[发明专利]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

说明书

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。

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y_ij是标准化处理后的多变量时间序列中变量j的第i个值，x_ij是原始多变量时间序列中变量j的第i个值，min(x_j)和max(x_j)分别是变量j的最小值和最大值；