开云优惠体育网页版入口

专利名称：一种融合多源异构监测数据的风电传动系统健康评估方法

专利类型：发明专利

专利申请号：CN202111508338.4

专利申请（专利权）人：燕山大学
权利人地址：河北省秦皇岛市海港区河北大街438号

专利发明（设计）人：江国乾,王俪瑾,陈琦,王景,易子宸,谢平,武鑫,何群

专利摘要：本发明公开了一种融合多源异构监测数据的风电传动系统健康评估方法，属于风力发电机状态监测与健康评估领域，从数据采集与监控系统(SCADA)和振动状态监测系统(CMS)两个复杂多变、多源异构的监测数据体统中提取和挖掘有用信息，准确评估和识别传动系统的健康状态。本发明提供了一种融合多源监测信息的端对端融合网络模型，能够从SCADA和CMS数据中挖掘时空关联特征，并进行重要特征的动态筛选和融合，实现了多源互补特征的高效融合，提高了风电传动系统健康评估的准确性和可靠性。

主权利要求：
1.一种融合多源异构监测数据的风电传动系统健康评估方法，其特征在于包括以下步骤：
步骤S1：从风电机组分别获取传动系统SCADA多变量数据和CMS多通道振动数据，所述的SCADA多变量数据和CMS多通道振动数据来自于同时段数据；
步骤S2：分别将步骤S1所述的SCADA多变量数据和CMS多通道振动信号输入到多视角卷积特征学习网络和多通道振动特征学习网络进行特征提取,得到SCADA时空融合特征和CMS振动多通道融合特征；
步骤S3：将步骤S2得到的SCADA时空融合特征和CMS多通道振动融合特征输入到基于残差注意力的动态融合模块进行信息融合；
步骤S4：将步骤S3得到的多源时空融合特征输入到基于单分类优化目标函数，训练得到基于超球体的健康评估模型；所述的超球体模型是指，计算找到一个在映射特征空间内尽可能容纳所有正常训练样本的体积最小的超球，其半径为R，中心为c；
超球体模型的建立包括如下具体步骤：
S41：将风电传动系统健康评估任务定义为一个单分类学习任务，其输入样本数据仅包含机组正常样本；
S42：将步骤S3得到的多模态时空融合特征输入到一个线性回归层得到单分类超球模型，该模型通过优化如下目标函数进行训练：
2 2
s.t.||φ(xi)?c||≤R+ξi,ξi≥0,i＝1,2,....,N
其中，c表示超球体的中心，R为超球体的半径，N为训练样本数，d为惩罚因子，控制超球的体积和错误数量(被拒绝的目标对象数量)之间的权衡,ξi为松弛变量，允许数据集中存在异常值的可能性；xi表示输入第i个样本，φ表示学习的网络模型；超球体的中心和半径的计算公式如下，其中∝i和∝j为拉格朗日系数；
步骤S5：将在线测试样本到训练好的超球体模型中，计算得到该样本数据距超球中心的距离值D；定义健康因子HI，其为超球体半径R与待测数据距离超球体中心的距离值D的相对距离指数：当系统健康时，HI<1；当发生故障异常时，HI>1，并且HI值偏离1的程度越大，退化程度越严重，从而可以评估健康状态。
2.根据权利要求1中所述的一种融合多源异构监测数据的风电传动系统健康评估方法，其特征在于：步骤S1中SCADA多变量数据包括风速、有功功率、转子转速、主轴承温度、齿轮箱油温、齿轮箱轴承温度、发电机前轴承温度、发电机后轴承温度、发电机绕组温度、发电机转速、油液压力、环境温度参数；CMS多通道振动数据包括主轴承振动、齿轮箱低速轴振动、齿轮箱中间轴振动、齿轮箱高速轴振动、发电机驱动端振动和发电机非驱动端振动。
3.根据权利要求1中所述的一种融合多源异构监测数据的风电传动系统健康评估方法，其特征在于：步骤S2中所述的多视角时空特征学习网络是对包含k个传感器变量的SCADA数据首先通过多视角卷积核对其进行空间特征提。龅亩嗍咏蔷砘税ㄈ质咏蔷砘薈1、空洞视角卷积核C2和局部视角卷积核C3，其中C1卷积核大小为k×1，C2空洞卷积核大小为p×1(p
所述的多通道振动特征学习网络是先利用对包含n个通道的振动信号的每个通道进行时间维度的卷积特征学习，其卷积核大小为1×q，得到n个一维特征向量，然后对这些特征向量在通道维度上进行加权融合，卷积核大小为1×1×n，卷积核个数为m，得到m个融合后的一维特征向量，并进行拼接得到CMS振动多通道融合特征。
4.根据权利要求1中所述的一种融合多源异构监测数据的风电传动系统健康评估方法，其特征在于：步骤S3中所述的基于残差注意力的动态融合模块是将SCADA和CMS数据特征经过多层感知机进行特征变换学习得到每个特征维度对应的注意力权重，然后将原始特征与注意力权重相乘得到加权融合后的特征输出；并设计残差连接将原始SCADA和CMS特征与加权后的特征进行加和得到最终多源时空融合特征。
5.根据权利要求1中所述的一种融合多源异构监测数据的风电传动系统健康评估方法，其特征在于：所述步骤S5中，对于待测样本z，距超球模型中心的距离值计算公式如下： 说明书 : 一种融合多源异构监测数据的风电传动系统健康评估方法技术领域[0001] 本发明属于风力发电机状态监测与健康评估领域，涉及一种融合多源异构监测数据的风电传动系统健康评估方法。背景技术[0002] 传动系统作为风电机组的重要传动装置，长期工作在低速、重载、交变载荷作用以及强阵风冲击等复杂工况下，故障发生率较高，一旦某个部件出现故障，将可能引发连锁反应，导致整个系统停机，造成巨大的经济损失和恶劣的社会影响。据统计，相比于变桨系统、电气系统等其他系统故障，传动系统故障导致机组停机时间最长，严重影响发电量，大大增加运维成本。因此，开展风电传动系统健康评估研究，实时、准确的监测和评估各部件的运行状态和健康状况，为机组“保驾护航”，对于降低运维成本，提高发电效益有着重要的意义和社会价值。[0003] 目前，风电场机组已广泛安装监视控制与数据采集(SupervisoryControlandDataAcquisition,SCADA)系统和状态监测系统(ConditionMonitoringSystem,CMS)来实现风电机组运行状态信息的集成和共享。其中，SCADA系统通过不同类型的传感器可以监视和采集与传动系统运行状态相关的主轴承温度、齿轮箱油温、发电机轴承温度、油液压力、发电机转速和转矩等参数及风速、风向、环境温度等运行工况参数，而CMS系统则主要采集振动信号来监测主轴承、齿轮箱、发电机等关键部件的运行状态。这两类监测系统“各司其职”，前者侧重于基于温度、压力等低频采样参数对传动系统进行异常检测和性能评估，而后者侧重于基于振动高频采样信号对传动系统关键部件故障特征信息进行提取和诊断。同时，SCADA和CMS监测数据具有明显的互补优势，二者的集成分析能够为传动系统健康评估与诊断提供更为完备的信息空间和更精确的诊断。然而，由于SCADA与CMS监测数据之间采样率差异大，存储周期不一致、数据变化特点不同等问题，难以直接从原始数据空间实现二者的融合分析。目前，缺乏行之有效的方法来实现SCADA与CMS多源异构监测数据的关联性和互补性的集成和融合。发明内容[0004] 本发明的目的在于提供一种能够将SCADA和CMS多源异构监测数据在特征空间进行学习融合的方法，充分利用两类数据的互补监测优势，克服现有单一数据健康评估准确性和可靠性低的问题。[0005] 为达到上述技术目的，本发明的技术方案如下：[0006] 一种融合多源异构监测数据的风电传动系统健康评估方法，包括以下步骤：[0007] 步骤S1：从风电机组分别获取传动系统SCADA多变量数据和CMS多通道振动数据，其中SCADA多变量数据包括风速、有功功率、转子转速、主轴承温度、齿轮箱油温、齿轮箱轴承温度、发电机前轴承温度、发电机后轴承温度、发电机绕组温度、发电机转速、油液压力、环境温度等参数；CMS多通道振动数据包括主轴承振动、齿轮箱低速轴振动、齿轮箱中间轴振动、齿轮箱高速轴振动、发电机驱动端振动和发电机非驱动端振动。所述的SCADA多变量数据和CMS多通道振动数据来自于同时段数据。[0008] 步骤S2：分别将步骤S1所述的SCADA多变量时间序列数据和CMS多通道振动信号输入到多视角卷积特征学习网络和多通道振动特征学习网络进行特征提取。[0009] 所述的多视角时空特征学习网络是对包含k个传感器变量的SCADA数据首先通过多视角卷积核对其进行空间特征提。龅亩嗍咏蔷砘税ㄈ质咏蔷砘薈1,、空洞视角卷积核C2和局部视角卷积核C3，其中C1卷积核大小为k×1，C2空洞卷积核大小为p×1(p[0010] 所述的多通道振动特征学习网络是先利用对包含n个通道的振动信号的每个通道进行时间维度的卷积特征学习，其卷积核大小为1×q，得到n个一维特征向量，然后对这些特征向量在通道维度上进行加权融合，卷积核大小为1×1×n，卷积核个数为m，得到m个融合后的一维特征向量，并进行拼接得到CMS振动多通道融合特征。[0011] 步骤S3：将步骤S2得到的SCADA时空融合特征和CMS多通道振动融合特征输入到基于残差注意力的动态融合模块进行信息融合。[0012] 所述的基于残差注意力的动态融合模块是将SCADA和CMS数据特征经过多层感知机进行特征变换学习得到每个特征维度对应的注意力权重，然后将原始特征与注意力权重相乘得到加权融合后的特征输出；并设计残差连接将原始SCADA和CMS特征与加权后的特征进行加和得到最终多源时空融合特征。[0013] 步骤S4：将步骤S3得到的多源时空融合特征输入到基于单分类优化目标函数，训练得到基于超球体的健康评估模型。所述的超球体模型是指，计算找到一个在映射特征空间内尽可能容纳所有正常训练样本的体积最小的超球，其半径为R，中心为c。[0014] 步骤S5：将在线测试样本到训练好的超球体模型中，计算得到该样本数据距超球中心的距离值D。定义健康因子HI，其为超球体半径R与待测数据距离超球体中心的距离值D的相对距离指数：[0015][0016] 当系统健康时，HI<1；当发生故障异常时，HI>1，并且HI值偏离1的程度越大，退化程度越严重，从而可以评估健康状态。[0017] 本发明技术方案的进一步改进在于：步骤S4中超球体模型的建立包括如下具体步骤：[0018] S41：将风电传动系统健康评估任务定义为一个单分类学习任务，其输入样本数据仅包含机组正常样本；[0019] S42：将步骤S3得到的多模态时空融合特征输入到一个线性回归层得到单分类超球模型，该模型通过优化如下目标函数进行训练：[0020][0021] s.t.||φ(xi)?c||2≤R2+ξi,ξi≥0,i＝1,2,…,N[0022] 其中，c表示超球体的中心，R为超球体的半径，N为训练样本数，d为惩罚因子，控制超球的体积和错误数量(被拒绝的目标对象数量)之间的权衡,ξi为松弛变量，允许数据集中存在异常值的可能性。xi表示输入第i个样本，φ表示学习的网络模型。超球体的中心和半径的计算公式如下，其中∝i和∝j为拉格朗日系数。[0023][0024][0025] 本发明技术方案的进一步改进在于：步骤S5中，对于待测样本z，距超球模型中心的距离值计算公式如下：[0026][0027] 由于采用了上述技术方案，本发明取得的技术效果如下：[0028] 本发明通过融合SCADA和CMS多源异构监测数据的互补监测信息，相对于单一数据源，提高了风电传动系统健康评估的准确性和可靠性。[0029] 本发明提出多视角时空特征学习网络和多通道振动特征学习网络，可以自适应学习不同传感器信号之间的时空关联特征，并通过基于残差注意力网络的动态融合模块实现了重要特征的动态筛选和融合，实现了多源监测信息的高效提取和集成。[0030] 本发明提出的超球体健康评估模型是一种端对端的多源信息融合学习网络模型，不依赖于复杂的信号变换和特征工程，属于单类学习，不需要故障标注信息，可以大大减少人工标记成本，有利于在实际应用中低成本部署。附图说明[0031] 图1是本发明流程示意图；[0032] 图2是本发明多视角时空特征学习网络示意图；[0033] 图3是本发明多通道振动特征学习网络示意图；[0034] 图4是本发明基于残差注意力网络的动态融合模块示意图。具体实施方式[0035] 本发明提供一种融合多源异构监测数据的风电传动系统健康评估方法，该方法的核心是融合多源异构的SCADA数据和CMS振动数据，从中提取和挖掘有用信息，以提高评估和识别传动系统的健康状态的准确性，实现对早期故障进行预警诊断。为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。[0036] 如图1所示，为本发明一种具体实施方式所提供的融合多源异构监测数据的风电传动系统健康评估方法的总体技术流程图。该方法包括分别输入的SCADA数据和CMS多通道振动数据，通过多视角时空特征学习网络模块、多通道振动特征学习网络、基于残差注意力网络的动态融合模块、超球体健康评估模块，最终得出健康因子。[0037] 一种融合多源异构监测数据的风电传动系统健康评估方法，其特征在于包括以下步骤：[0038] 步骤S1：从风电机组分别获取传动系统SCADA多变量数据和CMS多通道振动数据，其中SCADA多变量数据包括风速、有功功率、转子转速、主轴承温度、齿轮箱油温、齿轮箱轴承温度、发电机前轴承温度、发电机后轴承温度、发电机绕组温度、发电机转速、油液压力、环境温度等参数；CMS多通道振动数据包括主轴承振动、齿轮箱低速轴振动、齿轮箱中间轴振动、齿轮箱高速轴振动、发电机驱动端振动和发电机非驱动端振动。其中，所获取的SCADA多变量数据和CMS多通道振动数据来自于同时段数据。[0039] 分别进行多视角时空特征学习和多通道振动特征学习，具体包括以下步骤：[0040] 步骤S2：分别将步骤S1所述的SCADA多变量时间序列数据和CMS多通道振动信号输入到多视角卷积特征学习网络和多通道振动特征学习网络进行特征提取。[0041] 如图2所示，所述的多视角时空特征学习网络是对包含k个传感器变量的SCADA数据首先通过多视角卷积核对其进行空间特征提。龅亩嗍咏蔷砘税ㄈ质咏蔷砘薈1,、空洞视角卷积核C2和局部视角卷积核C3，其中C1卷积核大小为k×1，C2空洞卷积核大小为p×1(p[0042] 如图3所示，所述的多通道振动特征学习网络是先利用对包含n个通道的振动信号的每个通道进行时间维度的卷积特征学习，其卷积核大小为1×q，得到n个一维特征向量，然后对这些特征向量在通道维度上进行加权融合，卷积核大小为1×1×n，卷积核个数为m，得到m个融合后的一维特征向量，并进行拼接得到CMS振动多通道融合特征。[0043] 如图4所示，是本发明基于残差注意力网络的动态融合模块。具体包括以下步骤：[0044] 步骤S3：将步骤S2得到的SCADA时空融合特征和CMS多通道振动融合特征输入到基于残差注意力的动态融合模块进行信息融合。[0045] 所述的基于残差注意力的动态融合模块是将SCADA和CMS数据特征经过多层感知机进行特征变换学习得到每个特征维度对应的注意力权重，然后将原始特征与注意力权重相乘得到加权融合后的特征输出；并设计残差连接将原始SCADA和CMS特征与加权后的特征进行加和得到最终多源时空融合特征。[0046] 步骤S4：将步骤S3得到的多源时空融合特征输入到基于单分类优化目标函数，训练得到基于超球体的健康评估模型。所述的超球体模型是指，计算找到一个在映射特征空间内尽可能容纳所有正常训练样本的体积最小的超球，其半径为R，中心为c。[0047] 步骤S5：将在线测试样本到训练好的超球体模型中，计算得到该样本数据距超球中心的距离值D。定义健康因子HI，其为超球体半径R与待测数据距离超球体中心的距离值D的相对距离指数：[0048][0049] 当系统健康时，HI<1；当发生故障异常时，HI>1，并且HI值偏离1的程度越大，退化程度越严重，从而可以评估健康状态。[0050] 以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

专利地区：河北

专利申请日期：2021-12-10

专利公开日期：2024-11-29

专利公告号：CN114358511B