CN115456047A - 基于人工智能的海上风机结构状态监测系统及其方法 - Google Patents

基于人工智能的海上风机结构状态监测系统及其方法 Download PDF

Info

Publication number
CN115456047A
CN115456047A CN202211017541.6A CN202211017541A CN115456047A CN 115456047 A CN115456047 A CN 115456047A CN 202211017541 A CN202211017541 A CN 202211017541A CN 115456047 A CN115456047 A CN 115456047A
Authority
CN
China
Prior art keywords
feature
matrix
wind turbine
offshore wind
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211017541.6A
Other languages
English (en)
Inventor
黄力哲
王力军
叶林
孟喆
于洋
王洪兴
孙宸玮
黄鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaneng Renewables Corp Ltd
Beijing Huaneng Xinrui Control Technology Co Ltd
Original Assignee
Huaneng Renewables Corp Ltd
Beijing Huaneng Xinrui Control Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaneng Renewables Corp Ltd, Beijing Huaneng Xinrui Control Technology Co Ltd filed Critical Huaneng Renewables Corp Ltd
Priority to CN202211017541.6A priority Critical patent/CN115456047A/zh
Publication of CN115456047A publication Critical patent/CN115456047A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Wind Motors (AREA)

Abstract

本申请涉及海上风机结构状态的智能监测领域，其具体地公开了一种基于人工智能的海上风机结构状态监测系统及其方法，其采用基于人工智能的监测方法，以卷积神经网络模型作为特征提取器，通过多个预定时间点的叶片转速值的隐含关联特征来生成以所述叶片工作特性为激励的振动信号的高维隐含特征，并与实际检测到的所述预定时间段内的振动信号的高维隐含特征进行差分比较，以在海上风机的基础结构的振动信号中提取出因所述叶片转动而带来的激励振动信号从而使得差分特征矩阵能够更直观地反应所述海上风机的基础结构的振动模式，进而基于所述海上风机的基础结构的振动模式来进行所述海上风机的基础结构的性能状态监测。

Description

基于人工智能的海上风机结构状态监测系统及其方法
技术领域
本发明涉及海上风机结构状态的智能监测领域，且更为具体地，涉及一种基于人工智能的海上风机结构状态监测系统及其方法。
背景技术
截止2013年底，全球风电总装机达到318GW，其中海上风电为6.8GW，我国风电总装机为91.4GW，海上风电装机428MW。随着时间的推移，风电机组运行的安全事故也呈上升趋势。在各类风电事故中，结构失效仅次于火灾和叶片失效，因此对风机结构体系状态进行监测有重要的意义。
相比陆上，海上风机所受荷载环境更复杂，多变的风、浪、流，甚至极端情况下的冰、台风、地震等荷载激励对结构影响机理更加复杂。同时，由于海上风机远离陆地，风电场管理工作人员无法经常性的对结构进行评估与检测，对于事故的响应时间也远长于陆上风机的处理。
因此，期待一种优化的用于海上风机结构的状态监测方案。
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、文本信号处理等领域。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。
近年来，深度学习以及神经网络的发展，为海上风机结构的状态监测提供了解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于人工智能的海上风机结构状态监测系统及其方法，其采用基于人工智能的监测方法，以卷积神经网络模型作为特征提取器，通过多个预定时间点的叶片转速值的隐含关联特征来生成以所述叶片工作特性为激励的振动信号的高维隐含特征，并与实际检测到的所述预定时间段内的振动信号的高维隐含特征进行差分比较，以在海上风机的基础结构的振动信号中提取出因所述叶片转动而带来的激励振动信号从而使得差分特征矩阵能够更直观地反应所述海上风机的基础结构的振动模式，进而基于所述海上风机的基础结构的振动模式来进行所述海上风机的基础结构的性能状态监测。
根据本申请的一个方面，提供了一种基于人工智能的海上风机结构状态监测系统，其包括：
数据采集模块，用于获取由部署于海上风机的基础结构的振动传感器采集的预定时间段的振动信号，以及，所述预定时间段内多个预定时间点的叶片转速值；
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叶片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；
波形生成模块，用于将所述转速特征向量通过波形生成器以得到生成振动信号；
生成波形编码模块，用于将所述生成振动信号的波形图通过作为特征提取器的第一卷积神经网络以得到生成振动特征矩阵；
检测振动波形编码模块，用于将所述预定时间段的振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到检测振动特征矩阵；
差分模块，用于计算所述检测振动特征矩阵和所述生成振动特征矩阵之间的差分特征矩阵；
特征校正模块，用于基于所述差分特征矩阵的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及
状态监测结果生成模块，用于将所述校正后差分特征矩阵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的基础结构的性能是否满足预定要求。
在上述基于人工智能的海上风机结构状态监测系统中，所述转速数据编码模块，包括：输入向量构造单元，用于将所述预定时间段内多个预定时间点的叶片转速值按照时间维度排列为一维的输入向量；全连接编码单元，用于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：
Figure BDA0003811468080000021
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure BDA0003811468080000022
表示矩阵乘；一维卷积编码单元，用于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：
Figure BDA0003811468080000031
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，X表示所述输入向量。
在上述基于人工智能的海上风机结构状态监测系统中，所述波形生成器为对抗生成器。
在上述基于人工智能的海上风机结构状态监测系统中，所述波形生成器的训练过程，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练叶片转速值和所述预定时间段的参考波形图像；将所述训练数据中的预定时间段内多个预定时间点的训练叶片转速值通过所述包含一维卷积层的时序编码器以得到训练转速特征向量；将所述训练转速特征向量通过所述波形生成器的生成器模型以得到训练波形生成图像；将所述训练波形生成图像通过所述波形生成器的鉴别器神经网络模型以得到第一特征图；将所述参考波形图像通过所述波形生成器的鉴别器神经网络模型以得到第二特征图；确定所述第一特征图与所述第二特征图中的预定位置的值是否相同；响应于所述第一特征图与所述第二特征图中的预定位置的值相同，计算所述预定位置的值的以二为底的对数值的负数值作为第一值；响应于所述第一特征图与所述第二特征图中的预定位置的值不同，计算所述预定位置的值的以二为底的对数值作为第二值；计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值；以及，以所述鉴别器损失函数值并通过梯度下降的反向传播来训练所述波形生成器。
在上述基于人工智能的海上风机结构状态监测系统中，所述生成波形编码模块，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中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述生成振动特征矩阵，所述第一卷积神经网络的第一层的输入为所述生成振动信号的波形图。
在上述基于人工智能的海上风机结构状态监测系统中，所述检测振动波形编码模块，进一步用于：所述第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述检测振动特征矩阵，所述第二卷积神经网络的第一层的输入为所述预定时间段的振动信号的波形图。
在上述基于人工智能的海上风机结构状态监测系统中，所述特征校正模块，进一步用于：基于所述差分特征矩阵的特征值集合的均值和方差，以如下公式对所述差分特征矩阵中各个位置的特征值进行校正以得到所述校正后差分特征矩阵；
其中，所述公式为：
Figure BDA0003811468080000041
其中mi，j表示所述差分特征矩阵中各个位置的特征值，W和H分别是所述差分特征矩阵的宽和高，且μ和σ是所述差分特征矩阵的特征值集合的均值和方差，α是权重超参数。
在上述基于人工智能的海上风机结构状态监测系统中，所述状态监测结果生成模块，进一步用于：所述分类器以如下公式对所述差分特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn，Bn):…:(W1，B1)|Project(F)}，其中Project(F)表示将所述差分特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面，一种基于人工智能的海上风机结构状态监测方法，其包括：
获取由部署于海上风机的基础结构的振动传感器采集的预定时间段的振动信号，以及，所述预定时间段内多个预定时间点的叶片转速值；
将所述预定时间段内多个预定时间点的叶片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；
将所述转速特征向量通过波形生成器以得到生成振动信号；
将所述生成振动信号的波形图通过作为特征提取器的第一卷积神经网络以得到生成振动特征矩阵；
将所述预定时间段的振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到检测振动特征矩阵；
计算所述检测振动特征矩阵和所述生成振动特征矩阵之间的差分特征矩阵；
基于所述差分特征矩阵的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及
将所述校正后差分特征矩阵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的基础结构的性能是否满足预定要求。
在上述基于人工智能的海上风机结构状态监测方法中，将所述预定时间段内多个预定时间点的叶片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叶片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：
Figure BDA0003811468080000052
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure BDA0003811468080000053
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：
Figure BDA0003811468080000051
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，X表示所述输入向量。
在上述基于人工智能的海上风机结构状态监测方法中，所述波形生成器为对抗生成器。
在上述基于人工智能的海上风机结构状态监测方法中，所述波形生成器的训练过程，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练叶片转速值和所述预定时间段的参考波形图像；将所述训练数据中的预定时间段内多个预定时间点的训练叶片转速值通过所述包含一维卷积层的时序编码器以得到训练转速特征向量；将所述训练转速特征向量通过所述波形生成器的生成器模型以得到训练波形生成图像；将所述训练波形生成图像通过所述波形生成器的鉴别器神经网络模型以得到第一特征图；将所述参考波形图像通过所述波形生成器的鉴别器神经网络模型以得到第二特征图；确定所述第一特征图与所述第二特征图中的预定位置的值是否相同；响应于所述第一特征图与所述第二特征图中的预定位置的值相同，计算所述预定位置的值的以二为底的对数值的负数值作为第一值；响应于所述第一特征图与所述第二特征图中的预定位置的值不同，计算所述预定位置的值的以二为底的对数值作为第二值；计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值；以及，以所述鉴别器损失函数值并通过梯度下降的反向传播来训练所述波形生成器。
在上述基于人工智能的海上风机结构状态监测方法中，将所述生成振动信号的波形图通过作为特征提取器的第一卷积神经网络以得到生成振动特征矩阵，包括：所述第一卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述生成振动特征矩阵，所述第一卷积神经网络的第一层的输入为所述生成振动信号的波形图。
在上述基于人工智能的海上风机结构状态监测方法中，将所述预定时间段的振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到检测振动特征矩阵，包括：所述第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述检测振动特征矩阵，所述第二卷积神经网络的第一层的输入为所述预定时间段的振动信号的波形图。
在上述基于人工智能的海上风机结构状态监测方法中，基于所述差分特征矩阵的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵，包括：基于所述差分特征矩阵的特征值集合的均值和方差，以如下公式对所述差分特征矩阵中各个位置的特征值进行校正以得到所述校正后差分特征矩阵；
其中，所述公式为：
Figure BDA0003811468080000071
其中mi，j表示所述差分特征矩阵中各个位置的特征值，W和H分别是所述差分特征矩阵的宽和高，且μ和σ是所述差分特征矩阵的特征值集合的均值和方差，α是权重超参数。
在上述基于人工智能的海上风机结构状态监测方法中，将所述校正后差分特征矩阵通过分类器以得到分类结果，包括：所述分类器以如下公式对所述差分特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn，Bn):…:(W1，B1)|Project(F)}，其中Project(F)表示将所述差分特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
与现有技术相比，本申请提供的基于人工智能的海上风机结构状态监测系统及其方法，其采用基于人工智能的监测方法，以卷积神经网络模型作为特征提取器，通过多个预定时间点的叶片转速值的隐含关联特征来生成以所述叶片工作特性为激励的振动信号的高维隐含特征，并与实际检测到的所述预定时间段内的振动信号的高维隐含特征进行差分比较，以在海上风机的基础结构的振动信号中提取出因所述叶片转动而带来的激励振动信号从而使得差分特征矩阵能够更直观地反应所述海上风机的基础结构的振动模式，进而基于所述海上风机的基础结构的振动模式来进行所述海上风机的基础结构的性能状态监测。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于人工智能的海上风机结构状态监测系统的应用场景图。
图2为根据本申请实施例的基于人工智能的海上风机结构状态监测系统的框图。
图3为根据本申请实施例的基于人工智能的海上风机结构状态监测方法的流程图。
图4为根据本申请实施例的基于人工智能的海上风机结构状态监测方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，截止2013年底，全球风电总装机达到318GW，其中海上风电为6.8GW，我国风电总装机为91.4GW，海上风电装机428MW。随着时间的推移，风电机组运行的安全事故也呈上升趋势。在各类风电事故中，结构失效仅次于火灾和叶片失效，因此对风机结构体系状态进行监测有重要的意义。
相比陆上，海上风机所受荷载环境更复杂，多变的风、浪、流，甚至极端情况下的冰、台风、地震等荷载激励对结构影响机理更加复杂。同时，由于海上风机远离陆地，风电场管理工作人员无法经常性的对结构进行评估与检测，对于事故的响应时间也远长于陆上风机的处理。
因此，期待一种优化的用于海上风机结构的状态监测方案。
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、文本信号处理等领域。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。
近年来，深度学习以及神经网络的发展，为海上风机结构的状态监测提供了解决思路和方案。
相应地，由于传统的模态识别方法是以外部激励具有或近似随机白噪声特性为假设前提，而对于风机由于叶片旋转存在周期性荷载混入，往往不能满足随机白噪声的假设要求，这样对于固有频率与谐波较为接近时，特别是响应中谐波成分占比较大时，这些方法不能区分真伪模态导致识别精度较低。因此，在本申请的技术方案中，期望通过多个预定时间点的叶片转速值的隐含关联特征来生成以叶片工作特性为激励的振动信号，并与实际检测到的预定时间段内的振动信号进行差分比较，以在所述海上风机的基础结构的振动信号中提取出因叶片转动而带来的激励振动信号从而使得差分特征矩阵能够更直观地反应海上风机的基础结构的振动模式，进而基于所述海上风机的基础结构的振动模式来进行所述海上风机的基础结构的性能状态监测。
具体地，在本申请的技术方案中，首先，通过部署于海上风机的基础结构的振动传感器采集预定时间段的振动信号，以及，所述预定时间段内多个预定时间点的叶片转速值。应可以理解，由于在所述海上风机的基础结构的性能状态良好时，所述海上风机正常工作产生的振动信号是有有一定隐含性规律的，而当状态异常时，所述海上风机的基础结构的振动信号会发生变化，因此采用所述海上风机的基础结构的振动信号来作为数据输入能够表征所述海上风机的基础结构的状态性能特征。
然后，考虑到所述叶片转速值在时序维度上具有着动态性的关联规律，因此，为了充分地提取出这种动态性的隐含关联特征，将所述预定时间段内多个预定时间点的叶片转速值通过包含一维卷积层的时序编码器中进行编码，以提取出所述叶片转速在时序维度上的变化特征，从而得到转速特征向量。在本申请的一个示例中，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叶片转速值在时序维度上的关联和通过全连接编码提取所述叶片转速值的高维隐含特征。
进一步地，将所述转速特征向量通过波形生成器来生成以叶片工作特性为激励的振动信号，也就是生成振动信号。特别地，这里，所述波形生成器包括生成器模型和鉴别器神经网络模型，所述波形生成器的生成器模型能够利用所述叶片转速值在时序维度上的动态特征来生成表征所述叶片的工作特性的波形生成图像；而所述波形生成器的鉴别器神经网络模型能够以通过“欺骗”鉴别器的方法来使得所述波形生成图像和参考波形图像所提取到的特征信息相类似，进而使得所述生成振动信号能够表征以所述叶片工作特性为激励的振动信号。
这样，将所述生成振动信号的波形图以及所述预定时间段的振动信号的波形图分别通过作为特征提取器的卷积神经网络模型中进行特征提取，以分别提取出所述生成振动信号的波形图和所述振动信号的波形图的局部高维隐含特征分布信息，从而得到生成振动特征矩阵和检测振动特征矩阵。
然后，计算所述生成振动特征矩阵和所述检测振动特征矩阵在高维特征空间中的差分以得到差分特征矩阵，也就是，在所述海上风机的基础结构的振动信号中提取出因叶片转动而带来的激励振动信号从而使得所述差分特征矩阵能够更直观地反应海上风机的基础结构的振动模式，以提高后续分类的准确性。
应可以理解，在将所述转速特征向量通过波形生成器得到生成振动信号并进行特征提取获得生成振动特征矩阵时，由于波形生成器得到的生成振动信号在源数据的内在分布上可能与振动信号存在偏差，使得所述检测振动特征矩阵与所述生成振动特征矩阵的差分特征矩阵可能存在包含异常振动信息特征的异常实例(instance)，影响差分特征矩阵的分类效果。
因此，在本申请的技术方案中，优选地对所述差分特征矩阵进行优化，具体为：
Figure BDA0003811468080000101
其中mi，j是所述差分特征矩阵的每个位置的特征值，W和H是所述差分特征矩阵的宽和高，且λ和σ是所述差分特征矩阵的特征值集合的均值和方差，α是权重超参数。
这里，上述优化将特征集合作为自适应实例(adaptive instance)，利用其统计特征的本质内在先验信息来对单个特征值进行动态生成式的信息归一化，同时将特征集合的归一化模长信息作为偏置，来作为集合分布域内的不变性描述，这样，就实现了尽可能屏蔽异常实例的扰动分布的特征优化，提升了所述差分特征矩阵的分类效果，进而提高了分类的准确性。
基于此，本申请提出了一种基于人工智能的海上风机结构状态监测系统，其包括：数据采集模块，用于获取由部署于海上风机的基础结构的振动传感器采集的预定时间段的振动信号，以及，所述预定时间段内多个预定时间点的叶片转速值；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叶片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；波形生成模块，用于将所述转速特征向量通过波形生成器以得到生成振动信号；生成波形编码模块，用于将所述生成振动信号的波形图通过作为特征提取器的第一卷积神经网络以得到生成振动特征矩阵；检测振动波形编码模块，用于将所述预定时间段的振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到检测振动特征矩阵；差分模块，用于计算所述检测振动特征矩阵和所述生成振动特征矩阵之间的差分特征矩阵；特征校正模块，用于基于所述差分特征矩阵的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及，状态监测结果生成模块，用于将所述校正后差分特征矩阵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的基础结构的性能是否满足预定要求。
图1图示了根据本申请实施例的基于人工智能的海上风机结构状态监测系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于海上风机(例如，如图1中所示意的F)的基础结构的振动传感器(例如，如图1中所示意的V)采集预定时间段的振动信号，以及，通过转速传感器(例如，如图1中所示意的T)采集所述预定时间段内多个预定时间点的叶片(例如，如图1中所示意的B)转速值。然后，将获得的所述预定时间段的振动信号以及所述预定时间段内多个预定时间点的叶片转速值输入至部署有基于人工智能的海上风机结构状态监测算法的服务器中(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人工智能的海上风机结构状态监测算法对所述预定时间段的振动信号以及所述预定时间段内多个预定时间点的叶片转速值进行处理，以生成用于表示海上风机的基础结构的性能是否满足预定要求的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的基于人工智能的海上风机结构状态监测系统的框图。如图2所示，根据本申请实施例的基于人工智能的海上风机结构状态监测系统200，包括：数据采集模块210，用于获取由部署于海上风机的基础结构的振动传感器采集的预定时间段的振动信号，以及，所述预定时间段内多个预定时间点的叶片转速值；转速数据编码模块220，用于将所述预定时间段内多个预定时间点的叶片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；波形生成模块230，用于将所述转速特征向量通过波形生成器以得到生成振动信号；生成波形编码模块240，用于将所述生成振动信号的波形图通过作为特征提取器的第一卷积神经网络以得到生成振动特征矩阵；检测振动波形编码模块250，用于将所述预定时间段的振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到检测振动特征矩阵；差分模块260，用于计算所述检测振动特征矩阵和所述生成振动特征矩阵之间的差分特征矩阵；特征校正模块270，用于基于所述差分特征矩阵的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及，状态监测结果生成模块280，用于将所述校正后差分特征矩阵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的基础结构的性能是否满足预定要求。
具体地，在本申请实施例中，所述数据采集模块210和所述转速数据编码模块220，用于获取由部署于海上风机的基础结构的振动传感器采集的预定时间段的振动信号，以及，所述预定时间段内多个预定时间点的叶片转速值，并将所述预定时间段内多个预定时间点的叶片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。如前所述，应可以理解，由于传统的模态识别方法是以外部激励具有或近似随机白噪声特性为假设前提，而对于风机由于叶片旋转存在周期性荷载混入，往往不能满足随机白噪声的假设要求，这样对于固有频率与谐波较为接近时，特别是响应中谐波成分占比较大时，这些方法不能区分真伪模态导致识别精度较低。因此，在本申请的技术方案中，期望通过多个预定时间点的所述叶片转速值的隐含关联特征来生成以所述叶片工作特性为激励的振动信号，并与实际检测到的预定时间段内的振动信号进行差分比较，以在所述海上风机的基础结构的振动信号中提取出因所述叶片转动而带来的激励振动信号从而使得差分特征矩阵能够更直观地反应海上风机的基础结构的振动模式，进而基于所述海上风机的基础结构的振动模式来进行所述海上风机的基础结构的性能状态监测。
也就是，具体地，在本申请的技术方案中，首先，通过部署于海上风机的基础结构的振动传感器采集预定时间段的振动信号，以及，所述预定时间段内多个预定时间点的叶片转速值。应可以理解，由于在所述海上风机的基础结构的性能状态良好时，所述海上风机正常工作产生的振动信号是有有一定隐含性规律的，而当状态异常时，所述海上风机的基础结构的振动信号会发生变化，因此采用所述海上风机的基础结构的振动信号来作为数据输入能够表征所述海上风机的基础结构的状态性能特征。
然后，应可以理解，考虑到所述叶片转速值在时序维度上具有着动态性的关联规律，因此，在本申请的技术方案中，为了充分地提取出这种动态性的隐含关联特征，将所述预定时间段内多个预定时间点的叶片转速值通过包含一维卷积层的时序编码器中进行编码，以提取出所述叶片转速在时序维度上的变化特征，从而得到转速特征向量。在本申请的一个示例中，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叶片转速值在时序维度上的关联和通过全连接编码提取所述叶片转速值的高维隐含特征。
更具体地，在本申请实施例中，所述转速数据编码模块，包括：输入向量构造单元，用于将所述预定时间段内多个预定时间点的叶片转速值按照时间维度排列为一维的输入向量；全连接编码单元，用于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：
Figure BDA0003811468080000133
Figure BDA0003811468080000134
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure BDA0003811468080000132
表示矩阵乘；一维卷积编码单元，用于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：
Figure BDA0003811468080000131
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，X表示所述输入向量。
具体地，在本申请实施例中，所述波形生成模块230，用于将所述转速特征向量通过波形生成器以得到生成振动信号。也就是，在本申请的技术方案中，为了通过多个预定时间点的叶片转速值的隐含关联特征来生成以叶片工作特性为激励的振动信号，进一步地，将所述转速特征向量通过波形生成器来生成所述生成振动信号。特别地，在一个具体示例中，这里，所述波形生成器为对抗生成器，并且所述波形生成器包括生成器模型和鉴别器神经网络模型，所述波形生成器的生成器模型能够利用所述叶片转速值在时序维度上的动态特征来生成表征所述叶片的工作特性的波形生成图像；而所述波形生成器的鉴别器神经网络模型能够以通过“欺骗”鉴别器的方法来使得所述波形生成图像和参考波形图像所提取到的特征信息相类似，进而使得所述生成振动信号能够表征以所述叶片工作特性为激励的振动信号。
更具体地，在本申请实施例中，所述波形生成器的训练过程，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练叶片转速值和所述预定时间段的参考波形图像；将所述训练数据中的预定时间段内多个预定时间点的训练叶片转速值通过所述包含一维卷积层的时序编码器以得到训练转速特征向量；将所述训练转速特征向量通过所述波形生成器的生成器模型以得到训练波形生成图像；将所述训练波形生成图像通过所述波形生成器的鉴别器神经网络模型以得到第一特征图；将所述参考波形图像通过所述波形生成器的鉴别器神经网络模型以得到第二特征图；确定所述第一特征图与所述第二特征图中的预定位置的值是否相同；响应于所述第一特征图与所述第二特征图中的预定位置的值相同，计算所述预定位置的值的以二为底的对数值的负数值作为第一值；响应于所述第一特征图与所述第二特征图中的预定位置的值不同，计算所述预定位置的值的以二为底的对数值作为第二值；计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值；以及，以所述鉴别器损失函数值并通过梯度下降的反向传播来训练所述波形生成器。
具体地，在本申请实施例中，所述生成波形编码模块240和所述检测振动波形编码模块250，用于将所述生成振动信号的波形图通过作为特征提取器的第一卷积神经网络以得到生成振动特征矩阵，并将所述预定时间段的振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到检测振动特征矩阵。也就是，在本申请的技术方案中，进一步将所述生成振动信号的波形图以及所述预定时间段的振动信号的波形图分别通过作为特征提取器的卷积神经网络模型中进行特征提取，以分别提取出所述生成振动信号的波形图和所述振动信号的波形图的局部高维隐含特征分布信息，从而得到生成振动特征矩阵和检测振动特征矩阵。
更具体地，在本申请实施例中，所述生成波形编码模块，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中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述生成振动特征矩阵，所述第一卷积神经网络的第一层的输入为所述生成振动信号的波形图。
更具体地，在本申请实施例中，所述检测振动波形编码模块，进一步用于：所述第二卷积神经网络的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络的最后一层的输出为所述检测振动特征矩阵，所述第二卷积神经网络的第一层的输入为所述预定时间段的振动信号的波形图。
具体地，在本申请实施例中，所述差分模块260，用于计算所述检测振动特征矩阵和所述生成振动特征矩阵之间的差分特征矩阵。也就是，在本申请的技术方案中，进一步地，计算所述生成振动特征矩阵和所述检测振动特征矩阵在高维特征空间中的差分以得到差分特征矩阵，也就是，在所述海上风机的基础结构的振动信号中提取出因叶片转动而带来的激励振动信号从而使得所述差分特征矩阵能够更直观地反应海上风机的基础结构的振动模式，以提高后续分类的准确性。
具体地，在本申请实施例中，所述特征校正模块270，用于基于所述差分特征矩阵的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵。应可以理解，在将所述转速特征向量通过所述波形生成器得到所述生成振动信号并进行特征提取获得所述生成振动特征矩阵时，由于所述波形生成器得到的生成振动信号在源数据的内在分布上可能与振动信号存在偏差，使得所述检测振动特征矩阵与所述生成振动特征矩阵的所述差分特征矩阵可能存在包含异常振动信息特征的异常实例(instance)，影响差分特征矩阵的分类效果。因此，在本申请的技术方案中，优选地对所述差分特征矩阵进行优化。这里，上述优化将特征集合作为自适应实例(adaptiveinstance)，利用其统计特征的本质内在先验信息来对单个特征值进行动态生成式的信息归一化，同时将特征集合的归一化模长信息作为偏置，来作为集合分布域内的不变性描述，这样，就实现了尽可能屏蔽异常实例的扰动分布的特征优化，提升了所述差分特征矩阵的分类效果，进而提高了分类的准确性。
更具体地，在本申请实施例中，所述特征校正模块，进一步用于：基于所述差分特征矩阵的特征值集合的均值和方差，以如下公式对所述差分特征矩阵中各个位置的特征值进行校正以得到所述校正后差分特征矩阵；
其中，所述公式为：
Figure BDA0003811468080000161
其中mi，j表示所述差分特征矩阵中各个位置的特征值，W和H分别是所述差分特征矩阵的宽和高，且μ和σ是所述差分特征矩阵的特征值集合的均值和方差，α是权重超参数。
具体地，在本申请实施例中，所述状态监测结果生成模块280，用于将所述校正后差分特征矩阵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的基础结构的性能是否满足预定要求。也就是，在本申请的技术方案中，进一步将所述校正后差分特征矩阵通过分类器以得到用于表示海上风机的基础结构的性能是否满足预定要求的分类结果。相应地，在一个具体示例中，所述分类器以如下公式对所述差分特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn，Bn):…:(W1，B1)|Project(F)}，其中Project(F)表示将所述差分特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述基于人工智能的海上风机结构状态监测系统200被阐明，其采用基于人工智能的监测方法，以卷积神经网络模型作为特征提取器，通过多个预定时间点的叶片转速值的隐含关联特征来生成以所述叶片工作特性为激励的振动信号的高维隐含特征，并与实际检测到的所述预定时间段内的振动信号的高维隐含特征进行差分比较，以在海上风机的基础结构的振动信号中提取出因所述叶片转动而带来的激励振动信号从而使得差分特征矩阵能够更直观地反应所述海上风机的基础结构的振动模式，进而基于所述海上风机的基础结构的振动模式来进行所述海上风机的基础结构的性能状态监测。
如上所述，根据本申请实施例的基于人工智能的海上风机结构状态监测系统200可以实现在各种终端设备中，例如基于人工智能的海上风机结构状态监测算法的服务器等。在一个示例中，根据本申请实施例的基于人工智能的海上风机结构状态监测系统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，该基于人工智能的海上风机结构状态监测系统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，该基于人工智能的海上风机结构状态监测系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于人工智能的海上风机结构状态监测系统200与该终端设备也可以是分立的设备，并且该基于人工智能的海上风机结构状态监测系统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。
示例性方法
图3图示了基于人工智能的海上风机结构状态监测方法的流程图。如图3所示，根据本申请实施例的基于人工智能的海上风机结构状态监测方法，包括步骤：S110，获取由部署于海上风机的基础结构的振动传感器采集的预定时间段的振动信号，以及，所述预定时间段内多个预定时间点的叶片转速值；S120，将所述预定时间段内多个预定时间点的叶片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；S130，将所述转速特征向量通过波形生成器以得到生成振动信号；S140，将所述生成振动信号的波形图通过作为特征提取器的第一卷积神经网络以得到生成振动特征矩阵；S150，将所述预定时间段的振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到检测振动特征矩阵；S160，计算所述检测振动特征矩阵和所述生成振动特征矩阵之间的差分特征矩阵；S170，基于所述差分特征矩阵的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及，S180，将所述校正后差分特征矩阵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的基础结构的性能是否满足预定要求。
图4图示了根据本申请实施例的基于人工智能的海上风机结构状态监测方法的架构示意图。如图4所示，在所述基于人工智能的海上风机结构状态监测方法的网络架构中，首先，将获得的所述预定时间段内多个预定时间点的叶片转速值(例如，如图4中所示意的P1)通过包含一维卷积层的时序编码器(例如，如图4中所示意的E)以得到转速特征向量(例如，如图4中所示意的VF1)；接着，将所述转速特征向量通过波形生成器(例如，如图4中所示意的WG)以得到生成振动信号(例如，如图4中所示意的P2)；然后，将所述生成振动信号的波形图通过作为特征提取器的第一卷积神经网络(例如，如图4中所示意的CNN1)以得到生成振动特征矩阵(例如，如图4中所示意的MF1)；接着，将获得的所述预定时间段的振动信号的波形图(例如，如图4中所示意的Q)通过作为特征提取器的第二卷积神经网络(例如，如图4中所示意的CNN2)以得到检测振动特征矩阵(例如，如图4中所示意的MF2)；接着，计算所述检测振动特征矩阵和所述生成振动特征矩阵之间的差分特征矩阵(例如，如图4中所示意的MF)；然后，基于所述差分特征矩阵的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵(例如，如图4中所示意的M)；以及，最后，将所述校正后差分特征矩阵通过分类器(例如，如图4中所示意的分类器)以得到分类结果，所述分类结果用于表示海上风机的基础结构的性能是否满足预定要求。
更具体地，在步骤S110和S120中，获取由部署于海上风机的基础结构的振动传感器采集的预定时间段的振动信号，以及，所述预定时间段内多个预定时间点的叶片转速值，并将所述预定时间段内多个预定时间点的叶片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。应可以理解，由于传统的模态识别方法是以外部激励具有或近似随机白噪声特性为假设前提，而对于风机由于叶片旋转存在周期性荷载混入，往往不能满足随机白噪声的假设要求，这样对于固有频率与谐波较为接近时，特别是响应中谐波成分占比较大时，这些方法不能区分真伪模态导致识别精度较低。因此，在本申请的技术方案中，期望通过多个预定时间点的所述叶片转速值的隐含关联特征来生成以所述叶片工作特性为激励的振动信号，并与实际检测到的预定时间段内的振动信号进行差分比较，以在所述海上风机的基础结构的振动信号中提取出因所述叶片转动而带来的激励振动信号从而使得差分特征矩阵能够更直观地反应海上风机的基础结构的振动模式，进而基于所述海上风机的基础结构的振动模式来进行所述海上风机的基础结构的性能状态监测。
也就是，具体地，在本申请的技术方案中，首先，通过部署于海上风机的基础结构的振动传感器采集预定时间段的振动信号，以及，所述预定时间段内多个预定时间点的叶片转速值。应可以理解，由于在所述海上风机的基础结构的性能状态良好时，所述海上风机正常工作产生的振动信号是有有一定隐含性规律的，而当状态异常时，所述海上风机的基础结构的振动信号会发生变化，因此采用所述海上风机的基础结构的振动信号来作为数据输入能够表征所述海上风机的基础结构的状态性能特征。
然后，应可以理解，考虑到所述叶片转速值在时序维度上具有着动态性的关联规律，因此，在本申请的技术方案中，为了充分地提取出这种动态性的隐含关联特征，将所述预定时间段内多个预定时间点的叶片转速值通过包含一维卷积层的时序编码器中进行编码，以提取出所述叶片转速在时序维度上的变化特征，从而得到转速特征向量。在本申请的一个示例中，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叶片转速值在时序维度上的关联和通过全连接编码提取所述叶片转速值的高维隐含特征。
更具体地，在步骤S130中，将所述转速特征向量通过波形生成器以得到生成振动信号。也就是，在本申请的技术方案中，为了通过多个预定时间点的叶片转速值的隐含关联特征来生成以叶片工作特性为激励的振动信号，进一步地，将所述转速特征向量通过波形生成器来生成所述生成振动信号。特别地，在一个具体示例中，这里，所述波形生成器为对抗生成器，并且所述波形生成器包括生成器模型和鉴别器神经网络模型，所述波形生成器的生成器模型能够利用所述叶片转速值在时序维度上的动态特征来生成表征所述叶片的工作特性的波形生成图像；而所述波形生成器的鉴别器神经网络模型能够以通过“欺骗”鉴别器的方法来使得所述波形生成图像和参考波形图像所提取到的特征信息相类似，进而使得所述生成振动信号能够表征以所述叶片工作特性为激励的振动信号。
更具体地，在步骤S140和步骤S150中，将所述生成振动信号的波形图通过作为特征提取器的第一卷积神经网络以得到生成振动特征矩阵，并将所述预定时间段的振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到检测振动特征矩阵。也就是，在本申请的技术方案中，进一步将所述生成振动信号的波形图以及所述预定时间段的振动信号的波形图分别通过作为特征提取器的卷积神经网络模型中进行特征提取，以分别提取出所述生成振动信号的波形图和所述振动信号的波形图的局部高维隐含特征分布信息，从而得到生成振动特征矩阵和检测振动特征矩阵。
更具体地，在步骤S160中，计算所述检测振动特征矩阵和所述生成振动特征矩阵之间的差分特征矩阵。也就是，在本申请的技术方案中，进一步地，计算所述生成振动特征矩阵和所述检测振动特征矩阵在高维特征空间中的差分以得到差分特征矩阵，也就是，在所述海上风机的基础结构的振动信号中提取出因叶片转动而带来的激励振动信号从而使得所述差分特征矩阵能够更直观地反应海上风机的基础结构的振动模式，以提高后续分类的准确性。
更具体地，在步骤S170中，基于所述差分特征矩阵的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵。应可以理解，在将所述转速特征向量通过所述波形生成器得到所述生成振动信号并进行特征提取获得所述生成振动特征矩阵时，由于所述波形生成器得到的生成振动信号在源数据的内在分布上可能与振动信号存在偏差，使得所述检测振动特征矩阵与所述生成振动特征矩阵的所述差分特征矩阵可能存在包含异常振动信息特征的异常实例(instance)，影响差分特征矩阵的分类效果。因此，在本申请的技术方案中，优选地对所述差分特征矩阵进行优化。这里，上述优化将特征集合作为自适应实例(adaptive instance)，利用其统计特征的本质内在先验信息来对单个特征值进行动态生成式的信息归一化，同时将特征集合的归一化模长信息作为偏置，来作为集合分布域内的不变性描述，这样，就实现了尽可能屏蔽异常实例的扰动分布的特征优化，提升了所述差分特征矩阵的分类效果，进而提高了分类的准确性。
更具体地，在步骤S180中，将所述校正后差分特征矩阵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的基础结构的性能是否满足预定要求。也就是，在本申请的技术方案中，进一步将所述校正后差分特征矩阵通过分类器以得到用于表示海上风机的基础结构的性能是否满足预定要求的分类结果。相应地，在一个具体示例中，所述分类器以如下公式对所述差分特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn，Bn):…:(W1，B1)|Project(F)}，其中Project(F)表示将所述差分特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述基于人工智能的海上风机结构状态监测方法被阐明，其采用基于人工智能的监测方法，以卷积神经网络模型作为特征提取器，通过多个预定时间点的叶片转速值的隐含关联特征来生成以所述叶片工作特性为激励的振动信号的高维隐含特征，并与实际检测到的所述预定时间段内的振动信号的高维隐含特征进行差分比较，以在海上风机的基础结构的振动信号中提取出因所述叶片转动而带来的激励振动信号从而使得差分特征矩阵能够更直观地反应所述海上风机的基础结构的振动模式，进而基于所述海上风机的基础结构的振动模式来进行所述海上风机的基础结构的性能状态监测。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请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申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、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。
还需要指出的是，在本申请的装置、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申请的等效方案。
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申请。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申请的范围。因此，本申请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。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请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。

Claims (10)

1.一种基于人工智能的海上风机结构状态监测系统，其特征在于，包括：
数据采集模块，用于获取由部署于海上风机的基础结构的振动传感器采集的预定时间段的振动信号，以及，所述预定时间段内多个预定时间点的叶片转速值；
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叶片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；
波形生成模块，用于将所述转速特征向量通过波形生成器以得到生成振动信号；
生成波形编码模块，用于将所述生成振动信号的波形图通过作为特征提取器的第一卷积神经网络以得到生成振动特征矩阵；
检测振动波形编码模块，用于将所述预定时间段的振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到检测振动特征矩阵；
差分模块，用于计算所述检测振动特征矩阵和所述生成振动特征矩阵之间的差分特征矩阵；
特征校正模块，用于基于所述差分特征矩阵的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及
状态监测结果生成模块，用于将所述校正后差分特征矩阵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的基础结构的性能是否满足预定要求。
2.根据权利要求1所述的基于人工智能的海上风机结构状态监测系统，其特征在于，所述转速数据编码模块，包括：
输入向量构造单元，用于将所述预定时间段内多个预定时间点的叶片转速值按照时间维度排列为一维的输入向量；
全连接编码单元，用于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：
Figure FDA0003811468070000011
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure FDA0003811468070000012
表示矩阵乘；
一维卷积编码单元，用于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：
Figure FDA0003811468070000021
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，X表示所述输入向量。
3.根据权利要求2所述的基于人工智能的海上风机结构状态监测系统，其特征在于，所述波形生成器为对抗生成器。
4.根据权利要求3所述的基于人工智能的海上风机结构状态监测系统，其特征在于，其中，所述波形生成器的训练过程，包括：
获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练叶片转速值和所述预定时间段的参考波形图像；
将所述训练数据中的预定时间段内多个预定时间点的训练叶片转速值通过所述包含一维卷积层的时序编码器以得到训练转速特征向量；
将所述训练转速特征向量通过所述波形生成器的生成器模型以得到训练波形生成图像；
将所述训练波形生成图像通过所述波形生成器的鉴别器神经网络模型以得到第一特征图；
将所述参考波形图像通过所述波形生成器的鉴别器神经网络模型以得到第二特征图；
确定所述第一特征图与所述第二特征图中的预定位置的值是否相同；
响应于所述第一特征图与所述第二特征图中的预定位置的值相同，计算所述预定位置的值的以二为底的对数值的负数值作为第一值；
响应于所述第一特征图与所述第二特征图中的预定位置的值不同，计算所述预定位置的值的以二为底的对数值作为第二值；
计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值；以及
以所述鉴别器损失函数值并通过梯度下降的反向传播来训练所述波形生成器。
5.根据权利要求4所述的基于人工智能的海上风机结构状态监测系统，其特征在于，所述生成波形编码模块，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中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络的最后一层的输出为所述生成振动特征矩阵，所述第一卷积神经网络的第一层的输入为所述生成振动信号的波形图。
6.根据权利要求5所述的基于人工智能的海上风机结构状态监测系统，其特征在于，所述检测振动波形编码模块，进一步用于：所述第二卷积神经网络的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第二卷积神经网络的最后一层的输出为所述检测振动特征矩阵，所述第二卷积神经网络的第一层的输入为所述预定时间段的振动信号的波形图。
7.根据权利要求6所述的基于人工智能的海上风机结构状态监测系统，其特征在于，所述特征校正模块，进一步用于：基于所述差分特征矩阵的特征值集合的均值和方差，以如下公式对所述差分特征矩阵中各个位置的特征值进行校正以得到所述校正后差分特征矩阵；
其中，所述公式为：
Figure FDA0003811468070000031
其中mi，j表示所述差分特征矩阵中各个位置的特征值，W和H分别是所述差分特征矩阵的宽和高，且μ和σ是所述差分特征矩阵的特征值集合的均值和方差，α是权重超参数。
8.根据权利要求7所述的基于人工智能的海上风机结构状态监测系统，其特征在于，所述状态监测结果生成模块，进一步用于：所述分类器以如下公式对所述差分特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn，Bn):…:(W1，B1)|Project(F)}，其中Project(F)表示将所述差分特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
9.一种基于人工智能的海上风机结构状态监测方法，其特征在于，包括：
获取由部署于海上风机的基础结构的振动传感器采集的预定时间段的振动信号，以及，所述预定时间段内多个预定时间点的叶片转速值；
将所述预定时间段内多个预定时间点的叶片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；
将所述转速特征向量通过波形生成器以得到生成振动信号；
将所述生成振动信号的波形图通过作为特征提取器的第一卷积神经网络以得到生成振动特征矩阵；
将所述预定时间段的振动信号的波形图通过作为特征提取器的第二卷积神经网络以得到检测振动特征矩阵；
计算所述检测振动特征矩阵和所述生成振动特征矩阵之间的差分特征矩阵；
基于所述差分特征矩阵的特征值集合的均值和方差，对所述差分特征矩阵中各个位置的特征值进行校正以得到校正后差分特征矩阵；以及
将所述校正后差分特征矩阵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的基础结构的性能是否满足预定要求。
10.根据权利要求9所述的基于人工智能的海上风机结构状态监测方法，其特征在于，所述将所述预定时间段内多个预定时间点的叶片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叶片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：
Figure FDA0003811468070000051
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure FDA0003811468070000052
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：
Figure FDA0003811468070000053
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，X表示所述输入向量。
CN202211017541.6A 2022-08-23 2022-08-23 基于人工智能的海上风机结构状态监测系统及其方法 Pending CN115456047A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211017541.6A CN115456047A (zh) 2022-08-23 2022-08-23 基于人工智能的海上风机结构状态监测系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211017541.6A CN115456047A (zh) 2022-08-23 2022-08-23 基于人工智能的海上风机结构状态监测系统及其方法

Publications (1)

Publication Number Publication Date
CN115456047A true CN115456047A (zh) 2022-12-09

Family

ID=84299743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211017541.6A Pending CN115456047A (zh) 2022-08-23 2022-08-23 基于人工智能的海上风机结构状态监测系统及其方法

Country Status (1)

Country Link
CN (1) CN115456047A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116001579A (zh) * 2023-02-02 2023-04-25 重庆赛力斯新能源汽车设计院有限公司 新能源车紧急断电方法及系统
CN116045104A (zh) * 2023-01-10 2023-05-02 浙江伟众科技有限公司 空调软硬管连接密封装置及其方法
CN116683648A (zh) * 2023-06-13 2023-09-01 浙江华耀电气科技有限公司 一种智能型配电柜及其控制系统
CN116930749A (zh) * 2023-06-15 2023-10-24 浙江联大科技有限公司 管状电机的遇阻检测系统及其方法
CN117370912A (zh) * 2023-10-25 2024-01-09 杭州赛创电气安装工程有限公司 电力施工现场智能监管系统及方法
CN117784710A (zh) * 2024-02-23 2024-03-29 江西秦锐智能科技有限公司 数控机床远程状态监控系统及其方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116045104A (zh) * 2023-01-10 2023-05-02 浙江伟众科技有限公司 空调软硬管连接密封装置及其方法
CN116045104B (zh) * 2023-01-10 2024-05-10 浙江伟众科技有限公司 空调软硬管连接密封装置及其方法
CN116001579A (zh) * 2023-02-02 2023-04-25 重庆赛力斯新能源汽车设计院有限公司 新能源车紧急断电方法及系统
CN116001579B (zh) * 2023-02-02 2024-09-10 重庆赛力斯新能源汽车设计院有限公司 新能源车紧急断电方法及系统
CN116683648A (zh) * 2023-06-13 2023-09-01 浙江华耀电气科技有限公司 一种智能型配电柜及其控制系统
CN116683648B (zh) * 2023-06-13 2024-02-20 浙江华耀电气科技有限公司 一种智能型配电柜及其控制系统
CN116930749A (zh) * 2023-06-15 2023-10-24 浙江联大科技有限公司 管状电机的遇阻检测系统及其方法
CN116930749B (zh) * 2023-06-15 2024-02-13 浙江联大科技有限公司 管状电机的遇阻检测系统及其方法
CN117370912A (zh) * 2023-10-25 2024-01-09 杭州赛创电气安装工程有限公司 电力施工现场智能监管系统及方法
CN117784710A (zh) * 2024-02-23 2024-03-29 江西秦锐智能科技有限公司 数控机床远程状态监控系统及其方法
CN117784710B (zh) * 2024-02-23 2024-06-04 江西秦锐智能科技有限公司 数控机床远程状态监控系统及其方法

Similar Documents

Publication Publication Date Title
CN115456047A (zh) 基于人工智能的海上风机结构状态监测系统及其方法
Liu et al. A small-sample wind turbine fault detection method with synthetic fault data using generative adversarial nets
US10728282B2 (en) Dynamic concurrent learning method to neutralize cyber attacks and faults for industrial asset monitoring nodes
US11170314B2 (en) Detection and protection against mode switching attacks in cyber-physical systems
JP2018185794A (ja) 送電網におけるサイバー脅威を検出するための複数モデル複数領域の特徴発見
Jin et al. Anomaly detection in nuclear power plants via symbolic dynamic filtering
CN110362045B (zh) 一种考虑海洋气象因素的海上双馈风电机组故障判别方法
CN112926802B (zh) 时序数据对抗样本生成方法、系统、电子设备及存储介质
CN115577248A (zh) 风力发电机组的故障诊断系统及其方法
CN111209934A (zh) 风机故障预报警方法及系统
Barocio et al. Online coherency identification and stability condition for large interconnected power systems using an unsupervised data mining technique
Ouyang et al. Monitoring wind turbines' unhealthy status: a data-driven approach
CN115859437A (zh) 基于分布式光纤传感系统的导管架水下应力检测系统
CN115324843A (zh) 基于监测数据的风力发电机组的故障诊断系统及其方法
CN113095402A (zh) 一种基于编码输入的生成对抗网络故障检测方法及系统
CN115357065B (zh) 海上风机的远程智能除湿控制系统及其方法
Lan et al. Research on running state recognition method of hydro-turbine based on FOA-PNN
CN115859148A (zh) 风机叶片振动报警方法及装置
CN115526202A (zh) 基于数据驱动的海上风机故障诊断系统及其诊断方法
CN116374645A (zh) 用于斗轮机的运行状态监控系统及其方法
CN117176433A (zh) 网络数据的异常行为检测系统及方法
CN115750228A (zh) 一种风电机组变桨系统故障预警方法
CN111260024A (zh) 基于长短期记忆和典型相关结合的故障检测方法及系统
Li et al. A fault diagnosis method for rotating machinery with semi-supervised graph convolutional network and images converted from vibration signals
Zhang et al. Robust fault detection approach for wind farms considering missing data tolerance and recovery

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination