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

技术特征：
1.一种风力发电机组的轴承润滑系统故障诊断系统，其特征在于，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。2.根据权利要求1所述的风力发电机组的轴承润滑系统故障诊断系统，其特征在于，所述外部激励联动特征提取模块，进一步用于：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。3.根据权利要求2所述的风力发电机组的轴承润滑系统故障诊断系统，其特征在于，所述特征校正模块，包括：自协方差矩阵构造单元，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，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，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，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，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，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，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。4.根据权利要求3所述的风力发电机组的轴承润滑系统故障诊断系统，其特征在于，所述融合校正单元，进一步用于：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：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。5.根据权利要求4所述的风力发电机组的轴承润滑系统故障诊断系统，其特征在于，所述轴承转速特征提取模块，包括：轴承转速值向量化单元，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，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，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，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。6.根据权利要求5所述的风力发电机组的轴承润滑系统故障诊断系统，其特征在于，所述第一尺度特征提取单元，进一步用于：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：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。7.根据权利要求6所述的风力发电机组的轴承润滑系统故障诊断系统，其特征在于，所述第二尺度特征提取单元，进一步用于：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：
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。8.根据权利要求7所述的风力发电机组的轴承润滑系统故障诊断系统，其特征在于，所述响应性估计模块，进一步用于：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：v
s
＝m*v
l
其中v
s
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。9.根据权利要求8所述的风力发电机组的轴承润滑系统故障诊断系统，其特征在于，所述故障诊断结果生成模块，进一步用于：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{(w
n
，b
n
)：...：(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w
n
为各层全连接层的权重矩阵，b1至b
n
表示各层全连接层的偏置矩阵。10.一种风力发电机组的轴承润滑系统故障诊断方法，其特征在于，包括：获取预定时间段内多个预定时间点的风速值和桨距角；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；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；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；获取所述多个预定时间点的轴承的转速值；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；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。

技术总结
公开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。滑系统的控制策略。滑系统的控制策略。


技术研发人员：梁哲铭 黄力哲 李波 张圃凡 雷原 孙宸玮 陈彦任 和卫强
受保护的技术使用者：北京华能新锐控制技术有限公司
技术研发日：2022.08.24
技术公布日：2022/12/12