技术新讯 > 发动机及配件附件的制造及其应用技术 > 一种基于知识联邦的风电机组边云协同故障诊断系统  >  正文

一种基于知识联邦的风电机组边云协同故障诊断系统

  • 国知局
  • 2024-07-27 13:24:56

本发明涉及分布式风力发电机组智能故障诊断,尤其是一种基于知识联邦的风电机组边云协同故障诊断系统。

背景技术:

1、风能作为一种绿色清洁的可再生能源在近年来取得了巨大的发展,为应对全球能源危机和气候变化做出了突出贡献。但是,风力发电机组通常运行于环境恶劣的偏远地带,再加之现代风电机组一般由众多的子部件构成,其组成部件之间存在复杂的耦合关系,所以风电机组极易遭遇种类繁多的故障。这些故障极大地影响风电机组的发电效率,其中一些严重故障甚至会导致风电设备停机,这不仅会导致较高的维护成本和经济效益上的损失,更重要的是会降低电力系统的持续性、稳定性和可靠性。因此,对风电机组进行健康状态监测以及智能故障诊断具有重要的实际意义。

2、由于近年来以深度学习为代表的人工智能算法取得了巨大的成功并广泛应用于各个领域,加之现代风电机组几乎都在本地安装有scada系统,可以提供海量且类型多样的风电机组监测数据,例如转速、功率、温度、风速、偏航角等,所以基于scada数据驱动的风电机组智能故障诊断方法获得了广泛的关注与研究。尽管各种先进的深度学习技术不断取得诊断性能上的进步,但是,用于诊断模型训练的数量庞大、高质量且多样化的监督数据集仍然是这些成就背后必不可少的重要基础。传统的基于深度模型的风电机组诊断方法一般将分布式风电机组上产生的运行数据进行集中,从而在中央服务器上形成一个集中式的训练数据集。但是,随着数据在当前信息化时代中所扮演的角色越来越重要,加之产生于风电机组的状态监测数据通常蕴含着丰富的关于技术细节和商业利益的隐私信息,所以数据拥有者并不愿意将其数据在本地之外进行传输与共享。让分布式数据直接存储于本地成为用户更愿意选择的方式。因此,如何在保护原始数据隐私的条件下充分利用各方的本地数据,进而训练一个通用的全局风电机组故障诊断模型成为一个亟待解决的问题。

3、联邦学习的出现为解决上述问题提供了一条有效途径。联邦学习的分布式计算范式与风电机组设备与数据的分布式特性相匹配,可以在保证用户的原始隐私数据不出本地的前提下让各参与者相互协作,在服务器端聚合得到一个效果和集中式训练相近的全局诊断模型。然而在实际情况中,直接利用传统的联邦学习范式以完成分布式风电机组的协同智能故障诊断仍然需要解决一些实际的挑战:不同的分布式风电机组通常会遭遇不同的故障类型,这种差异在联邦学习范式下表现为不同客户端之间的故障标签存在严重异构,最终导致所得全局模型的诊断性能严重退化;在风电机组的实际运行过程中,并不是所有的监测数据都拥有其标签信息,更常见的情况是在本地数据集中仅有一小部分是标签数据,而剩余的大部分为无标签数据,这种标签稀缺问题在联邦学习范式下会严重影响模型的诊断性能。同时传统联邦学习在服务器中采用对上传的模型参数进行平均聚合的方案,这会导致每个客户端上的个性化信息在平均计算的过程中被模糊,最终造成得到的全局模型的诊断性能产生严重的退化,服务器只进行平均聚合的计算也浪费了中央服务器丰富的计算资源。

技术实现思路

1、本发明需要解决的技术问题是提供一种基于知识联邦的风电机组边云协同故障诊断系统。采用联邦学习范式,可以在充分保证用户原始数据隐私的条件下,有效缓解不同机组之间极端异构的故障类型和有限标签数据对诊断模型所带来的严重影响,同时该系统所采用的边云协同训练机制可以缓解客户端上的计算负担并提高系统的整体训练效率。

2、为解决上述技术问题,本发明所采用的技术方案是:一种基于知识联邦的风电机组边云协同故障诊断系统,具体构建步骤如下:

3、步骤1:构建服务器-客户端架构,以单个分布式风电机组为一个边缘客户端,再各个边缘客户端之上构建一个云服务器,云服务器和各边缘客户端之间可实现上传和下载;

4、步骤2:本地诊断知识学习,在各边缘客户端中构建诊断知识学习模型,使用各自的本地监测数据进行训练学习获取诊断知识,训练完成后,各边缘客户端将学习到的诊断知识上传云服务器;

5、步骤3:服务器端全局诊断模型训练,在云服务器中将各边缘客户端上传的诊断知识合并汇总形成诊断知识仓库,在云服务器中构建全局诊断模型,利用诊断知识仓库完成对全局诊断模型的训练;

6、步骤4:边云协同训练完成,云服务器将训练好的全局诊断模型下发至各边缘客户端,与边缘客户端内本地诊断知识学习模型中的编码器结合形成本地诊断模型。

7、本发明技术方案的进一步改进在于:步骤1所构建服务器-客户端架构中,各边缘客户端中风电机组实际运行过程中所产生的状态监测数据只存储于本地客户端不在本地客户端之外传递或共享,每个客户端本地数据对云服务器不可见。

8、本发明技术方案的进一步改进在于:步骤2具体步骤如下:

9、步骤2.1:各边缘客户端将从其本地私有状态监测数据集中获取对应风电机组的运行状态监测数据,将本地私有数据集中的一部分划分为测试集用于测试所得模型的性能,剩余部分划分为训练集用于模型训练和参数调整;

10、步骤2.2:构建诊断知识学习模型,使用本地监测数据以无监督方式对诊断知识学习模型进行训练,当诊断知识学习模型达到收敛,诊断知识学习模型的输出视为充分代表原始数据的诊断知识;

11、步骤2.3:各边缘客户端将诊断知识上传至云服务器,如果边缘客户端上的本地监测数据拥有对应的故障标签,则诊断知识和其对应的标签同时被上传,如果本地监测数据没有对应标签,则仅需上传所学诊断知识。

12、本发明技术方案的进一步改进在于:步骤2.2具体步骤如下:

13、诊断知识学习模型是一个时空记忆增强的自编码器,包括编码器和解码器,编码器分别在时间和空间维度上完成诊断知识的学习;

14、风电机组状态监测的本地监测数据输入编码器,首先经过时空卷积操作,如式(1)、式(2)所示:

15、

16、

17、其中和分别是经过卷积计算的隐向量,ct和cs是向量的维度,和则分别代表时间和空间两个维度上卷积网络,该网络中可学习的参数分别用和表示;

18、完成时间和空间两个维度上的卷积计算时候,所得向量被分别输入到对应的基于注意力的记忆模块中,一个记忆模块包含记忆矩阵,时间和空间上的记忆矩阵可以分别被表示为和每个记忆矩阵中有n个记忆单元,记忆单元向量为以及将经过卷积计算所得到的结果输入至记忆模块中;

19、计算时间维度时,将卷积结果作为查询向量与记忆矩阵中的每一个记忆单元向量进行余弦相似度计算,如式(3)所示:

20、

21、计算可得注意力权重向量然后使用softmax函数将权重向量的所有元素映射为总和为1,如式(4)所示:

22、

23、最终可得到经过归一化的时间维度上的注意力权重向量:

24、

25、计算空间维度时,将卷积结果作为查询向量与记忆矩阵中的每一个记忆单元向量进行余弦相似度计算,如式(5)所示:

26、

27、计算可得注意力权重向量然后使用softmax函数将权重向量的所有元素映射为总和为1,如式(6)所示:

28、

29、最终可得到经过归一化的时间维度上的注意力权重向量:

30、

31、利用所得注意力权重分别对时间和空间记忆矩阵中的记忆单元进行线性加权运算,如式(7)和式(8):

32、

33、

34、其中即为记忆模块在时间维度上的最终输出;为记忆模块在空间维度上的最终输出;

35、为了保证编码器在学习关于故障模式最本质的特征的同时保持对不同故障的类型的泛化能力,在卷积操作和记忆模块的输出之间引入跳跃连接为模型带来共性的故障信息;该过程在时间维度上如式(9)所示:

36、

37、在空间维度上如式(10)所示:

38、

39、最后将时间和空间上的结果进行相加融合,得到编码器的最终输出,如式(11)所示:

40、

41、其中和首先将时间和空间上的计算结果通过卷积转换为两个形状相同的可直接相加的矩阵,从而得到编码器的最终输出

42、解码器则由多个反卷积层组成,其整体计算过程如式(12)所示:

43、

44、其中是经过解码器还原的原始输入信号,表示解码器的可训练参数;

45、整个诊断知识学习模型使用mse损失函数进行训练更新,第j个边缘客户端上的损失如式(13)所示:

46、

47、每个边缘客户端都以上述过程进行本地诊断知识学习模型的训练,当本地诊断知识学习模型达到收敛,则每个边缘客户端将编码器输出作为所学习到的诊断知识。

48、本发明技术方案的进一步改进在于:步骤3具体步骤如下:

49、步骤3.1:云服务器端接收来自不同边缘客户端的诊断知识,并利用这些上传所得的诊断知识在服务器上形成一个全局的诊断知识仓库,该知识仓库可以全面覆盖每个客户端上所有的故障类型;有效扩展服务器的视野并为服务器提供相较于模型参数更加丰富的信息;

50、步骤3.2:构建全局诊断模型,全局诊断模型采用多尺度时空卷积的策略,在时间维度上引入多尺度策略;将全局仓库中的诊断知识数据输入到全局诊断模型中;

51、步骤3.3:构建训练机制,当诊断知识库中的诊断知识拥有对应标签,则采用一般的监督学习完成对全局诊断模型的训练,如果边缘客户端本地监测数据只有少量标签数据而剩余大部分都是无标签数据,则上传至服务器全局仓库中的大部分诊断知识也没有其对应标签,则采用集成半监督学习完成对全局诊断模型的训练;

52、步骤3.4:中央服务器根据实际情况选择合适的训练方式训练所构建的全局诊断模型。

53、本发明技术方案的进一步改进在于:步骤3.2具体步骤如下:全局诊断模型采用时空解耦的方式完成特征的进一步提取,在时间维度上采用多尺度卷积的策略,即通过卷积核分别为1、3、5的卷积层并行计算输入数据以实现更好的特征学习,该过程如式(15)所示:

54、

55、其中ot表示三个时间多尺度卷积模块的输出;表示三种不同尺度的卷积操作;it代表共享的输入数据,it并不代表诊断模型最开始的输入,而是一个经过初始化卷积和最大池化操作的特征向量,如式(16)所示:

56、

57、其中k为本地诊断知识学习模型中编码器的最终输出,也即全局知识仓库中的知识数据;在空间维度上则对原始输入的诊断知识直接进行一维卷积,如式(17)所示:

58、os=convs(k)  (17)

59、然后将两个维度上的卷积结果进行相加融合并输入到全连接层中,最终得到全局诊断模型的预测输出,如式(18)所示:

60、om=fc(ot+os)  (18)

61、其中fc(·)代表全连接层的计算过程,om则为全局诊断模型的最终输出。

62、本发明技术方案的进一步改进在于:步骤4中边云协同训练为两阶段-单轮次的边云协同训练机制,各边缘客户端和云服务器之间的信息交互,只需要一次上传和一次下载的操作。

63、由于采用了上述技术方案,本发明取得的技术进步是:通过采用联邦学习的服务器-客户端训练架构来实现原始数据隐私保护的分布式风电机组智能故障诊断。使用学习自每个边缘客户端的诊断知识代替传统联邦框架中的模型参数,并在中央服务器上利用诊断知识形成一个全局诊断知识仓库。由于该知识仓库覆盖了各客户端上所有可能发生的故障类型,所以可以显著缓解客户端之间故障标签极端异构所造成的不利影响。通过在全局诊断模型使用集成半监督训练学习算法可以便捷地集成到服务器上全局诊断模型的训练过程中,从而有效缓解有限标签数据的影响,有效应对客户端上故障数据标签不足的问题。

64、通过针对该联邦知识框架提出一个两阶段-单轮次的边云协同训练机制。该训练机制将深度学习模型的训练任务分配到客户端边缘设备和服务器两个平台上,并且只需要一次上传和下载的全局通信过程。与在客户端上完成全部深度模型的训练流程,且需要在客户端和服务器之间进行多次模型参数全局通信的传统联邦学习训练范式相比,该训练机制利用了服务器端较强的计算能力,减轻了客户端的计算负担,并且提升了整个框架的训练效率。

65、针对边缘客户端上的风电机组状态监测scada数据是典型的多变量时间序列,并且具有复杂的时空耦合关系,通过设置一种时空记忆增强的自编码器,用于从本地私有数据中学习诊断知识。该自编码器采用编码器-解码器架构。其编码器总体上采用时间维度和空间维度解耦操作的策略。具体的,在编码器分别在时间和空间维度上部署了卷积操作、基于注意力的记忆模块和条约连接。解码器则通过多个反卷积层完成原始输入信号的还原。通过编码器中的计算过程,本地模型可以在保留泛化性能的同时获得最具有代表性的诊断知识,从而为后续全局诊断模型的训练打下坚实的基础。

本文地址:https://www.jishuxx.com/zhuanli/20240726/126042.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。