多尺度时空卷积深度信念网络的风力发电机故障诊断方法
阅读说明：本技术 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 (Wind driven generator fault diagnosis method of multi-scale space-time convolution depth belief network ) 是由 王洪斌 王红 江国乾 王跃灵 郑正 苏博 于 2020-03-19 设计创作，主要内容包括：本发明提出一种多尺度时空卷积深度信念网络的风力发电机故障诊断方法,该方法利用SCADA多变量时间序列固有的时空相关性和交互性特性,设计具有不同卷积核结构的卷积深度信念网络以级联的方式捕获传感器变量间的时空相关性信息,同时以并行的方式在多个滤波器尺度下挖掘变量间交互互补的特征,上述技术手段融合了时空依赖性提取和多尺度特征学习方法,因此能够提取更为丰富的故障诊断信息,与传统的卷积深度信念网络模型及其变体相比,本发明能够增强分类性能,为风力发电机故障诊断领域提供了新的途径。(The invention provides a wind driven generator fault diagnosis method of a multi-scale time-space convolution depth belief network, which utilizes the inherent time-space correlation and interactive characteristics of an SCADA multivariable time sequence to design the convolution depth belief network with different convolution kernel structures to capture the time-space correlation information among sensor variables in a cascading mode and simultaneously excavate the interactive complementary characteristics among the variables in a parallel mode.)
技术领域
本发明属于风力发电机组故障诊断技术领域，具体涉及一种多尺度时空卷积深度信念网络的风力发电机故障诊断方法。
背景技术
近年来，风能作为一种取之不尽、发展迅速的清洁可再生能源，受到了世界各国的广泛关注。风力发电机由于其在风力发电中的重要作用，在陆地和海上得到了广泛的应用。然而，在实际应用中，风力发电机通常全天候运行在恶劣的工作环境中，长期经受各种复杂作用的影响，极易引起故障，严重时甚至会导致机组停机。这些故障和计划外的停机严重影响了风电场的经济效益和风电行业的健康发展，因此，及时发现并诊断风机的故障具有重要的现实意义。
目前，基于物理模型的方法在风力发电机故障诊断中得到了广泛应用。然而，风力发电机不仅是由多个子系统和部件组成的复杂机电系统，而且还具有复杂多变的动态运行工况，难以有效建立精准的数学模型，这在很大程度上限制了基于物理模型方法在风力发电机故障诊断中的发展和应用。随着先进传感器技术的发展，仅依赖于测量数据的数据驱动故障诊断方法成为一个研究热点。目前，现代大型风力发电机已安装了数据采集与监视控制(Supervisory Control and Data Acquisition，以下简称SCADA)系统，该系统能够收集和记录大量与风力发电机及其关键部件有关的运行状态信息，因此，SCADA数据因其可用性和传感器信息的丰富性而为故障诊断提供了可能。
目前已有通过处理风力发电机SCADA数据实现风力机故障诊断的方法，但是SCADA数据本质上是多变量时间序列，具有典型的时空相关性和交互性特性，而现有风力机故障诊断方法普遍存在缺乏捕获这些特征的能力，进而影响了故障分类性能。
发明内容
本发明要解决的技术问题在于提供一种能够基于SCADA数据有效地识别风力发电机的故障类型、具有工程实用价值的故障诊断方法。
为解决上述技术问题，本发明提供一种多尺度时空卷积深度信念网络的风力发电机故障诊断方法，其包括以下步骤：
步骤S1：收集数据采集与监视控制系统在风力发电机不同健康状态下采集到的多变量时间序列数据；针对所述健康状态，分别对所述多变量时间序列数据进行预处理以获取具有指定范围的二维多变量时间序列输入矩阵；
步骤S2：将所述二维多变量时间序列输入矩阵以并行的方式分别输入到M个卷积深度信念网络中进行多尺度空间特征学习，提取不同滤波器尺度下的多尺度空间特征，所述M为自然数，且M＞1；
步骤S3：将步骤2得到的多尺度空间特征以并行的方式分别输入到与所述步骤S2中不同的另外M个卷积深度信念网络中进行多尺度时间特征学习，提取不同滤波器尺度下有效的多尺度时空特征；
步骤S4：将步骤3获取的多尺度时空特征输入到softmax分类器进行分类产生最终的诊断结果。
进一步的，所述步骤S1包括如下具体步骤：
步骤S11、采用最大最小值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yij是标准化处理后的多变量时间序列中变量j的第i个值，xij是原始多变量时间序列中变量j的第i个值，min(xj)和max(xj)分别是变量j的最小值和最大值；
步骤S12、将标准化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，得到二维多变量时间序列输入矩阵。
进一步的，步骤S2中，二维多变量时间序列输入矩阵的大小为S×N，其中S为传感器变量的个数，N为采样点数，即滑动窗口的长度，并采用三个卷积深度信念网络进行多尺度空间特征学习，具体包括如下步骤：
步骤S21、将步骤1得到的二维多变量时间序列输入矩阵分别并行输入到三个具有不同滤波器尺度的卷积深度信念网络模块，并设计每个卷积深度信念网络的滤波器只沿着变量轴滑动；
步骤S22、设置每个卷积深度信念网络模块的层数，每个模块分别包括两个隐含层和一个概率最大池化层，其中每个概率最大池化层的滤波器大小相同；
步骤S23、为保持时间维度不变，将三个卷积深度信念网络模块产生的局部空间特征映射沿着变量轴的方向级联起来，以进一步用于多尺度时间特征提取。
进一步的，所述步骤S3包括如下具体步骤：
步骤S31、将步骤2学习到的多尺度空间特征分别并行输入到三个具有不同滤波器尺度的卷积深度信念网络模块，设计每个卷积深度信念网络的滤波器只沿着时间轴滑动；
步骤S32、设置所述步骤S31中三个卷积深度信念网络模块的层数，每个模块包含两个隐含层和一个概率最大池化层，且每个概率最大池化层的滤波器大小相同；
步骤S33、将在不同滤波器尺度下提取的局部时间特征沿着时间轴级联起来，以用于最终的故障识别。
进一步的，所述步骤S4包括如下具体步骤：
步骤S41、定义风力发电机故障诊断的分类任务为一个二分类问题；
步骤S42、将步骤3获取的多尺度时空特征转换为二维矩阵并输入到具有交叉熵损失函数的softmax分类器中，诊断风力发电机是否处于健康状态；其中交叉熵函数的计算公式如下所示：其中p(i)表示真实分布，q(i)表示预测分布。
与现有技术相比，本发明取得的技术进步是：
本发明提出的一种多尺度时空卷积深度信念网络的风力发电机故障诊断方法，利用SCADA多变量时间序列固有的时空相关性和交互性特性，设计具有不同卷积核结构的卷积深度信念网络以级联的方式捕获传感器变量间的时空相关性信息，同时以并行的方式在多个滤波器尺度下挖掘变量间交互互补的特征，上述技术手段融合了时空依赖性提取和多尺度特征学习方法，因此能够提取更为丰富的故障诊断信息，与传统的卷积深度信念网络模型及其变体相比，本发明能够增强分类性能，为风力发电机故障诊断领域提供了新的途径。
附图说明
图1是本发明的一个实施方式的流程图；
图2是本发明的一个实施方式的多尺度空间特征学习流程图；
图3是本发明的一个实施方式的多尺度时间特征学习流程图；以及
图4是本发明的一个实施方式与其他方法的性能对比评估示意图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
本发明实施例采用的是一个通用5MW级离岸风电系统基准模型，该基准模型使用FAST(Fatigue，Aerodynamics，Structures，and Turbulence)仿真平台模拟了一台实际的三叶片变速水平轴风力发电系统，切入风速、额定风速和切出风速分别为3m/s、11.4m/s和25m/s，并且能够生成平均风速分别为11m/s、14m/s和17m/s的真实风数据序列。本发明实施例使用17m/s的平均风速生成实验数据集，此外，该基准模型能够获得15个来自于真实风电SCADA系统的传感器变量，其中每个传感器变量的测量值都是通过向传感器变量的真实值中添加带限高斯白噪声而建模得到的，基于该基准模型，还可以定义风力发电机真实的故障情景。
本发明实施例采用的多尺度时空卷积深度信念网络的风力发电机故障诊断方法的诊断流程如图1所示，包括以下步骤：
步骤S1：收集风力发电机不同健康状态下的数据采集与监视控制系统采集到的多变量时间序列数据；针对每一种健康状态，分别对收集到的数据进行预处理以获取具有指定范围的二维多变量时间序列输入矩阵，具体方法如下：
步骤S11、采用最大最小值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yij是标准化处理后的多变量时间序列中变量j的第i个值，xij是原始多变量时间序列中变量j的第i个值，min(xj)和max(xj)分别是变量j的最小值和最大值；
步骤S12、将标准化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，得到二维多变量时间序列输入矩阵；
步骤S2：如图2所示，将二维多变量时间序列输入矩阵以一种并行的方式分别输入到M个卷积深度信念网络中进行多尺度空间特征学习，提取不同滤波器尺度下的多尺度空间特征，M为自然数，且M＞1；二维多变量时间序列输入矩阵的大小为S×N，其中S为传感器变量的个数，N为采样点数，即滑动窗口的长度，并采用三个卷积深度信念网络进行多尺度空间特征学习，具体步骤如下：
步骤S21、将步骤1得到的二维多变量时间序列输入矩阵分别并行输入到三个具有不同滤波器尺度的卷积深度信念网络模块，并设计每个卷积深度信念网络的滤波器只沿着变量轴滑动；
步骤S22、设置每个卷积深度信念网络模块的层数，每个模块分别包括两个隐含层和一个概率最大池化层，其中每个概率最大池化层的滤波器大小相同；
步骤S23、为保持时间维度不变，将三个卷积深度信念网络模块产生的局部空间特征映射沿着变量轴的方向级联起来，以进一步用于多尺度时间特征提取；
步骤S3：如图3所示，将步骤2得到的多尺度空间特征以并行的方式分别输入到与步骤S2中不同的另外三个卷积深度信念网络中进行多尺度时间特征学习，提取不同滤波器尺度下有效的多尺度时空特征，具体步骤如下：
步骤S31、将步骤2学习到的多尺度空间特征分别并行输入到三个具有不同滤波器尺度的卷积深度信念网络模块，设计每个卷积深度信念网络的滤波器只沿着时间轴滑动；
步骤S32、设置步骤S31中三个卷积深度信念网络模块的层数，每个模块包含两个隐含层和一个概率最大池化层，且每个概率最大池化层的滤波器大小相同；
步骤S33、将在不同滤波器尺度下提取的局部时间特征沿着时间轴级联起来，以用于最终的故障识别；
步骤S4：将步骤3获取的多尺度时空特征输入到softmax分类器进行分类产生最终的诊断结果，具体步骤如下：
步骤S41、定义风力发电机故障诊断的分类任务为一个二分类问题；
步骤S42、将步骤3获取的多尺度时空特征转换为二维矩阵并输入到具有交叉熵损失函数的softmax分类器中，诊断风力发电机是否处于健康状态；其中交叉熵函数的计算公式如下所示：其中p(i)表示真实分布，q(i)表示预测分布。
实验结果：
本发明实施例共考虑了风力发电机的六种健康状态，这些状态包括不同的故障类型和故障严重程度。具体涉及风力发电机正常(状态1)、发电机速度传感器比例过失故障(增益因子等于1.2，状态2)、发电机功率传感器比例过失故障(增益因子等于1.2，状态3)、桨距角传感器粘滞故障(固定值分别等于1度和5度，状态4和5)以及桨距角传感器比例过失故障(增益因子等于1.2，状态6)。在风力发电机故障分类阶段，将状态1定义成了正常状态，状态2至状态6统一定义成了故障状态。为了对风力发电机的故障进行有效诊断，本次实验采用十次重复运行的平均结果作为最终的诊断结果。图4给出了本发明及传统卷积深度信念网络及其变体的平均诊断结果图，从图中可以看出从卷积深度信念网络的其他变体到本发明，正确率、精度和F1分数有了明显提高，本发明获得了增强的故障诊断性能。这主要是由于本发明实施例提出的方法针对风电SCADA多变量时间序列而进行特征提取和分类从而实现风力发电机故障诊断，其技术核心是为了获得更好的诊断性能，通过设计具有不同卷积核结构的卷积深度信念网络来更好地捕获隐含于SCADA数据中的时空特征，因为不同滤波器尺度能够提取和学习有利于故障分类的交互的相关性特征，因此该方法同时融合不同的滤波器尺度来挖掘多传感器变量间的交互性特性。此结果进一步说明本发明值得应用到实际风力发电机的故障诊断中。
以上所述的实施例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。