(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211231295.4 (22)申请日 2022.10.10 (65)同一申请的已公布的文献号 申请公布号 CN 115293057 A (43)申请公布日 2022.11.04 (73)专利权人 深圳先进技 术研究院 地址 518000 广东省深圳市南 山区西丽 街 道大学城学苑大道1068号 (72)发明人 杨之乐　安钊　郭媛君　胡天宇　 吴承科　 (74)专利代理 机构 深圳市君胜知识产权代理事 务所(普通 合伙) 44268 专利代理师 陈专 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/08(2006.01) (56)对比文件 CN 112733283 A,2021.04.3 0 CN 114118251 A,202 2.03.01 CN 111858926 A,2020.10.3 0 CN 111275108 A,2020.0 6.12 US 2020210824 A1,2020.07.02 WO 2022048168 A1,202 2.03.10 审查员 陈雅 (54)发明名称 一种基于多源异构数据的风力发电机故障 预测方法 (57)摘要 本发明公开了一种基于多源异构数据的风 力发电机故障预测方法， 方法包括： 获取目标风 力发电机的历史数据， 目标风力发电机的历史数 据至少包括目标风力发电机在预设时段内的各 个叶片的形变数据以及目标风力发电机的振动 数据， 预设时段为当前时刻前预设时长的时段； 将目标风力发电机的历史数据输入至已训练的 神经网络， 获取神经网络输出的目标风力发电机 的故障预测结果； 其中， 神经网络是基于训练数 据集训练完成的， 训练数据集中包括样本历史数 据和样本扩充数据， 样本历史数据为真实采集的 风力发电机的历史数据， 样本扩充数据为对样本 历史数据进行样本扩充处理生 成的数据。 本发明 可以提升风力发电机的故障检测效率。 权利要求书3页 说明书9页 附图1页 CN 115293057 B 2022.12.20 CN 115293057 B 1.一种基于多源异构数据的风力发电机故障预测方法， 其特 征在于， 所述方法包括： 获取目标风力发电机的历史数据， 所述目标风力发电机的历史数据至少包括所述目标 风力发电机在预设时段内的各个叶片的形变数据以及所述目标风力发电机的振动数据， 所 述预设时段为当前时刻前 预设时长的时段； 将所述目标风力发电机的历史数据输入至已训练 的神经网络， 获取所述神经网络输出 的所述目标风力发电机的故障预测结果； 其中， 所述神经网络是基于训练数据集训练完成的， 所述训练数据集中包括样本历史 数据和样本扩充数据， 所述样本历史数据为真实采集的风力发电机的历史数据， 所述样本 扩充数据为对所述样本历史数据进行样本扩充处 理生成的数据； 所述神经网络包括特 征提取模块和预测模块， 所述神经网络的训练过程 为： 在各个所述样本历史数据中选取部分所述样本历史数据组成 目标训练批次， 对于所述 目标训练批次中的目标样本历史数据， 执 行如下步骤： 将所述目标样本历史数据输入至样本扩充模块， 生成目标样本扩充数据； 通过所述特征提取模块分别提取所述目标样本历史数据和所述目标样本扩充数据的 特征， 得到第一特 征和第二特 征； 将所述第一特征和所述第 二特征分别输入至所述预测模块， 获取所述预测模块输出的 第一预测结果和第二预测结果； 根据所述目标训练批次中的每个样本历史数据对应的所述第一特征、 所述第二特征、 所述第一预测结果、 所述第二预测结果以及所述目标样本历史数据对应的故障标注标签得 到批次训练损失； 根据所述批次训练损失更新所述样本扩充模块、 所述特征提取模块和所述预测模块的 参数， 并重新执行所述在各个所述样本历史数据中选取部 分所述样本历史数据组成目标训 练批次的步骤， 直至参数收敛。 2.根据权利要求1所述的基于多源异构数据的风力发电机故障预测方法， 其特征在于， 所述获取目标风力发电机的历史数据， 包括： 获取所述目标风力发电机的机头位置， 根据 所述机头位置和向所述目标风力发电机发 出的光信号的反射信号获取 所述目标风力发电机的各个叶片的形变数据。 3.根据权利要求2所述的基于多源异构数据的风力发电机故障预测方法， 其特征在于， 所述根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标 风力发电机的各个叶片的形变数据， 包括： 获取所述目标风力发电机的机头基准位置以及所述机头基准位置对应的基准反射信 号数据； 根据所述机头位置和所述机头基准位置之间的差异、 以及向所述目标风力发电机发出 的光信号的反射信号与所述基准反射信号数据获取所述目标风力发电机的各个叶片的形 变数据。 4.根据权利要求2所述的基于多源异构数据的风力发电机故障预测方法， 其特征在于， 根据所述机头位置和向所述目标风力发电机发出的光信号的反射信号获取所述目标风力 发电机的各个叶片的形变数据之后， 包括： 根据所述目标风力发电机当前的叶片形变数据， 基于所述目标风力发电机当前的叶片权　利　要　求　书 1/3 页 2 CN 115293057 B 2形变数据更新所述目标风力发电机的数字 孪生模型中的三维模型； 所述获取 所述神经网络 输出的所述目标风力发电机的故障预测结果之后， 包括： 将所述目标风力发电机的故障预测结果更新至所述目标风力发电机的数字孪生模型 中。 5.根据权利要求1所述的基于多源异构数据的风力发电机故障预测方法， 其特征在于， 所述根据所述 目标训练批次中的每个样本历史数据对应的所述第一特征、 所述第二特征、 所述第一预测结果、 所述第二预测结果以及所述目标样本历史数据对应的故障标注标签得 到批次训练损失， 包括： 根据所述目标样本历史数据对应的故障标注标签和所述第一预测结果得到第一损失； 将所述第一特征和所述第二特征分别输入至判别器， 获取所述判别器输出的判别结 果， 根据所述判别结果得到第二损失； 根据所述第一损失和所述第二损失得到所述目标样本历史数据对应的样本损失； 获取所述训练批次中每个样本历史数据对应的所述第一预测结果的概率分布作为第 一概率分布， 获取所述训练批次中每个样本历史数据对应的所述第二预测结果的概率分布 作为第二 概率分布； 根据所述第一 概率分布和所述第二 概率分布得到第一批次分损失； 对所述训练批次中的每个样本历史数据分别对应的样本损失进行求和， 得到第 二批次 分损失； 根据所述第一批次分损失和所述第二批次分损失得到所述批次训练损失； 所述根据 所述批次训练损失更新所述样本扩充模块、 所述特征提取模块和所述预测模 块的参数， 包括： 根据所述批次训练损 失更新所述样本扩充模块、 所述特征提取模块、 所述预测模块和 所述判别器的参数。 6.根据权利要求1所述的基于多源异构数据的风力发电机故障预测方法， 其特征在于， 所述通过所述特征提取模块分别提取所述目标样本历史数据和所述目标样本扩充数据的 特征， 得到第一特 征和第二特 征， 包括： 分别对所述目标样本历史数据和所述目标样本扩充数据进行降维处理， 得到第 一降维 数据和第二降维数据； 分别将所述第 一降维数据和所述第 二降维数据输入至所述特征提取模块， 获取所述特 征提取模块输出的所述第一特 征和所述第二特 征。 7.一种基于多源异构数据的风力发电机故障预测装置， 其特 征在于， 包括： 数据获取模块， 所述数据获取模块用于获取目标风力发电机的历史数据， 所述目标风 力发电机的历史数据至少包括所述目标风力发电机在预设时段内的各个叶片的形变数据 以及所述目标风力发电机的振动数据， 所述预设时段为当前时刻前 预设时长的时段； 预测模块， 所述预测模块用于将所述目标风力发电机的历史数据输入至已训练 的神经 网络， 获取 所述神经网络 输出的所述目标风力发电机的故障预测结果； 其中， 所述神经网络是基于训练数据集训练完成的， 所述训练数据集中包括样本历史 数据和样本扩充数据， 所述样本历史数据为真实采集的风力发电机的历史数据， 所述样本 扩充数据为对所述样本历史数据进行样本扩充处 理生成的数据；权　利　要　求　书 2/3 页 3 CN 115293057 B 3