用于风电齿轮箱的故障诊断系统及其方法技术方案

本申请公开了一种用于风电齿轮箱的故障诊断系统及其方法，其分别使用第一卷积神经网络和第二卷积神经网络对待检测风电齿轮箱在预定时间段的振动信号的波形图和电流信号的波形图进行显式空间编码以得到第一特征向量和第二特征向量，使用包含一维卷积层和全连接层的时序编码器对待检测风电齿轮箱在预定时间段的温度数据在时间维度上的序列进行编码以得到第三特征向量，然后将所述第一至第三特征向量构造为高斯混合模型，并通过对该高斯混合模型进行高斯离散化后进行分类得到用于表示所述风电齿轮箱是否存在故障的分类结果。示所述风电齿轮箱是否存在故障的分类结果。示所述风电齿轮箱是否存在故障的分类结果。

【技术实现步骤摘要】
用于风电齿轮箱的故障诊断系统及其方法


[0001]本申请涉及风电故障检测领域，且更为具体地，涉及一种用于风电齿轮箱的故障诊断系统及其方法。

技术介绍

[0002]随着风电市场的逐年扩大，给风电运维提供了广阔的市场。我国风电产业发展起步晚，但发展迅速，导致风电机组的运行质量不稳定，风电运维市场规模大，技术难度高。由于风电机组大多运行在复杂的环境下，运行工况复杂，风电机组在运行过程中难免会出现故障，特别是由于关键系统(如齿轮箱系统)故障而导致风电机组停机将会造成重大经济损失，风电机组的高运维成本、长时间停机已成为风电行业发展的障碍。因此，期待一种用于风电齿轮箱的故障诊断系统。

技术实现思路

[0003]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于风电齿轮箱的故障诊断系统、方法和电子设备，其分别使用第一卷积神经网络和第二卷积神经网络对待检测风电齿轮箱在预定时间段的振动信号的波形图和电流信号的波形图进行显式空间编码以得到第一特征向量和第二特征向量，使用包含一维卷积层和全连接层的时序编码器对待检测风电齿轮箱在预定时间段本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于风电齿轮箱的故障诊断系统，其特征在于，包括：运行数据获取单元，用于获取由部署于待检测风电齿轮箱的传感器采集的所述待检测风电齿轮箱在预定时间段的振动信号、温度信号和电流信号；第一编码单元，用于将所述待检测风电齿轮箱在预定时间段的振动信号的波形图通过第一卷积神经网络以得到第一特征向量；第二编码单元，用于将所述待检测风电齿轮箱在预定时间段的电流信号的波形图通过第二卷积神经网络以得到第二特征向量；第三编码单元，用于将所述待检测风电齿轮箱在预定时间段的温度信号通过包含一维卷积层和全连接层的时序编码器以得到第三特征向量；高斯密度图构造单元，用于分别构造所述第一至第三特征向量的高斯密度图以得到第一至第三高斯密度图，其中，所述第一高斯密度图的均值向量为所述第一特征向量，所述第一高斯密度图的协方差矩阵中各个位置的值为所述第一特征向量相应两个位置的特征值之间的方差，所述第二高斯密度图的均值向量为所述第二特征向量，所述第二高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量相应两个位置的特征值之间的方差，所述第三高斯密度图的均值向量为所述第三特征向量，所述第三高斯密度图的协方差矩阵中各个位置的值为所述第三特征向量相应两个位置的特征值之间的方差；高斯混合单元，用于使用所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数计算所述第一至第三高斯密度图的高斯混合模型；高斯离散化单元，用于对所述高斯混合模型进行高斯离散化以得到分类特征矩阵；以及诊断结果生成单元，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所述风电齿轮箱是否存在故障。2.根据权利要求1所述的用于风电齿轮箱的故障诊断系统，其中，所述第一编码单元，包括：使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行：使用卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行基于特征矩阵的全局池化处理以生成池化特征向量；以及对所述池化特征向量进行基于非线性激活以生成激活特征向量；其中，所述第一卷积神经网络的第一层的输入数据为所述待检测风电齿轮箱在预定时间段的振动信号的波形图，所述第一卷积神经网络的最后一层输出的所述激活特征向量为所述第一特征向量。3.根据权利要求2所述的用于风电齿轮箱的故障诊断系统，其中，所述第三编码单元，包括：输入向量构造子单元，用于将所述待检测风电齿轮箱在预定时间段的温度信号以天为单位按照时间维度排列为对应于所述待检测风电齿轮箱各天的一维的输入向量；全连接编码子单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中X是输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
表示矩阵乘；一维卷积编码子单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。4.根据权利要求3所述的用于风电齿轮箱的故障诊断系统，其中，所述高斯密度图构造单元，进一步以如下公式分别构造所述第一至第三特征向量的高斯密度图以得到第一至第三高斯密度图；其中，所述公式为：其中μ
k
是第一至第三特征向量中第k个特征向量，而∑
i
是协方差矩阵，其中，所述协方差矩阵中各个位置的特征值为第k个特征向量中相应两个位置之间的方差。5.根据权利要求4所述的用于风电齿轮箱的故障诊断系统，其中，所述高斯混合单元，包括：高斯概率密度分布距离指数计算子单元，用于以如下公式来计算所述第一至第三高斯密度图中每个高斯密度图的高斯概率密度分布距离指数作为每个高斯密度图的加权系数，其中，所述公式为：其中，π
k
为所述高斯概率密度分布距离指数，V
k
表示所述第一至第三高斯密度图中各个高斯密度图的对应的特征向量...

【专利技术属性】
技术研发人员：罗文，吕利，欧阳洲，冯东生，李镇海，于祥琳，
申请(专利权)人：江西仪能新能源微电网协同创新有限公司，
类型：发明
国别省市：