(19)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 202210245773.0 (22)申请日 2022.03.14 (71)申请人 广西大学 地址 530000 广西壮 族自治区南宁市西乡 塘区大学东路10 0号 (72)发明人 殷林飞　王恬　高放　 (74)专利代理 机构 南宁东智知识产权代理事务 所(特殊普通 合伙) 45117 专利代理师 裴康明 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06V 10/774(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/20(2019.01) (54)发明名称 一种基于人工智能的风电机组复合故障诊 断方法 (57)摘要 本发明提出一种基于人工智能的风电机组 复合故障诊断方法， 首先， 该人工智 能方法获取 风电机组数据采集与检测系统中的数据样本， 通 过高斯混合模型的期望最大化聚类方法和懒惰 矩阵处理脏数据样本； 其次， 利用卷积神经网络 方法提取特征， 建立样本属性空间， 将广义零次 学习方法用于生成未知故障样 本， 使用门控 方法 对样本进行预判分类； 通过多元分类器和相似性 评估分别完成对单一故障样本与复合故障样本 的诊断； 最后， 通过基于堆叠的集成学习完成风 电机组故障的最终诊断。 所提人工智能方法能解 决故障诊断模 型样本需求量大的问题， 实现风电 机组复合故障的诊断， 同时实现风电机组故障的 全面诊断， 提高风电机组复合故障的诊断精度和 诊断速度。 权利要求书3页 说明书5页 附图3页 CN 114626415 A 2022.06.14 CN 114626415 A 1.一种基于人工智能的风电机组复合故障诊断方法， 其特征在于， 所述人工智能方法 将懒惰矩阵、 卷积神经网络属 性空间模型、 广义零次学习方法和基于堆叠的集成学习进行 结合， 用于风电机组单一故障和复合故障诊断； 所提人工智能方法在使用过程中的步骤为： 步骤(1)： 在风电机组数据采集与监控系统中， 采集到风电机组运行原始数据样本集D ＝{(x,y)|x∈X,y∈Y}； x是特征 向量； X是特征 向量集； y是故障标签； Y是故障标签集； 原始 数据样本集中存在少量不可用的数据， 即脏数据样本； 对原始数据样本集使用高斯混合模 型的期望最大化聚类方法进行聚类， 聚类结果为非脏数据样本集FZ和脏数据样本集Z； 其 中， 非脏数据样本中特征向量维数为nFZ， 脏数据样 本中脏的特征向量 维数为nZ； 采用懒惰矩 阵对脏数据样本 集Z的可用的(nFZ‑nZ)维数据拓展为nFZ维数据， 拓展后的脏数据样本的特征 向量xFZ为： xFZ＝xFZ‑ZLlazy                                     (1) 其中， xFZ‑Z是脏数据样本中可用的特征向量， 维数为(nFZ‑nZ)； Llazy是(nFZ‑nZ)行nFZ列的 懒惰矩阵； 步骤(2)： 将风电机组数据样本 中懒惰矩阵后的特征向量转换为特征矩阵； 使用信号图 像转换方法将特征向量x转换为特征矩阵x ′， 并对特征矩阵x ′的数值作归一化处理， 将特征 矩阵x′的数值缩放至[0,1]的范围内， 得到样本集D ′， D′＝{(x′,y)|x′∈X′,y∈Y}， X′为特 征矩阵集； 步骤(3)： 利用卷积神经网络方法学习特征矩阵集X ′， 形成特征空间， 并建立样本属性 空间； 3.1)构建特征空间， 输入特征矩阵x ′， x′∈X′， 通过卷积神经网络进行深度故障特征提 取， 输出特征矩阵x ″， x″∈X″， X″为输出特征矩阵集； 其中卷积神经网络由卷积层、 激活层、 池化层和全连接层构成， 卷积层接收输入， 并对输入特征矩阵进 行卷积， 激活层引入非线性 因素； 第l层卷积层的输出 特征矩阵ul为： ul＝xl‑1*kl+bl                                    (2) 其中， xl‑1是第l层卷积层的输入特征矩阵； “*”表示卷积运算； kl是第l层通道大小的内 核； bl是第l层的偏置向量； 第l层激活层的输出 特征矩阵xl为； xl＝σ(ul)                                      (3) 其中， σ(·)是激活函数； 池化层对输入特 征矩阵进行压缩， 全连接负责输出， 第l层池化层的输出 特征矩阵zl为： zl＝max(xl)                                     (4) 其中， max( ·)是最大池化的函数； 3.2)构建样本属性空间， 使用卷积神经网络提取到的风电机组单一故障样本特征作为 基向量， 风电机组单一故障样本属性空间集， 表示为A0＝{a1,a2,...,ai,...,ap}， 其中风电 机组单一故障样本属性共p种， 风电机组单一故障样本属性ai＝[αi,1, αi,2,...,ai,j,..., αi,m]， αi,j为第i种风电机组单一故障样 本在故障属性空间中的第j维属性， 故障属性空间共 m维； 通过特征关系， 建立风电机组复合故障样本属性空间集， 表示为A1＝{A12,A13,..., A1i,...,A1k}， 风电机组复合故障样本属性集A1i为同时存在i种风电机组单一故障样本属权　利　要　求　书 1/3 页 2 CN 114626415 A 2性， 风电机组复合故障样本属性 集最多同时存在k种风电机组单一故障样本属性； 步骤(4)： 广义 零次学习方法用于生成未知故障样本； 4.1)利用故障样本属性 集A＝A0∪A1， 已知故障样本集S为： S＝{(xs,as,ys)|xs∈X″,as∈A,ys∈Ys}                          (5) 其中， xs表示已知 故障特征矩阵； as表示已知 故障样本的属性； ys表示已知 故障标签； Ys 表示已知故障标签集； 未知故障样本属性和未知故障标签的集U为： U＝{(au,yu)|au∈A,yu∈Yu}                              (6) 其中， au表示未知故障样本的属性； yu表示未知故障标签； Yu表示未知故障标签集； 4.2)广义零次学习方法采用基于条件变分自动编码生成未知故障样本； 条件变分自动 编码由编码器和解码器组成， x ″、 as和au的组合用于编码器的输入， 编码器将x ″、 as和au的组 合转换为潜变量z， 服从均值 μ和方差σ 的高斯分布的； 编码器输出潜变量z； z、 as和au的组合 用作解码器的输入， 得到解码器输出重构特征矩阵 为已知故障样本和 未知故 障样本重构特征矩阵集， 得到 重构后的已知故障样本集 表示重构后的已知故障特征矩阵， 未知故障样本集 表示重构后的未知故障特 征矩阵； 步骤(5)： 利用门控方法预判样本为单一故障样本或复合故障样本； 5.1)利用二进制分类原理的门控方法进行预判， 预判样本属于单一故障样本还是复合 故障样本， 其中， 将正常状况的样本视为单一 故障样本； 门控方法通过2 ‑范数的平方计算重 构损失函数Lrec； 重构损失函数 为： 其中， xi″表示样本重构前的第i个特征矩阵； 表示样本重构后的第i个特征矩阵； r表 示特征矩阵的总数； | |·||2表示2范数； 最小优化 函数L(·)为： 其中， KL(·)表示库尔贝克莱布勒散度函数； N(0,I)为 正态分布； | |为或运算； 5.2)对于一个测试样本t， 计算测试样本t的最小优化值Lt， 通过比较最小优化值Lt与训 练样本中最小优化的最大值Lmax， 预判测试样本t属 于单一故 障样本还是复合故障样本， 提 高诊断速度， 分为以下两种情况： 若Lt＜Lmax， 预判测试样本t属于单一故障样本， 将测试样本t输入训练后的多元Softmax 分类器中； 若Lt≥Lmax， 预判测试样本t属于复合故障样本， 将测试样本t输入复合故障样本属性空 间中； 步骤(6)： 分别进行 单一故障样本和复合故障样本的故障诊断； 6.1)单一故障样本： 训练多元Softmax分类 器进行诊断；权　利　要　求　书 2/3 页 3 CN 114626415 A 3