(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111508338.4 (22)申请日 2021.12.10 (71)申请人 燕山大学 地址 066004 河北省秦皇岛市海港区河北 大街438号 (72)发明人 江国乾　王俪瑾　陈琦　王景　 易子宸　谢平　武鑫　何群　 (74)专利代理 机构 石家庄众志华清知识产权事 务所(特殊普通 合伙) 13123 代理人 王忠良 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06K 9/00(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G01M 13/045(2019.01) (54)发明名称 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 (57)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。 权利要求书2页 说明书5页 附图2页 CN 114358511 A 2022.04.15 CN 114358511 A 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C MS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,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； 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。 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取， 所述的多视角卷积核包括全局 视角卷积核C1、 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<k)且空洞率为2， C3卷积核大小为p ×1(p<k)； 然后将提取得到的空间 特征向量输入到双向门控循环单元模块再进行时间维度的特征提取， 最后进行拼接得到 SCADA时空融合特 征； 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S CADA和CMS特征权　利　要　求　书 1/2 页 2 CN 114358511 A 2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S4中超球 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： s.t.||φ(xi)‑c||2≤R2+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； 6.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： 权　利　要　求　书 2/2 页 3 CN 114358511 A 3