性能是否满足预定要求。
[0052]
因此，在本技术的技术方案中，首先通过各个传感器，例如风速测量仪和桨距角测量仪分别采集预定时间段内多个预定时间点的风速值和桨距角。
[0053]
具体地，在本技术实施例中，所述外部激励数据结构化模块120，用于将所述预定时间段内多个预定时间点的风速值和桨距角分别按照时间维度排列为风速输入向量和桨距角输入向量后，计算所述风速输入向量的转置向量与所述桨距角输入向量之间的乘积以得到联动关联矩阵。如前所述，在正常的情况下，所述风速和所述桨距角会协同配置以使得轴承以预定转速进行运转，因此，为了能够更为充分地提取出所述风速和所述桨距角的协同驱动特征，进一步构造两者数据之间的关联性矩阵。
[0054]
也就是，在采集预定时间段内多个预定时间点的风速值和桨距角之后，将所述预定时间段内多个预定时间点的风速值和桨距角分别按照时间维度排列为风速输入向量和桨距角输入向量以整合各个时间点下的所述风速和所述桨距角信息后，计算所述风速输入向量的转置向量与所述桨距角输入向量之间的乘积以得到联动关联矩阵。
[0055]
具体地，在本技术实施例中，所述外部激励联动特征提取模块130，用于将所述联动关联矩阵通过作为过滤器的第一卷积神经网络以得到联动特征向量。由于卷积神经网络模型在数据间的隐含关联特征提取方面具有优异的表现，因此，在本技术的技术方案中，使用作为过滤器的第一卷积神经网络来对于所述联动关联矩阵进行处理，以提取出所述联动关联矩阵中的各个位置的隐含关联特征信息，即所述风速和所述桨距角的协同驱动特征，从而得到联动特征向量。
[0056]
进一步地，在本技术的技术方案中，所述作为过滤器的第一卷积神经网络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，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述联动特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述联动关联矩阵。
[0057]
也就是，首先将所述联动关联矩阵输入所述作为过滤器的第一卷积神经网络的第一层，然后所述作为过滤器的第一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、均值池化处理和非线性激活处理，最后所述作为过滤器的第一卷积神经网络的最后一层的输出为所述联动特征向量。
[0058]
具体地，在本技术实施例中，所述特征校正模块140，用于基于所述联动特征向量的二范数，对所述联动特征向量中各个位置的特征值进行校正以得到校正后联动特征向量。特别地，在本技术实施例中，由于所述联动特征向量的各个位置的特征值是对所述所述联动关联矩阵的各个特征矩阵进行全局均值池化得到的，因此期望提高所述联动特征向量与所述特征矩阵的维度无关的对所述联动关联矩阵的表达能力。
[0059]
更具体地，在本技术实施例中，图3图示了根据本技术实施例的风力发电机组的轴承润滑系统故障诊断系统中所述特征校正模块的框图，如图3所示，所述特征校正模块140，包括：自协方差矩阵构造单元210，用于计算所述联动特征向量中每两个位置的特征值之间的方差以得到自协方差矩阵；自相关单元220，用于计算所述联动特征向量与所述自协方差矩阵之间的乘积以得到自相关特征向量；第一按位置差分单元230，用于计算所述联动特征
向量和所述自相关特征向量的按位置差分以得到去相关联动特征向量；第一指数运算单元240，用于计算以所述去相关联动特征向量中各个位置的特征值为幂的自然指数函数值以得到指数去相关联动特征向量；第二按位置差分单元250，用于计算所述联动特征向量和所述联动特征向量的二范数之间的按位置差分以得到去低秩表示联动特征向量；第二指数运算单元260，用于计算以所述去低秩表示联动特征向量中各个位置的特征值为幂的自然指数函数值以得到指数去低秩表示联动特征向量；以及，融合校正单元270，用于基于所述联动特征向量中所有位置的特征值集合的全局均值和方差来融合所述指数去相关联动特征向量和所述指数去低秩表示联动特征向量以得到所述校正后联动特征向量。
[0060]
特别地，在本技术的技术方案中，在将所述联动关联矩阵通过作为过滤器的第一卷积神经网络以得到联动特征向量时，由于所述第一卷积神经网络的卷积核作为过滤器对所述联动关联矩阵的矩阵值之间的关联特征进行基于下采样的前向的像素级传播，可能导致所述联动特征向量的各位置的特征值的相关性相对于所述联动关联矩阵的各位置的值之间的相关性变差，从而影响所述联动特征向量对所述联动关联矩阵的特征表达效果。
[0061]
因此，对所述联动特征向量进行前向传播相关性引导修正，即：
[0062][0063]
∑是向量v的自协方差矩阵，即矩阵的每个位置的值是所述联动特征向量v的每两个位置的特征值之间的方差，μ和σ分别是所述联动特征向量v的全局均值和方差。
[0064]
也就是，针对基于过滤器的卷积神经网络对于特征进行基于下采样的前向的像素级传播的特点，通过可学习的正态采样偏移引导特征工程来有效地建模所述联动特征向量v的特征值与所述联动关联矩阵的宽度和高度维度上的长程依赖关系，并进一步基于局部和非局部邻域来进行所述联动特征向量v的特征值的相关性的修复，以提升所述联动特征向量对所述联动关联矩阵的特征表达效果，进而提高分类的准确性。
[0065]
进一步地，在本技术实施例中，基于所述联动特征向量中所有位置的特征值集合的全局均值和方差以如下公式来融合所述指数去相关联动特征向量和所述指数去低秩表示联动特征向量以得到所述校正后联动特征向量；其中，所述公式为：
[0066][0067]
其中，v1表示所述指数去相关联动特征向量，v2表示所述指数去低秩表示联动特征向量，v
′
表示所述校正后联动特征向量，μ和σ分别表示所述联动特征向量中所有位置的特征值集合的全局均值和方差，
⊕
表示按位置加和。
[0068]
具体地，在本技术实施例中，所述轴承转速采集模块150，用于获取所述多个预定时间点的轴承的转速值。应可以理解，为了能够准确地评估所述所述风速和桨距角的配合所提供的能量转化为所述轴承转速的比率是否符合预定要求，还需要对于所述轴承的转速值在时间维度上的转速动态特征进行提取。也就是，首先，通过转速传感器获取所述多个预定时间点的轴承的转速值。并且，将所述多个预定时间点的轴承的转速值排列为轴承转速输入向量。
[0069]
具体地，在本技术实施例中，所述轴承转速特征提取模块160，用于将所述多个预定时间点的轴承的转速值通过多尺度邻域特征提取模块以得到多尺度转速特征向量。考虑
到所述轴承转速在不同的时间段内会呈现出不同的模式状态，例如，所述轴承转速会再不同的时间段内一阵时候快，一阵时候慢，因此，若想对于不同时间跨度内的轴承转速进行深层的关联特征提取，进一步使用多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层分别对所述轴承转速输入向量进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以得到所述多尺度转速特征向量。
[0070]
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轴承转速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。在本技术的其他示例中，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轴承转速特征的不同尺度的邻域内关联特征提取，对此，并不为本技术所局限。
[0071]
更具体地，在本技术实施例中，图4图示了根据本技术实施例的风力发电机组的轴承润滑系统故障诊断系统中所述轴承转速特征提取模块的框图，如图4所示，所述轴承转速特征提取模块160，包括：轴承转速值向量化单元310，用于将所述多个预定时间点的轴承的转速值排列为轴承转速输入向量；第一尺度特征提取单元320，用于将所述轴承转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；第二尺度特征提取单元330，用于将所述轴承转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，级联单元340，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多尺度转速特征向量。
[0072]
进一步地，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轴承转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：
[0073][0074]
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表示所述轴承转速输入向量。
[0075]
更进一步地，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轴承转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：
[0076][0077]
其中，b为第一卷积核在x方向上的宽度、f(b)为第一卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第一卷积核的尺寸，x表示所述轴承转速输入向量。
[0078]
具体地，在本技术实施例中，所述响应性估计模块170，用于计算所述多尺度转速特征向量相对于所述校正后联动特征向量的响应性估计以得到分类特征矩阵。应可以理解，由于所述风速和桨距角的协同驱动特征与所述轴承的转速特征之间的特征尺度不同，
并且由于在正常情况下，所述风速和所述桨距角的协同配置会使得所述轴承以预定转速进行运转，因此所述风速和桨距角的协同驱动特征在高维特征空间中可以看作是对于所述轴承的转速特征的响应性特征。
[0079]
相应地，以如下公式计算所述多尺度转速特征向量相对于所述校正后联动特征向量的响应性估计以得到所述分类特征矩阵；其中，所述公式为：
[0080]vs
＝m*v
l
[0081]
其中vs表示所述多尺度转速特征向量，v
l
表示所述校正后联动特征向量，m表示所述分类特征矩阵。
[0082]
应可以理解，在本技术的技术方案中，进一步基于所述风速和桨距角的协同驱动特征与所述轴承的转速特征之间的响应性估计来评估所述风速和所述桨距角的配合所提供的能量转化为所述轴承转速的比率是否符合预定要求，即，轴承润滑系统性能是否满足预定要求。这样，就能够进一步对所述轴承润滑系统的故障风险是否超过预定阈值进行准确地判断，以对所述轴承润滑系统进行故障预警，从而可及时地调整所述轴承润滑系统的控制策略，例如，提高油脂分配器的温度。
[0083]
具体地，在本技术实施例中，所述故障诊断结果生成模块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轴承润滑系统的故障风险是否超过预定阈值。也就是，将所述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，所述分类结果用于表示轴承润滑系统的故障风险是否超过预定阈值。
[0084]
更具体地，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。
[0085]
综上，基于本技术实施例的风力发电机组的轴承润滑系统故障诊断系统100被阐明，其将预定时间段内多个预定时间点的风速值和桨距角通过作为过滤器的第一卷积神经网络并进行校正以得到校正后联动特征向量，将多个预定时间点的轴承的转速值通过多尺度邻域特征提取模块进行深层的关联特征提取以得到多尺度转速特征向量，然后，计算所述多尺度转速特征向量相对于所述校正后联动特征向量的响应性估计以得到分类特征矩阵，最后将所述分类特征矩阵通过分类器以得到用于表示轴承润滑系统的故障风险是否超过预定阈值的分类结果。这样，可以对所述轴承润滑系统进行故障预警，以及时地调整所述轴承润滑系统的控制策略。
[0086]
如上所述，根据本技术实施例的风力发电机组的轴承润滑系统故障诊断系统100可以实现在各种终端设备中，例如用于风力发电机组的轴承润滑系统故障诊断的服务器等。在一个示例中，根据本技术实施例的风力发电机组的轴承润滑系统故障诊断系统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，该风力发电机组的轴承润滑系统故障诊断系统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，该风力发电机组的轴承润滑系统故障诊断系统100同样可以是该终端设备的众多硬件模块之一。
[0087]
替换地，在另一示例中，该风力发电机组的轴承润滑系统故障诊断系统100与该终
端设备也可以是分立的设备，并且该风力发电机组的轴承润滑系统故障诊断系统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。
[0088]
示例性方法
[0089]
图5图示了根据本技术实施例的风力发电机组的轴承润滑系统故障诊断方法的流程图。如图5所示，根据本技术实施例的风力发电机组的轴承润滑系统故障诊断方法，包括：s110，获取预定时间段内多个预定时间点的风速值和桨距角；s120，将所述预定时间段内多个预定时间点的风速值和桨距角分别按照时间维度排列为风速输入向量和桨距角输入向量后，计算所述风速输入向量的转置向量与所述桨距角输入向量之间的乘积以得到联动关联矩阵；s130，将所述联动关联矩阵通过作为过滤器的第一卷积神经网络以得到联动特征向量；s140，基于所述联动特征向量的二范数，对所述联动特征向量中各个位置的特征值进行校正以得到校正后联动特征向量；s150，获取所述多个预定时间点的轴承的转速值；s160，将所述多个预定时间点的轴承的转速值通过多尺度邻域特征提取模块以得到多尺度转速特征向量；s170，计算所述多尺度转速特征向量相对于所述校正后联动特征向量的响应性估计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轴承润滑系统的故障风险是否超过预定阈值。
[0090]
图6图示了根据本技术实施例的风力发电机组的轴承润滑系统故障诊断方法的架构示意图。如图6所示，在所述风力发电机组的轴承润滑系统故障诊断方法的网络架构中，首先，获取预定时间段内多个预定时间点的风速值和桨距角；然后，将所述预定时间段内多个预定时间点的风速值和桨距角分别按照时间维度排列为风速输入向量和桨距角输入向量后，计算所述风速输入向量的转置向量与所述桨距角输入向量之间的乘积以得到联动关联矩阵；接着，将所述联动关联矩阵通过作为过滤器的第一卷积神经网络以得到联动特征向量；然后，基于所述联动特征向量的二范数，对所述联动特征向量中各个位置的特征值进行校正以得到校正后联动特征向量；接着，获取所述多个预定时间点的轴承的转速值；然后，将所述多个预定时间点的轴承的转速值通过多尺度邻域特征提取模块以得到多尺度转速特征向量；接着，计算所述多尺度转速特征向量相对于所述校正后联动特征向量的响应性估计以得到分类特征矩阵；以及，最后，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轴承润滑系统的故障风险是否超过预定阈值。
[0091]
在本技术的一个实施例中，在上述风力发电机组的轴承润滑系统故障诊断方法中，所述将所述联动关联矩阵通过作为过滤器的第一卷积神经网络以得到联动特征向量，包括：所述作为过滤器的第一卷积神经网络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，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述联动特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述联动关联矩阵。
[0092]
在本技术的一个实施例中，在上述风力发电机组的轴承润滑系统故障诊断方法中，所述基于所述联动特征向量的二范数，对所述联动特征向量中各个位置的特征值进行校正以得到校正后联动特征向量，包括：计算所述联动特征向量中每两个位置的特征值之间的方差以得到自协方差矩阵；计算所述联动特征向量与所述自协方差矩阵之间的乘积以得到自相关特征向量；计算所述联动特征向量和所述自相关特征向量的按位置差分以得到
去相关联动特征向量；计算以所述去相关联动特征向量中各个位置的特征值为幂的自然指数函数值以得到指数去相关联动特征向量；计算所述联动特征向量和所述联动特征向量的二范数之间的按位置差分以得到去低秩表示联动特征向量；计算以所述去低秩表示联动特征向量中各个位置的特征值为幂的自然指数函数值以得到指数去低秩表示联动特征向量；以及，基于所述联动特征向量中所有位置的特征值集合的全局均值和方差来融合所述指数去相关联动特征向量和所述指数去低秩表示联动特征向量以得到所述校正后联动特征向量。
[0093]
在本技术的一个实施例中，在上述风力发电机组的轴承润滑系统故障诊断方法中，所述基于所述联动特征向量中所有位置的特征值集合的全局均值和方差来融合所述指数去相关联动特征向量和所述指数去低秩表示联动特征向量以得到所述校正后联动特征向量，包括：基于所述联动特征向量中所有位置的特征值集合的全局均值和方差以如下公式来融合所述指数去相关联动特征向量和所述指数去低秩表示联动特征向量以得到所述校正后联动特征向量；其中，所述公式为：
[0094][0095]
其中，v1表示所述指数去相关联动特征向量，v2表示所述指数去低秩表示联动特征向量，v
′
表示所述校正后联动特征向量，μ和σ分别表示所述联动特征向量中所有位置的特征值集合的全局均值和方差，表示按位置加和。
[0096]
在本技术的一个实施例中，在上述风力发电机组的轴承润滑系统故障诊断方法中，所述将所述多个预定时间点的轴承的转速值通过多尺度邻域特征提取模块以得到多尺度转速特征向量，包括：将所述多个预定时间点的轴承的转速值排列为轴承转速输入向量；将所述轴承转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；将所述轴承转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，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多尺度转速特征向量。
[0097]
在本技术的一个实施例中，在上述风力发电机组的轴承润滑系统故障诊断方法中，所述将所述轴承转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，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轴承转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：
[0098][0099]
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表示所述轴承转速输入向量。
[0100]
在本技术的一个实施例中，在上述风力发电机组的轴承润滑系统故障诊断方法中，所述将所述轴承转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，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轴承转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：
[0101][0102]
其中，b为第一卷积核在x方向上的宽度、f(b)为第一卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第一卷积核的尺寸，x表示所述轴承转速输入向量。
[0103]
在本技术的一个实施例中，在上述风力发电机组的轴承润滑系统故障诊断方法中，所述计算所述多尺度转速特征向量相对于所述校正后联动特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述多尺度转速特征向量相对于所述校正后联动特征向量的响应性估计以得到所述分类特征矩阵；其中，所述公式为：
[0104]vs
＝m*v
l
[0105]
其中vs表示所述多尺度转速特征向量，v
l
表示所述校正后联动特征向量，m表示所述分类特征矩阵。
[0106]
在本技术的一个实施例中，在上述风力发电机组的轴承润滑系统故障诊断方法中，所述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轴承润滑系统的故障风险是否超过预定阈值，包括：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b表示各层全连接层的偏置矩阵。
[0107]
这里，本领域技术人员可以理解，上述风力发电机组的轴承润滑系统故障诊断方法中的具体功能和操作已经在上面参考图1到图4的风力发电机组的轴承润滑系统故障诊断系统描述中得到了详细介绍，并因此，将省略其重复描述。