[发明专利]基于扩散图数据降维技术的风力发电机组健康度评估方法

权利要求书

1.一种基于扩散图数据降维技术的风力发电机组健康度评估方法，其特征在于：包括以下步骤：

步骤一：采集样本数据：采集风力发电机组不同故障前一个星期的故障样本数据；

步骤二：构建检测模型：将采集到的不同故障的历史数据作为样本模型，使用数据降维的扩散图技术将不同模型的高维数据进行数据压缩，使其降到二维空间中，将降维后的样本数据进行不同故障类别标示，并在同一二维坐标轴中进行展示；

步骤三：不同故障质心选择：利用扩散图技术得到的不同类型故障以簇的形式分布在二维平面上，通过使用高斯概率密度核函数计算出不同簇的质心，以质心代表不同的故障部位和类型；

步骤四：数据降维：使用扩散图数据降维技术将风力发电机运行时产生的实时数据降到二维空间；

步骤五：整机健康度评估：以风力发电机组健康状态下运行的数据作为评估基准点，使用扩散图技术将标准健康数据压缩到二维空间作为基准健康曲面，并将此时点设置为0；使用GMM模型计算风力发电机组实时数据压缩后产生的点和风力发电机组基准面压缩到同一二维平面，使用L2公式计算风力发电机组的健康度；

步骤六：风力发电机组关键部件健康度评估：将风力发电机组关键部件的模型提取到一个二维空间中，将实时数据输入到模型中，通过点到质心的距离大小和方向对风力发电机的主要部件进行健康度评估；以最大距离作为部件健康度指标，以方向作为风力发电机组关键部件对故障模型的指向；

所述步骤一中，采样频率为10min，采样维度为51，每条样本数据所包含的样本容量为1008*51；

所述步骤二中，扩散图框架起源于动力学系统领域，在数据图上定义马尔可夫随机游动的基础上得到的；通过执行若干个时间步的随机游走，获得了数据点的接近度测量值，在扩散映射框架中，使用高斯核函数计算图中边缘的权重，得到矩阵：

其中，σ²表示高斯方差，矩阵W以行的和为1进行归一化处理；矩阵P⁽¹⁾为：

由于扩散图来源于动力学系统理论，因此所得矩阵P⁽¹⁾被认为是定义动力学过程正向转移概率矩阵的马尔可夫矩阵；因此，矩阵P⁽¹⁾表示在单个时间步中从一个数据点到另一个数据点的转换概率；t个时间步长P^(t)的正向概率矩阵由(P⁽¹⁾)^t给出；利用随机前移概率扩散距离定义为：

ψ(x_i)⁽⁰⁾将高密度的部分赋予更大的权重；m_i是x_i的密度，m_i＝∑_jp_ij；从扩散距离定义可以看出，具有高正向转换概率的成对数据点具有较小的扩散距离；在数据的低维表示中，扩散图试图保持扩散距离；扩散距离由特征问题的d个主特征向量构成：

P^(t)v＝λv

低维表示数据由d个主特征向量给出，特征向量通过其相应的特征值进行归一化，因此，低维数据表示为：

Y＝{λ₂v₂,λ₃v₃,…,λ_d+1v_d+1}。

2.根据权利要求1所述的基于扩散图数据降维技术的风力发电机组健康度评估方法，其特征在于：所述步骤四中，通过扩散图算法将风力发电机组运行产生的历史故障特征降维处理。

3.根据权利要求1所述的基于扩散图数据降维技术的风力发电机组健康度评估方法，其特征在于：所述步骤五中，风力发电机组健康状态下运行的数据为实时数据，并将实时数据输入到模型中评估风力发电机组的健康度。