基于数据驱动的海上风机故障诊断系统及其诊断方法与流程

1.本发明涉及海上风机的故障智能检测领域，且更为具体地，涉及一种基于数据驱动的海上风机故障诊断系统及其诊断方法。

背景技术：

2.近年来，我国能源产业转型进程不断加快，我国已成为全球风力发电规模最大、增长最快的市场。风能作为一种可再生能源，具有绿清洁的特点，是目前世界各国的研究重点。相对陆上风电而言，海上风力资源更加丰富，具有发电量大、发电时间长、对生活环境影响小、不占用耕地、可进行大规模开发等诸多优势，因此，开发海上风力发电技术已经成为风电行业发展的新趋势。
3.在海上风电场环境恶劣，维护人员不能及时到达故障点进行检修时，因此，基于无线通讯的海上风电监测系统就愈发显得重要。比如，在海上风机日常监测中，经常会遇到以下问题：如何确认该风机是否正常运行如何能快速定位到某风机状态异常点如何能掌握到每台风机的实时信息和历史工作信息因此，期待一种优化的海上风机故障诊断系统来准确地对于海上风机故障进行检测诊断，以保证海上风机的正常运行。

技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于数据驱动的海上风机故障诊断系统及其诊断方法，其通过采用人工智能的检测技术，使用深度神经网络模型来作为特征提取器，以发电机的首尾两端的振动信号的差异与其转速之间的关联模型来进行海上风机的故障诊断检测。这样，能够保障所述海上风机故障维护的及时性和有效性，以保证所述海上风机的正常运行。
5.根据本技术的一个方面，提供了一种基于数据驱动的海上风机故障诊断系统，其包括：振动数据采集模块，用于获取由部署于发电机的首端和尾端的第一和第二振动传感器采集的预定时间段内的第一振动信号和第二振动信号；域转化模块，用于使用格拉姆角场原理将所述第一振动信号和所述第二振动信号转化为第一振动格拉姆角和场图像和第二振动格拉姆角和场图像；空间注意力编码模块，用于将所述第一和第二振动格拉姆角和场图像分别通过使用空间注意力机制的第一卷积神经网络以得到第一振动特征矩阵和第二振动特征矩阵；振动转移模块，用于计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵；特征值校正模块，用于对所述振动转移矩阵中各个位置的特征值进行校正以得到校正后振动转移矩阵；转速数据采集模块，用于获取由转移测量仪采集的所述发电机在所述预定时间段
内多个预定时间点的转速值；转速数据编码模块，用于将所述预定时间段内多个预定时间点的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；特征融合模块，用于融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量；以及故障诊断结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示海上风机是否存在故障。
6.在上述基于数据驱动的海上风机故障诊断系统中，所述空间注意力编码模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递过程中对输入数据分别进行：对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池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述第一卷积神经网络的最后一层输出的所述特征矩阵为所述第一振动特征矩阵和第二振动特征矩阵。
7.在上述基于数据驱动的海上风机故障诊断系统中，所述振动转移模块，进一步用于：以如下公式计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的所述振动转移矩阵；其中，所述公式为：s=t*f其中f表示所述第一振动特征矩阵，t表示所述振动转移矩阵，s表示所述第二振动特征矩阵。
8.在上述基于数据驱动的海上风机故障诊断系统中，所述特征值校正模块，包括：自关联编码单元，用于计算所述振动转移矩阵与所述振动转移矩阵的转置矩阵之间的乘积以得到自关联特征矩阵；特征值压缩单元，用于对所述自关联特征矩阵中各个位置的特征值进行开方以得到自关联压缩特征矩阵，并以所述自关联压缩特征矩阵中各个位置的特征值分别除以所述自关联压缩特征矩阵的行数与列数的乘积以得到维度压缩自关联压缩特征矩阵；第一卷积单元，用于对所述振动转移矩阵进行卷积编码以得到第一卷积振动转移矩阵；融合单元，用于计算所述第一卷积振动转移矩阵和所述维度压缩自关联压缩特征矩阵的按位置加和值以得到融合特征矩阵；第二卷积单元，用于对所述融合特征矩阵进行卷积编码以得到多尺度特征矩阵；位置信息编码单元，用于将所述振动转移矩阵的坐标张量中各个位置的二维位置坐标转化为一维数值以得到位置特征矩阵；以及，再融合单元，用于计算所述位置特征矩阵和所述多尺度特征矩阵的按位置点乘以得到所述校正后振动转移矩阵。
9.在上述基于数据驱动的海上风机故障诊断系统中，所述特征值压缩单元，进一步用于：以如下公式对所述自关联特征矩阵中各个位置的特征值进行开方以得到所述自关联压缩特征矩阵，并以所述自关联压缩特征矩阵中各个位置的特征值分别除以所述自关联压缩特征矩阵的行数与列数的乘积以得到所述维度压缩自关联压缩特征矩阵；其中，所述公式为：
其中表示所述振动转移矩阵，表示所述维度压缩自关联压缩特征矩阵，表示矩阵点乘，表示矩阵乘法，表示对矩阵的每个位置的值开方，且为矩阵的行数乘以列数。
10.在上述基于数据驱动的海上风机故障诊断系统中，所述位置信息编码单元，进一步用于：以如下公式将所述振动转移矩阵的坐标张量中各个位置的二维位置坐标转化为一维数值以得到所述位置特征矩阵；其中，所述公式为：其中表示所述振动转移矩阵，表示所述位置特征矩阵，，用于将二维位置坐标映射为一维数值，表示矩阵的坐标张量。
11.在上述基于数据驱动的海上风机故障诊断系统中，所述转速数据编码模块，进一步用于：将所述预定时间段内多个预定时间点的转速值按照时间维度排列为一维的输入向量；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：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；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，表示所述输入向量。
12.在上述基于数据驱动的海上风机故障诊断系统中，所述特征融合模块，进一步用于：以如下公式融合所述转速特征向量和所述校正后振动转移矩阵以得到所述分类特征向量；其中，所述公式为：其中表示所述转速特征向量，表示所述校正后振动转移矩阵，表示所述分类特征
向量，表示矩阵相乘。
13.在上述基于数据驱动的海上风机故障诊断系统中，所述故障诊断结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
14.根据本技术的另一方面，一种基于数据驱动的海上风机故障诊断系统的诊断方法，其包括：获取由部署于发电机的首端和尾端的第一和第二振动传感器采集的预定时间段内的第一振动信号和第二振动信号；使用格拉姆角场原理将所述第一振动信号和所述第二振动信号转化为第一振动格拉姆角和场图像和第二振动格拉姆角和场图像；将所述第一和第二振动格拉姆角和场图像分别通过使用空间注意力机制的第一卷积神经网络以得到第一振动特征矩阵和第二振动特征矩阵；计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵；对所述振动转移矩阵中各个位置的特征值进行校正以得到校正后振动转移矩阵；获取由转移测量仪采集的所述发电机在所述预定时间段内多个预定时间点的转速值；将所述预定时间段内多个预定时间点的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示海上风机是否存在故障。
15.在上述基于数据驱动的海上风机故障诊断系统的诊断方法中，将所述第一和第二振动格拉姆角和场图像分别通过使用空间注意力机制的第一卷积神经网络以得到第一振动特征矩阵和第二振动特征矩阵，包括：所述第一卷积神经网络的各层在层的正向传递过程中对输入数据分别进行：对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池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述第一卷积神经网络的最后一层输出的所述特征矩阵为所述第一振动特征矩阵和第二振动特征矩阵。
16.在上述基于数据驱动的海上风机故障诊断系统的诊断方法中，计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵，包括：以如下公式计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的所述振动转移矩阵；其中，所述公式为：s=t*f其中f表示所述第一振动特征矩阵，t表示所述振动转移矩阵，s表示所述第二振动
特征矩阵。
17.在上述基于数据驱动的海上风机故障诊断系统的诊断方法中，对所述振动转移矩阵中各个位置的特征值进行校正以得到校正后振动转移矩阵，包括：计算所述振动转移矩阵与所述振动转移矩阵的转置矩阵之间的乘积以得到自关联特征矩阵；对所述自关联特征矩阵中各个位置的特征值进行开方以得到自关联压缩特征矩阵，并以所述自关联压缩特征矩阵中各个位置的特征值分别除以所述自关联压缩特征矩阵的行数与列数的乘积以得到维度压缩自关联压缩特征矩阵；对所述振动转移矩阵进行卷积编码以得到第一卷积振动转移矩阵；计算所述第一卷积振动转移矩阵和所述维度压缩自关联压缩特征矩阵的按位置加和值以得到融合特征矩阵；对所述融合特征矩阵进行卷积编码以得到多尺度特征矩阵；将所述振动转移矩阵的坐标张量中各个位置的二维位置坐标转化为一维数值以得到位置特征矩阵；以及，计算所述位置特征矩阵和所述多尺度特征矩阵的按位置点乘以得到所述校正后振动转移矩阵。
18.在上述基于数据驱动的海上风机故障诊断系统的诊断方法中，对所述自关联特征矩阵中各个位置的特征值进行开方以得到自关联压缩特征矩阵，并以所述自关联压缩特征矩阵中各个位置的特征值分别除以所述自关联压缩特征矩阵的行数与列数的乘积以得到维度压缩自关联压缩特征矩阵，包括：以如下公式对所述自关联特征矩阵中各个位置的特征值进行开方以得到所述自关联压缩特征矩阵，并以所述自关联压缩特征矩阵中各个位置的特征值分别除以所述自关联压缩特征矩阵的行数与列数的乘积以得到所述维度压缩自关联压缩特征矩阵；其中，所述公式为：其中表示所述振动转移矩阵，表示所述维度压缩自关联压缩特征矩阵，表示矩阵点乘，表示矩阵乘法，表示对矩阵的每个位置的值开方，且为矩阵的行数乘以列数。
19.在上述基于数据驱动的海上风机故障诊断系统的诊断方法中，将所述振动转移矩阵的坐标张量中各个位置的二维位置坐标转化为一维数值以得到位置特征矩阵，包括：以如下公式将所述振动转移矩阵的坐标张量中各个位置的二维位置坐标转化为一维数值以得到所述位置特征矩阵；其中，所述公式为：其中表示所述振动转移矩阵，表示所述位置特征矩阵，，用于将二维位置坐标映射为一维数值，表示矩阵的坐标张量。
20.在上述基于数据驱动的海上风机故障诊断系统的诊断方法中，将所述预定时间段内多个预定时间点的转速值通过包含一维卷积层的时序编码器以得到转速特征向量，包括：将所述预定时间段内多个预定时间点的转速值按照时间维度排列为一维的输入向量；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：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；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，表示所述输入向量。
21.在上述基于数据驱动的海上风机故障诊断系统的诊断方法中，融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量，包括：以如下公式融合所述转速特征向量和所述校正后振动转移矩阵以得到所述分类特征向量；其中，所述公式为：其中表示所述转速特征向量，表示所述校正后振动转移矩阵，表示所述分类特征向量，表示矩阵相乘。
22.在上述基于数据驱动的海上风机故障诊断系统的诊断方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示海上风机是否存在故障，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
23.与现有技术相比，本技术提供的基于数据驱动的海上风机故障诊断系统及其诊断方法，其通过采用人工智能的检测技术，使用深度神经网络模型来作为特征提取器，以发电机的首尾两端的振动信号的差异与其转速之间的关联模型来进行海上风机的故障诊断检测。这样，能够保障所述海上风机故障维护的及时性和有效性，以保证所述海上风机的正常运行。
24.附图说明
25.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、
特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
26.图1为根据本技术实施例的基于数据驱动的海上风机故障诊断系统的应用场景图。
27.图2为根据本技术实施例的基于数据驱动的海上风机故障诊断系统的框图。
28.图3为根据本技术实施例的基于数据驱动的海上风机故障诊断系统中特征值校正模块的框图。
29.图4为根据本技术实施例的基于数据驱动的海上风机故障诊断系统的诊断方法的流程图。
30.图5为根据本技术实施例的基于数据驱动的海上风机故障诊断系统的诊断方法的架构示意图。
31.具体实施方式
32.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
33.场景概述如前所述，近年来，我国能源产业转型进程不断加快，我国已成为全球风力发电规模最大、增长最快的市场。风能作为一种可再生能源，具有绿清洁的特点，是目前世界各国的研究重点。相对陆上风电而言，海上风力资源更加丰富，具有发电量大、发电时间长、对生活环境影响小、不占用耕地、可进行大规模开发等诸多优势，因此，开发海上风力发电技术已经成为风电行业发展的新趋势。
34.在海上风电场环境恶劣，维护人员不能及时到达故障点进行检修时，因此，基于无线通讯的海上风电监测系统就愈发显得重要。比如，在海上风机日常监测中，经常会遇到以下问题：如何确认该风机是否正常运行如何能快速定位到某风机状态异常点如何能掌握到每台风机的实时信息和历史工作信息因此，期待一种优化的海上风机故障诊断系统来准确地对于海上风机故障进行检测诊断，以保证海上风机的正常运行。
35.目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
36.深度学习以及神经网络的发展为海上风机的故障诊断提供了新的解决思路和方案。
37.相应地，本技术发明人发现在实际情景中的海上风机运行时，在正常状态下，发电机的首尾两端的振动信号的差异与其转速之间存在某种模式的非线性关联，因此，本技术发明人期望使用这种关联性信息来进行所述海上风机的故障诊断检测，以保证所述海上风机的正常运行。
38.具体地，在本技术的技术方案中，首先，通过部署于发电机的首端和尾端的第一和第二振动传感器采集预定时间段内的第一振动信号和第二振动信号。然后，使用格拉姆角场原理将所述第一振动信号和所述第二振动信号转化为第一振动格拉姆角和场图像和第二振动格拉姆角和场图像。应可以理解，所述格拉姆角场 ( gramian angular field，gaf) 基于gram原理，它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示。gaf可以很好地保留原始振动时序信号的依赖性和相关性，具有和所述原始振动信号相似的时序特质。并且由于gaf 按照编码所用三角函数的不同可以得到格拉姆角和场（gramian angular sum field，gasf）和格拉姆角差场（gramian angular difference field，gadf），而gadf 转换之后不可逆，因此，在本技术的技术方案中，选择可进行逆转换的 gasf 转换方式来进行振动信号的编码。具体地，在实施例中，所述振动信号到 gasf 图像的编码步骤如下所示：对于一个有c维度的时间序列= { q1，q2，
…
， q
c }，其中每个维度都包含 n 个采样点 q
i = { q
i1
，q
i2
，
…
，q
in
} ，首先对每个维度的数据进行归一化操作。然后，将数据中的所有值整合到[-1,1]内，整合之后就用三角函数值cos值代替归一化后的数值，用极坐标来代替笛卡尔坐标，从而保留序列的绝对时间关系。
[0039]
考虑到在实际的情况下，位于发动机首端和尾端的振动传感器所检测出的振动信号在空间上具有着特定的隐含关联信息，因此，使用具有空间注意力机制的第一卷积神经网络模型来对所述第一和第二振动格拉姆角和场图像进行特征挖掘，以提取出所述第一和第二振动格拉姆角和场图像中的具有空间位置关联特征的高维局部隐含特征分布信息。
[0040]
应可以理解，在正常状态下，发电机的首尾两端的振动信号的差异与其转速存在某种模式的非线性关联。因此，在本技术的技术方案中，可基于转移矩阵来表示这种非线性关联性，也就是，具体地，计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵。
[0041]
但是，由于所述第一卷积神经网络的空间注意力机制，所述第一振动特征矩阵和所述第二振动特征矩阵能够强化局部语义的提取，但同时会弱化局部语义间的关联，从而导致全局语义的表达能力较差，所述振动转移矩阵也会存在相同问题。因此，在本技术的技术方案中，优选地对所述振动转移矩阵的局部语义关联表达能力以至全局表达能力进行优化，即：其中和均为单个卷积层，，用于将二维位置坐标映射为一维数值，表示矩阵的坐标张量，和分别表示矩阵点乘和点加，表示矩阵乘法，表示对矩阵的每个位置的值开方，且为矩阵的行数乘以列数。
[0042]
这里，该优化采用位置提议局部推理转化来全面融合所捕获的局部语义和进一步衍生全局语义，具体地，其使用位置信息作为提议（proposal），通过局部感知场（perceptive filed）对全局场景语义进行推理（reasoning）。并且，通过调整卷积层
和的参数，还可以进一步实现信息的局部-全局迁移和全局信息推理预测间的平衡，以通过提高所述振动转移矩阵的类预测能力来提高所述分类特征向量的分类准确性。
[0043]
进一步地，为了对所述海上风机的故障进行检测诊断，还需要通过转移测量仪采集所述发电机在所述预定时间段内多个预定时间点的转速值。并且，考虑到所述转速值在时间维度上具有着动态性的变化规律，因此充分地为了提取出这种规律，使用时序编码器来对所述预定时间段内多个预定时间点的转速值进行编码。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述发电机的转速值在时序维度上的关联和通过全连接编码提取所述发电机的转速值的高维隐含特征。
[0044]
这样，通过矩阵相乘的方式来融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量，进而，再将所述分类特征向量通过分类器中进行分类处理就能够获得用于表示海上风机是否存在故障的分类结果。
[0045]
基于此，本技术提出了一种基于数据驱动的海上风机故障诊断系统，其包括：振动数据采集模块，用于获取由部署于发电机的首端和尾端的第一和第二振动传感器采集的预定时间段内的第一振动信号和第二振动信号；域转化模块，用于使用格拉姆角场原理将所述第一振动信号和所述第二振动信号转化为第一振动格拉姆角和场图像和第二振动格拉姆角和场图像；空间注意力编码模块，用于将所述第一和第二振动格拉姆角和场图像分别通过使用空间注意力机制的第一卷积神经网络以得到第一振动特征矩阵和第二振动特征矩阵；振动转移模块，用于计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵；特征值校正模块，用于对所述振动转移矩阵中各个位置的特征值进行校正以得到校正后振动转移矩阵；转速数据采集模块，用于获取由转移测量仪采集的所述发电机在所述预定时间段内多个预定时间点的转速值；转速数据编码模块，用于将所述预定时间段内多个预定时间点的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；特征融合模块，用于融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量；以及，故障诊断结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示海上风机是否存在故障。
[0046]
图1图示了根据本技术实施例的基于数据驱动的海上风机故障诊断系统的应用场景图。如图1所示，在该应用场景中，首先，通过由部署于发电机（例如，如图1中所示意的e）的首端和尾端的第一和第二振动传感器（例如，如图1中所示意的t1和t2）采集预定时间段内的第一振动信号和第二振动信号，以及通过转移测量仪（例如，如图1中所示意的m）采集所述发电机在所述预定时间段内多个预定时间点的转速值。然后，将获取的所述预定时间段内的第一振动信号和第二振动信号以及所述发电机在所述预定时间段内多个预定时间点的转速值输入至部署有基于数据驱动的海上风机故障诊断算法的服务器中（例如，如图1中所示意的云服务器s），其中，所述服务器能够以基于数据驱动的海上风机故障诊断算法对所述预定时间段内的第一振动信号和第二振动信号以及所述发电机在所述预定时间段内多个预定时间点的转速值进行处理，以生成用于表示海上风机是否存在故障的分类结果。
[0047]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限
制性实施例。
[0048]
示例性系统图2图示了根据本技术实施例的基于数据驱动的海上风机故障诊断系统的框图。如图2所示，根据本技术实施例的基于数据驱动的海上风机故障诊断系统 200，包括：振动数据采集模块 210，用于获取由部署于发电机的首端和尾端的第一和第二振动传感器采集的预定时间段内的第一振动信号和第二振动信号；域转化模块 220，用于使用格拉姆角场原理将所述第一振动信号和所述第二振动信号转化为第一振动格拉姆角和场图像和第二振动格拉姆角和场图像；空间注意力编码模块 230，用于将所述第一和第二振动格拉姆角和场图像分别通过使用空间注意力机制的第一卷积神经网络以得到第一振动特征矩阵和第二振动特征矩阵；振动转移模块 240，用于计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵；特征值校正模块 250，用于对所述振动转移矩阵中各个位置的特征值进行校正以得到校正后振动转移矩阵；转速数据采集模块 260，用于获取由转移测量仪采集的所述发电机在所述预定时间段内多个预定时间点的转速值；转速数据编码模块 270，用于将所述预定时间段内多个预定时间点的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；特征融合模块 280，用于融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量；以及，故障诊断结果生成模块 290，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示海上风机是否存在故障。
[0049]
具体地，在本技术实施例中，所述振动数据采集模块 210和所述域转化模块 220，用于获取由部署于发电机的首端和尾端的第一和第二振动传感器采集的预定时间段内的第一振动信号和第二振动信号，并使用格拉姆角场原理将所述第一振动信号和所述第二振动信号转化为第一振动格拉姆角和场图像和第二振动格拉姆角和场图像。如前所述，由于在实际情景中的海上风机运行时，在正常状态下，发电机的首尾两端的振动信号的差异与其转速之间存在某种模式的非线性关联，因此，在本技术的技术方案中，期望使用这种关联性信息来进行所述海上风机的故障诊断检测，以保证所述海上风机的正常运行。
[0050]
也就是，具体地，在本技术的技术方案中，首先，通过部署于发电机的首端和尾端的第一和第二振动传感器采集预定时间段内的第一振动信号和第二振动信号。然后，使用格拉姆角场原理将所述第一振动信号和所述第二振动信号转化为第一振动格拉姆角和场图像和第二振动格拉姆角和场图像。应可以理解，所述格拉姆角场 ( gramian angular field，gaf) 基于gram原理，它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示。gaf可以很好地保留原始振动时序信号的依赖性和相关性，具有和所述原始振动信号相似的时序特质。并且由于gaf 按照编码所用三角函数的不同可以得到格拉姆角和场（gramian angular sum field，gasf）和格拉姆角差场（gramian angular difference field，gadf），而gadf 转换之后不可逆，因此，在本技术的技术方案中，选择可进行逆转换的 gasf 转换方式来进行振动信号的编码。
[0051]
更具体地，在本技术实施例中，所述振动信号到 gasf 图像的编码步骤如下所示：对于一个有c维度的时间序列= { q1，q2，
…
， q
c }，其中每个维度都包含 n 个采样点 q
i = { q
i1
，q
i2
，
…
，q
in
} ，首先对每个维度的数据进行归一化操作。然后，将数据中的所有值整合到[-1,1]内，整合之后就用三角函数值cos值代替归一化后的数值，用极坐标来代替笛卡尔坐标，从而保留序列的绝对时间关系。
[0052]
具体地，在本技术实施例中，所述空间注意力编码模块 230，用于将所述第一和第二振动格拉姆角和场图像分别通过使用空间注意力机制的第一卷积神经网络以得到第一振动特征矩阵和第二振动特征矩阵。应可以理解，考虑到在实际的情况下，位于发动机首端和尾端的振动传感器所检测出的振动信号在空间上具有着特定的隐含关联信息。因此，在本技术的技术方案中，使用具有空间注意力机制的第一卷积神经网络模型来对所述第一和第二振动格拉姆角和场图像进行特征挖掘，以提取出所述第一和第二振动格拉姆角和场图像中的具有空间位置关联特征的高维局部隐含特征分布信息。
[0053]
更具体地，在本技术实施例中，所述空间注意力编码模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递过程中对输入数据分别进行：对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池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述第一卷积神经网络的最后一层输出的所述特征矩阵为所述第一振动特征矩阵和第二振动特征矩阵。
[0054]
具体地，在本技术实施例中，所述振动转移模块 240，用于计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵。应可以理解，在正常状态下，发电机的首尾两端的振动信号的差异与其转速存在某种模式的非线性关联。因此，在本技术的技术方案中，可以基于转移矩阵来表示这种非线性关联性，进而进行所述海上风机的故障检测。也就是，具体地，计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵。
[0055]
更具体地，在本技术实施例中，所述振动转移模块，进一步用于：以如下公式计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的所述振动转移矩阵；其中，所述公式为：s=t*f其中f表示所述第一振动特征矩阵，t表示所述振动转移矩阵，s表示所述第二振动特征矩阵。
[0056]
具体地，在本技术实施例中，所述特征值校正模块 250，用于对所述振动转移矩阵中各个位置的特征值进行校正以得到校正后振动转移矩阵。应可以理解，由于所述第一卷积神经网络的空间注意力机制，所述第一振动特征矩阵和所述第二振动特征矩阵能够强化局部语义的提取，但同时会弱化局部语义间的关联，从而导致全局语义的表达能力较差，所述振动转移矩阵也会存在相同问题。因此，在本技术的技术方案中，优选地对所述振动转移矩阵的局部语义关联表达能力以至全局表达能力进行优化。相应地，在一个具体示例中，对所述振动转移矩阵中各个位置的特征值进行校正以得到所述校正后振动转移矩阵的公式为：
其中表示所述振动转移矩阵，和均为单个卷积层，，用于将二维位置坐标映射为一维数值，表示矩阵的坐标张量，和分别表示矩阵点乘和点加，表示矩阵乘法，表示对矩阵的每个位置的值开方，且为矩阵的行数乘以列数。应可以理解，这里，该所述优化采用位置提议局部推理转化来全面融合所捕获的局部语义和进一步衍生全局语义，具体地，其使用位置信息作为提议（proposal），通过局部感知场（perceptive filed）对全局场景语义进行推理（reasoning）。并且，通过调整卷积层和的参数，还可以进一步实现信息的局部-全局迁移和全局信息推理预测间的平衡，以通过提高所述振动转移矩阵的类预测能力来提高所述分类特征向量的分类准确性。
[0057]
更具体地，在本技术实施例中，所述特征值校正模块，包括：首先，计算所述振动转移矩阵与所述振动转移矩阵的转置矩阵之间的乘积以得到自关联特征矩阵。接着，对所述自关联特征矩阵中各个位置的特征值进行开方以得到自关联压缩特征矩阵，并以所述自关联压缩特征矩阵中各个位置的特征值分别除以所述自关联压缩特征矩阵的行数与列数的乘积以得到维度压缩自关联压缩特征矩阵。相应地，在一个具体示例中，以如下公式对所述自关联特征矩阵中各个位置的特征值进行开方以得到所述自关联压缩特征矩阵，并以所述自关联压缩特征矩阵中各个位置的特征值分别除以所述自关联压缩特征矩阵的行数与列数的乘积以得到所述维度压缩自关联压缩特征矩阵；其中，所述公式为：其中表示所述振动转移矩阵，表示所述维度压缩自关联压缩特征矩阵，表示矩阵点乘，表示矩阵乘法，表示对矩阵的每个位置的值开方，且为矩阵的行数乘以列数。
[0058]
然后，对所述振动转移矩阵进行卷积编码以得到第一卷积振动转移矩阵。接着，计算所述第一卷积振动转移矩阵和所述维度压缩自关联压缩特征矩阵的按位置加和值以得到融合特征矩阵。然后，对所述融合特征矩阵进行卷积编码以得到多尺度特征矩阵。接着，将所述振动转移矩阵的坐标张量中各个位置的二维位置坐标转化为一维数值以得到位置特征矩阵。相应地，在一个具体示例中，所述位置信息编码单元，进一步用于：以如下公式将所述振动转移矩阵的坐标张量中各个位置的二维位置坐标转化为一维数值以得到所述位置特征矩阵；其中，所述公式为：
其中表示所述振动转移矩阵，表示所述位置特征矩阵，，用于将二维位置坐标映射为一维数值，表示矩阵的坐标张量。
[0059]
最后，计算所述位置特征矩阵和所述多尺度特征矩阵的按位置点乘以得到所述校正后振动转移矩阵。
[0060]
图3图示了根据本技术实施例的基于数据驱动的海上风机故障诊断系统中特征值校正模块的框图。如图3所示，所述特征值校正模块 250，包括：自关联编码单元 251，用于计算所述振动转移矩阵与所述振动转移矩阵的转置矩阵之间的乘积以得到自关联特征矩阵；特征值压缩单元 252，用于对所述自关联特征矩阵中各个位置的特征值进行开方以得到自关联压缩特征矩阵，并以所述自关联压缩特征矩阵中各个位置的特征值分别除以所述自关联压缩特征矩阵的行数与列数的乘积以得到维度压缩自关联压缩特征矩阵；第一卷积单元 253，用于对所述振动转移矩阵进行卷积编码以得到第一卷积振动转移矩阵；融合单元 254，用于计算所述第一卷积振动转移矩阵和所述维度压缩自关联压缩特征矩阵的按位置加和值以得到融合特征矩阵；第二卷积单元 255，用于对所述融合特征矩阵进行卷积编码以得到多尺度特征矩阵；位置信息编码单元 256，用于将所述振动转移矩阵的坐标张量中各个位置的二维位置坐标转化为一维数值以得到位置特征矩阵；以及，再融合单元 257，用于计算所述位置特征矩阵和所述多尺度特征矩阵的按位置点乘以得到所述校正后振动转移矩阵。
[0061]
具体地，在本技术实施例中，所述转速数据采集模块 260和所述转速数据编码模块 270，用于获取由转移测量仪采集的所述发电机在所述预定时间段内多个预定时间点的转速值，并将所述预定时间段内多个预定时间点的转速值通过包含一维卷积层的时序编码器以得到转速特征向量。也就是，在本技术的技术方案中，进一步地，为了对所述海上风机的故障进行检测诊断，还需要通过转移测量仪采集所述发电机在所述预定时间段内多个预定时间点的转速值。并且，考虑到所述转速值在时间维度上具有着动态性的变化规律，因此充分地为了提取出这种规律，使用时序编码器来对所述预定时间段内多个预定时间点的转速值进行编码。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述发电机的转速值在时序维度上的关联和通过全连接编码提取所述发电机的转速值的高维隐含特征。
[0062]
更具体地，在本技术实施例中，所述转速数据编码模块，进一步用于：将所述预定时间段内多个预定时间点的转速值按照时间维度排列为一维的输入向量；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：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；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，表示所述输入向量。
[0063]
具体地，在本技术实施例中，所述特征融合模块 280和所述故障诊断结果生成模块 290，用于融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量，并将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示海上风机是否存在故障。也就是，在本技术的技术方案中，进一步通过矩阵相乘的方式来融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量，进而，再将所述分类特征向量通过分类器中进行分类处理就能够获得用于表示海上风机是否存在故障的分类结果。相应地，在一个具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。
[0064]
更具体地，在本技术实施例中，所述特征融合模块，进一步用于：以如下公式融合所述转速特征向量和所述校正后振动转移矩阵以得到所述分类特征向量；其中，所述公式为：其中表示所述转速特征向量，表示所述校正后振动转移矩阵，表示所述分类特征向量，表示矩阵相乘。
[0065]
综上，基于本技术实施例的所述基于数据驱动的海上风机故障诊断系统 200被阐明，其通过采用人工智能的检测技术，使用深度神经网络模型来作为特征提取器，以发电机的首尾两端的振动信号的差异与其转速之间的关联模型来进行海上风机的故障诊断检测。这样，能够保障所述海上风机故障维护的及时性和有效性，以保证所述海上风机的正常运行。
[0066]
如上所述，根据本技术实施例的基于数据驱动的海上风机故障诊断系统 200可以实现在各种终端设备中，例如基于数据驱动的海上风机故障诊断算法的服务器等。在一个示例中，根据本技术实施例的基于数据驱动的海上风机故障诊断系统 200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于数据驱动的海上风机故障诊断系统 200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于数据驱动的海上风机故障诊断系统 200同样可以是该终端设备的众多硬件模块之一。
[0067]
替换地，在另一示例中，该基于数据驱动的海上风机故障诊断系统 200与该终端设备也可以是分立的设备，并且该基于数据驱动的海上风机故障诊断系统 200可以通过有
线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0068]
示例性方法图4图示了基于数据驱动的海上风机故障诊断系统的诊断方法的流程图。如图4所示，根据本技术实施例的基于数据驱动的海上风机故障诊断系统的诊断方法，包括步骤：s110，获取由部署于发电机的首端和尾端的第一和第二振动传感器采集的预定时间段内的第一振动信号和第二振动信号；s120，使用格拉姆角场原理将所述第一振动信号和所述第二振动信号转化为第一振动格拉姆角和场图像和第二振动格拉姆角和场图像；s130，将所述第一和第二振动格拉姆角和场图像分别通过使用空间注意力机制的第一卷积神经网络以得到第一振动特征矩阵和第二振动特征矩阵；s140，计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵；s150，对所述振动转移矩阵中各个位置的特征值进行校正以得到校正后振动转移矩阵；s160，获取由转移测量仪采集的所述发电机在所述预定时间段内多个预定时间点的转速值；s170，将所述预定时间段内多个预定时间点的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；s180，融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量；以及，s190，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示海上风机是否存在故障。
[0069]
图5图示了根据本技术实施例的基于数据驱动的海上风机故障诊断系统的诊断方法的架构示意图。如图5所示，在所述基于数据驱动的海上风机故障诊断系统的诊断方法的网络架构中，首先，使用格拉姆角场原理将获得的所述第一振动信号（例如，如图5中所示意的p1）和所述第二振动信号（例如，如图5中所示意的p2）转化为第一振动格拉姆角和场图像（例如，如图5中所示意的q1）和第二振动格拉姆角和场图像（例如，如图5中所示意的q2）；接着，将所述第一和第二振动格拉姆角和场图像分别通过使用空间注意力机制的第一卷积神经网络（例如，如图5中所示意的cnn1）以得到第一振动特征矩阵（例如，如图5中所示意的mf1）和第二振动特征矩阵（例如，如图5中所示意的mf2）；然后，计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵（例如，如图5中所示意的mt1）；接着，对所述振动转移矩阵中各个位置的特征值进行校正以得到校正后振动转移矩阵（例如，如图5中所示意的mt2）；然后，将获得的所述预定时间段内多个预定时间点的转速值（例如，如图5中所示意的in）通过包含一维卷积层的时序编码器（例如，如图5中所示意的e）以得到转速特征向量（例如，如图5中所示意的v）；接着，融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量（例如，如图5中所示意的vf）；以及，最后，将所述分类特征向量通过分类器（例如，如图5中所示意的s）以得到分类结果，所述分类结果用于表示海上风机是否存在故障。
[0070]
更具体地，在步骤s110和步骤s120中，获取由部署于发电机的首端和尾端的第一和第二振动传感器采集的预定时间段内的第一振动信号和第二振动信号，并使用格拉姆角场原理将所述第一振动信号和所述第二振动信号转化为第一振动格拉姆角和场图像和第二振动格拉姆角和场图像。应可以理解，由于在实际情景中的海上风机运行时，在正常状态下，发电机的首尾两端的振动信号的差异与其转速之间存在某种模式的非线性关联，因此，在本技术的技术方案中，期望使用这种关联性信息来进行所述海上风机的故障诊断检测，以保证所述海上风机的正常运行。
[0071]
也就是，具体地，在本技术的技术方案中，首先，通过部署于发电机的首端和尾端
的第一和第二振动传感器采集预定时间段内的第一振动信号和第二振动信号。然后，使用格拉姆角场原理将所述第一振动信号和所述第二振动信号转化为第一振动格拉姆角和场图像和第二振动格拉姆角和场图像。应可以理解，所述格拉姆角场 ( gramian angular field，gaf) 基于gram原理，它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示。gaf可以很好地保留原始振动时序信号的依赖性和相关性，具有和所述原始振动信号相似的时序特质。并且由于gaf 按照编码所用三角函数的不同可以得到格拉姆角和场（gramian angular sum field，gasf）和格拉姆角差场（gramian angular difference field，gadf），而gadf 转换之后不可逆，因此，在本技术的技术方案中，选择可进行逆转换的 gasf 转换方式来进行振动信号的编码。
[0072]
更具体地，在步骤s130中，将所述第一和第二振动格拉姆角和场图像分别通过使用空间注意力机制的第一卷积神经网络以得到第一振动特征矩阵和第二振动特征矩阵。应可以理解，考虑到在实际的情况下，位于发动机首端和尾端的振动传感器所检测出的振动信号在空间上具有着特定的隐含关联信息。因此，在本技术的技术方案中，使用具有空间注意力机制的第一卷积神经网络模型来对所述第一和第二振动格拉姆角和场图像进行特征挖掘，以提取出所述第一和第二振动格拉姆角和场图像中的具有空间位置关联特征的高维局部隐含特征分布信息。
[0073]
更具体地，在步骤s140中，计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵。应可以理解，在正常状态下，发电机的首尾两端的振动信号的差异与其转速存在某种模式的非线性关联。因此，在本技术的技术方案中，可以基于转移矩阵来表示这种非线性关联性，进而进行所述海上风机的故障检测。也就是，具体地，计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵。
[0074]
更具体地，在步骤s150中，对所述振动转移矩阵中各个位置的特征值进行校正以得到校正后振动转移矩阵。应可以理解，由于所述第一卷积神经网络的空间注意力机制，所述第一振动特征矩阵和所述第二振动特征矩阵能够强化局部语义的提取，但同时会弱化局部语义间的关联，从而导致全局语义的表达能力较差，所述振动转移矩阵也会存在相同问题。因此，在本技术的技术方案中，优选地对所述振动转移矩阵的局部语义关联表达能力以至全局表达能力进行优化。相应地，在一个具体示例中，对所述振动转移矩阵中各个位置的特征值进行校正以得到所述校正后振动转移矩阵的公式为：其中表示所述振动转移矩阵，和均为单个卷积层，，用于将二维位置坐标映射为一维数值，表示矩阵的坐标张量，和分别表示矩阵点乘和点加，表示矩阵乘法，表示对矩阵的每个位置的值开方，且为矩阵的行数乘以列数。应可以理解，这里，该所述优化采用位置提议局部推理转化来全面融合所捕获的局部语义和进一步衍生全局语义，具体地，其使用位置信息作为提议（proposal），通过局部感知场（perceptive filed）对全局场景语义进行推理（reasoning）。并且，通过调整卷积层
和的参数，还可以进一步实现信息的局部-全局迁移和全局信息推理预测间的平衡，以通过提高所述振动转移矩阵的类预测能力来提高所述分类特征向量的分类准确性。
[0075]
更具体地，在步骤s160和步骤s170中，获取由转移测量仪采集的所述发电机在所述预定时间段内多个预定时间点的转速值，并将所述预定时间段内多个预定时间点的转速值通过包含一维卷积层的时序编码器以得到转速特征向量。也就是，在本技术的技术方案中，进一步地，为了对所述海上风机的故障进行检测诊断，还需要通过转移测量仪采集所述发电机在所述预定时间段内多个预定时间点的转速值。并且，考虑到所述转速值在时间维度上具有着动态性的变化规律，因此充分地为了提取出这种规律，使用时序编码器来对所述预定时间段内多个预定时间点的转速值进行编码。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述发电机的转速值在时序维度上的关联和通过全连接编码提取所述发电机的转速值的高维隐含特征。
[0076]
更具体地，在步骤s180和步骤s190中，融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量，并将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示海上风机是否存在故障。也就是，在本技术的技术方案中，进一步通过矩阵相乘的方式来融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量，进而，再将所述分类特征向量通过分类器中进行分类处理就能够获得用于表示海上风机是否存在故障的分类结果。
[0077]
综上，基于本技术实施例的所述基于数据驱动的海上风机故障诊断系统的诊断方法被阐明，其通过采用人工智能的检测技术，使用深度神经网络模型来作为特征提取器，以发电机的首尾两端的振动信号的差异与其转速之间的关联模型来进行海上风机的故障诊断检测。这样，能够保障所述海上风机故障维护的及时性和有效性，以保证所述海上风机的正常运行。
[0078]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0079]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0080]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0081]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义
的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0082]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：

1.一种基于数据驱动的海上风机故障诊断系统，其特征在于，包括：振动数据采集模块，用于获取由部署于发电机的首端和尾端的第一和第二振动传感器采集的预定时间段内的第一振动信号和第二振动信号；域转化模块，用于使用格拉姆角场原理将所述第一振动信号和所述第二振动信号转化为第一振动格拉姆角和场图像和第二振动格拉姆角和场图像；空间注意力编码模块，用于将所述第一和第二振动格拉姆角和场图像分别通过使用空间注意力机制的第一卷积神经网络以得到第一振动特征矩阵和第二振动特征矩阵；振动转移模块，用于计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵；特征值校正模块，用于对所述振动转移矩阵中各个位置的特征值进行校正以得到校正后振动转移矩阵；转速数据采集模块，用于获取由转移测量仪采集的所述发电机在所述预定时间段内多个预定时间点的转速值；转速数据编码模块，用于将所述预定时间段内多个预定时间点的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；特征融合模块，用于融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量；以及故障诊断结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示海上风机是否存在故障。2.根据权利要求1所述的基于数据驱动的海上风机故障诊断系统，其特征在于，所述空间注意力编码模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递过程中对输入数据分别进行：对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池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述第一卷积神经网络的最后一层输出的所述特征矩阵为所述第一振动特征矩阵和第二振动特征矩阵。3.根据权利要求2所述的基于数据驱动的海上风机故障诊断系统，其特征在于，所述振动转移模块，进一步用于：以如下公式计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的所述振动转移矩阵；其中，所述公式为：s=t*f其中f表示所述第一振动特征矩阵，t表示所述振动转移矩阵，s表示所述第二振动特征矩阵。4.根据权利要求3所述的基于数据驱动的海上风机故障诊断系统，其特征在于，所述特征值校正模块，包括：
自关联编码单元，用于计算所述振动转移矩阵与所述振动转移矩阵的转置矩阵之间的乘积以得到自关联特征矩阵；特征值压缩单元，用于对所述自关联特征矩阵中各个位置的特征值进行开方以得到自关联压缩特征矩阵，并以所述自关联压缩特征矩阵中各个位置的特征值分别除以所述自关联压缩特征矩阵的行数与列数的乘积以得到维度压缩自关联压缩特征矩阵；第一卷积单元，用于对所述振动转移矩阵进行卷积编码以得到第一卷积振动转移矩阵；融合单元，用于计算所述第一卷积振动转移矩阵和所述维度压缩自关联压缩特征矩阵的按位置加和值以得到融合特征矩阵；第二卷积单元，用于对所述融合特征矩阵进行卷积编码以得到多尺度特征矩阵；位置信息编码单元，用于将所述振动转移矩阵的坐标张量中各个位置的二维位置坐标转化为一维数值以得到位置特征矩阵；以及再融合单元，用于计算所述位置特征矩阵和所述多尺度特征矩阵的按位置点乘以得到所述校正后振动转移矩阵。5.根据权利要求4所述的基于数据驱动的海上风机故障诊断系统，其特征在于，所述特征值压缩单元，进一步用于：以如下公式对所述自关联特征矩阵中各个位置的特征值进行开方以得到所述自关联压缩特征矩阵，并以所述自关联压缩特征矩阵中各个位置的特征值分别除以所述自关联压缩特征矩阵的行数与列数的乘积以得到所述维度压缩自关联压缩特征矩阵；其中，所述公式为：其中表示所述振动转移矩阵，表示所述维度压缩自关联压缩特征矩阵，表示矩阵点乘，表示矩阵乘法，表示对矩阵的每个位置的值开方，且为矩阵的行数乘以列数。6.根据权利要求5所述的基于数据驱动的海上风机故障诊断系统，其特征在于，所述位置信息编码单元，进一步用于：以如下公式将所述振动转移矩阵的坐标张量中各个位置的二维位置坐标转化为一维数值以得到所述位置特征矩阵；其中，所述公式为：其中表示所述振动转移矩阵，表示所述位置特征矩阵，，用于将二维位置坐标映射为一维数值，表示矩阵的坐标张量。7.根据权利要求6所述的基于数据驱动的海上风机故障诊断系统，其特征在于，所述转
速数据编码模块，进一步用于：将所述预定时间段内多个预定时间点的转速值按照时间维度排列为一维的输入向量；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：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；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，表示所述输入向量。8.根据权利要求7所述的基于数据驱动的海上风机故障诊断系统，其特征在于，所述特征融合模块，进一步用于：以如下公式融合所述转速特征向量和所述校正后振动转移矩阵以得到所述分类特征向量；其中，所述公式为：其中表示所述转速特征向量，表示所述校正后振动转移矩阵，表示所述分类特征向量，表示矩阵相乘。9.根据权利要求8所述的基于数据驱动的海上风机故障诊断系统，其特征在于，所述故障诊断结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述分类特征向量。10.一种基于数据驱动的海上风机故障诊断系统的诊断方法，其特征在于，包括：获取由部署于发电机的首端和尾端的第一和第二振动传感器采集的预定时间段内的第一振动信号和第二振动信号；使用格拉姆角场原理将所述第一振动信号和所述第二振动信号转化为第一振动格拉姆角和场图像和第二振动格拉姆角和场图像；将所述第一和第二振动格拉姆角和场图像分别通过使用空间注意力机制的第一卷积神经网络以得到第一振动特征矩阵和第二振动特征矩阵；计算所述第一振动特征矩阵相对于所述第二振动特征矩阵的振动转移矩阵；对所述振动转移矩阵中各个位置的特征值进行校正以得到校正后振动转移矩阵；获取由转移测量仪采集的所述发电机在所述预定时间段内多个预定时间点的转速值；
将所述预定时间段内多个预定时间点的转速值通过包含一维卷积层的时序编码器以得到转速特征向量；融合所述转速特征向量和所述校正后振动转移矩阵以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示海上风机是否存在故障。

技术总结

本申请涉及海上故障的智能检测领域，其具体地公开了一种基于数据驱动的海上风机故障诊断系统及其诊断方法，其通过采用人工智能的检测技术，使用深度神经网络模型来作为特征提取器，以发电机的首尾两端的振动信号的差异与其转速之间的关联模型来进行海上风机的故障诊断检测。这样，能够保障所述海上风机故障维护的及时性和有效性，以保证所述海上风机的正常运行。常运行。常运行。