CN115456048A - 海上风机的可靠性评估系统及其方法 - Google Patents

海上风机的可靠性评估系统及其方法 Download PDF

Info

Publication number
CN115456048A
CN115456048A CN202211018188.3A CN202211018188A CN115456048A CN 115456048 A CN115456048 A CN 115456048A CN 202211018188 A CN202211018188 A CN 202211018188A CN 115456048 A CN115456048 A CN 115456048A
Authority
CN
China
Prior art keywords
fault
feature
feature vectors
wind turbine
vector
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
CN202211018188.3A
Other languages
English (en)
Inventor
王森
叶林
黄力哲
孟喆
张玖林
姚绍飞
段少敏
杜闯
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 CN202211018188.3A priority Critical patent/CN115456048A/zh
Publication of CN115456048A publication Critical patent/CN115456048A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)

Abstract

本申请公开了一种海上风机的可靠性评估系统及其方法。其首先以海上风机的五个系统的多个故障的故障率通过特征编码器得到的故障率特征向量中各个位置的特征值作为加权权重分别对各个系统的多个故障的故障文本描述通过上下文编码器得到的对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，接着，将所述多个故障特征向量进行级联并分别通过预分类器得到的五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权、级联以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到分类结果。这样，就可以对海上风机的可靠性是否满足预定标准进行精准的评估。

Description

海上风机的可靠性评估系统及其方法
技术领域
本申请涉及可靠性评估技术领域，且更为具体地，涉及一种海上风机的可靠性评估系统及其方法。
背景技术
新能源的开发与规模化应用是“碳平衡”目标实现的根本保证。在陆地资源的有限性、能源开发的经济性与可持续性的共同限制下,新能源开发者将目光逐步投向开发潜力更大的海洋。在此背景下,海上风能应运而生。特别地,海上浮式风能因其巨大的开发潜力和丰富的资源储量被认为是风电的发展方向之一。然而,作为海上浮式风能开发主力装备的海上浮式风机,其开发与运营受到多方面的制约,如海上浮式风能项目总体成本高和可靠性、可用性等指标差等。因此,开展海上浮式风机可靠性分析研究以提高其经济性势在必行。
海上浮式风机的可靠性分析研究在风能市场爆发式扩张的强劲推动下已逐步开展,但该类研究仍存在诸如认识不足、数据积累少、模型精细化程度低等难点问题亟待攻克。
因此，期望一种优化的海上风机的可靠性评估方案来对于海上浮式风机的可靠性进行准确地分析评估以提高其经济性。
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海上风机的可靠性评估系统及其方法。其首先以海上风机的五个系统的多个故障的故障率通过特征编码器得到的故障率特征向量中各个位置的特征值作为加权权重分别对各个系统的多个故障的故障文本描述通过上下文编码器得到的对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，接着，将所述多个故障特征向量进行级联并分别通过预分类器得到的五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权、级联以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到分类结果。这样，就可以对海上风机的可靠性是否满足预定标准进行精准的评估。
根据本申请的一个方面，提供了一种海上风机的可靠性评估系统，其包括：
故障特征统计单元，用于获取海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，所述海上风机的五个系统包括支撑结构、变桨系统、齿轮箱、发电机和辅助系统；
故障描述编码单元，用于将所述各个系统的多个故障的故障文本描述通过经训练完成的包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量；
故障率特征提取单元，用于将所述各个系统的多个故障的故障率通过经训练完成的包含多个全连接层的特征编码器以得到故障率特征向量；
系统故障特征生成单元，用于以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，并将所述多个故障特征向量进行级联以得到对应于各个系统的系统故障特征向量；
预分类单元，用于将所述对应于各个系统的系统故障特征向量分别通过经训练完成的预分类器以得到五个概率值；
全局故障表示单元，用于以所述五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权并将加权后的系统故障特征向量进行级联以得到分类特征向量；以及
可靠性评估结果生成单元，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的可靠性是否满足预定标准。
在上述的海上风机的可靠性评估系统中，所述故障描述编码单元，包括：
分词处理子单元，用于对所述各个系统的多个故障的故障文本描述进行分词处理以将所述各个系统的多个故障的故障文本描述转化为由多个词组成的词序列；
嵌入编码子单元，用于使用所述经训练完成的包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及
上下文编码子单元，用于使用所述经训练完成的包含嵌入层的上下文编码器的基于转换器的Bert模型对所述词向量的序列进行基于全局的上下文语义编码以获得所述对应于各个系统的多个故障事件文本特征向量。
在上述的海上风机的可靠性评估系统中，所述故障率特征提取单元，包括：
数据排列子单元，用于将所述各个系统的多个故障的故障率按照系统维度排列为故障输入向量；
全连接编码子单元，用于使用所述特征编码器的多个全连接层以如下公式对所述故障输入向量进行全连接编码以提取出所述故障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 BDA0003811466940000031
其中X是所述故障输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure BDA0003811466940000032
表示矩阵乘。
在上述的海上风机的可靠性评估系统中，所述预分类单元，进一步用于：使用所述经训练完成的预分类器以如下公式对所述对应于各个系统的系统故障特征向量进行处理以得到所述五个概率值；
其中，所述公式为：P＝softmax{(Mj,Bj):…:(Mi,Bi)|Y}，其中，P为所述五个概率值，Mi和Mj为权重矩阵，Bi和Bj为偏置向量，Y为所述对应于各个系统的系统故障特征向量。
在上述的海上风机的可靠性评估系统中，所述可靠性评估结果生成单元，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：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
在上述的海上风机的可靠性评估系统中，所述海上风机的可靠性评估系统，还包括用于对所述包含嵌入层的上下文编码器、所述包含多个全连接层的特征编码器和所述预分类器进行训练的训练模块；
其中，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括所述海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，以及，所述海上风机的可靠性评估真实标签值；
训练故障描述编码单元，用于将所述各个系统的多个故障的故障文本描述通过所述包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量；
训练故障率特征提取单元，用于将所述各个系统的多个故障的故障率通过所述包含多个全连接层的特征编码器以得到故障率特征向量；
训练系统故障特征生成单元，用于以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，并将所述多个故障特征向量进行级联以得到对应于各个系统的系统故障特征向量；
训练预分类单元，用于将所述对应于各个系统的系统故障特征向量分别通过所述预分类器以得到五个概率值；
训练全局故障表示单元，用于以所述五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权并将加权后的系统故障特征向量进行级联以得到分类特征向量；
分类损失单元，用于将所述分类特征向量通过分类器以得到分类损失函数值；
消解抑制损失单元，用于计算所述分类器的针对分类模式消解抑制的损失函数值，所述针对分类模式消解抑制的损失函数与所述对应于各个系统的系统故障特征向量之间的差分特征向量的二范数的平方有关；
训练单元，用于以所述针对分类模式消解抑制的损失函数值和所述分类损失函数值作为加权和来训练所述包含嵌入层的上下文编码器、所述包含多个全连接层的特征编码器和所述预分类器。
在上述的海上风机的可靠性评估系统中，所述消解抑制损失单元，进一步用于：以如下公式计算所述分类器的所述针对分类模式消解抑制的损失函数值；其中，所述公式为：
Figure BDA0003811466940000041
i＝1～5,j＝1～5,i<j
Figure BDA0003811466940000042
其中Vi和Vj分别表示所述第一至第五系统故障特征向量中的两个特征向量，且Mi和Mj分别是所述预分类器对于所述第一至第五系统故障特征向量中的两个特征向量的权重矩阵，||·||F表示矩阵的Frobenius范数，
Figure BDA0003811466940000043
表示向量的二范数的平方，
Figure BDA0003811466940000044
表示按位置差分，exp(·)表示矩阵的指数运算和向量的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
根据本申请的另一方面，提供了一种海上风机的可靠性评估方法，其包括：
获取海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，所述海上风机的五个系统包括支撑结构、变桨系统、齿轮箱、发电机和辅助系统；
将所述各个系统的多个故障的故障文本描述通过经训练完成的包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量；
将所述各个系统的多个故障的故障率通过经训练完成的包含多个全连接层的特征编码器以得到故障率特征向量；
以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，并将所述多个故障特征向量进行级联以得到对应于各个系统的系统故障特征向量；
将所述对应于各个系统的系统故障特征向量分别通过经训练完成的预分类器以得到五个概率值；
以所述五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权并将加权后的系统故障特征向量进行级联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的可靠性是否满足预定标准。
与现有技术相比，本申请提供的一种海上风机的可靠性评估系统及其方法，其首先以海上风机的五个系统的多个故障的故障率通过特征编码器得到的故障率特征向量中各个位置的特征值作为加权权重分别对各个系统的多个故障的故障文本描述通过上下文编码器得到的对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，接着，将所述多个故障特征向量进行级联并分别通过预分类器得到的五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权、级联以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到分类结果。这样，就可以对海上风机的可靠性是否满足预定标准进行精准的评估。
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图示了海上浮式风机的主要系统构型的示意图。
图2图示了根据本申请实施例的海上风机的可靠性评估系统的应用场景图。
图3图示了根据本申请实施例的海上风机的可靠性评估系统的框图示意图。
图4图示了根据本申请实施例的海上风机的可靠性评估系统中所述故障描述编码单元的框图示意图。
图5图示了根据本申请实施例的海上风机的可靠性评估系统中所述故障率特征提取单元的框图示意图。
图6图示了根据本申请实施例的海上风机的可靠性评估系统中进一步包括的训练模块的框图示意图。
图7图示了根据本申请实施例的海上风机的可靠性评估方法的流程图。
图8图示了根据本申请实施例的海上风机的可靠性评估方法的系统架构的示意图。
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
相应地，如图1所示出的海上浮式风机的主要系统构型的示意图，本申请发明人考虑到由于海上浮式风机的主要系统包括支撑结构、变桨系统、齿轮箱、发电机和辅助系统，而这五个系统的故障特征对于所述海上风机的可靠性的贡献度都并不相同，因此本申请发明人采用预分类的思想来进行量化表征。并且，在对于所述海上风机的可靠性进行分析评估的过程中，本申请发明人还考虑到所述各个系统内的各个故障类型对于该系统整体的故障特征贡献度也并不相同，因此，进一步以故障率的高维隐含特征作为权重来调整所述各个系统内各个故障类型对于系统故障特征整体的贡献度，进而对于所述海上风机的可靠性进行准确地评估。
具体地，在本申请的技术方案中，首先，获取海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，所述海上风机的五个系统包括支撑结构、变桨系统、齿轮箱、发电机和辅助系统。
然后，为了以所述故障率的高维隐含特征作为权重来调整所述各个系统内各个故障类型对于系统故障特征整体的贡献度，考虑到所述各个系统的多个故障的故障文本描述中的词和语句具有着上下文的关联信息，因此，在本申请的技术方案中，为了能够充分地提取出所述文本描述中的具有全局性的高维语义隐含特征信息，使用包含嵌入层的上下文编码器来对于所述各个系统的多个故障的故障文本描述进行处理，以得到对应于各个系统的多个故障事件文本特征向量，以更适于表征所述各个系统内各个故障类型对于该所述系统故障特征整体的贡献度。
针对于所述各个系统的多个故障的故障率，为了能够提取出所述各个故障率的高维隐含特征，将所述各个系统的多个故障的故障率通过包含多个全连接层的特征编码器中进行编码以得到故障率特征向量。这样，进一步地，就可以以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权，进而以所述故障率的高维隐含特征作为权重来调整所述各个系统内各个故障类型对于系统故障特征整体的贡献度，从而得到多个故障特征向量。然后，在得到贡献度调整之后的关于各个故障类型的所述多个故障特征向量后，将其进行级联融合以得到对应于各个系统的系统故障特征向量。
应可以理解，考虑到所述海上风机的各个系统的故障特征对于海上风机的可靠性的贡献度也并不同，因此，在本申请的技术方案中，选择采用预分类的思想来量化表征。也就是，具体地，将所述对应于各个系统的系统故障特征向量分别通过预分类器以得到对应于所述五个系统的五个概率值，继而以这所述五个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权，并将加权后的系统故障特征向量进行级联融合以得到分类特征向量。
特别地，在本申请的技术方案中，这里，在级联所述第一至第五系统故障特征向量以得到分类特征向量时，尽管以预分类器的类概率值对所述第一至第五系统故障特征向量进行了加权，其特征分布上的差异仍然可能导致在模型的训练过程中，梯度在反向传播时由于异常的梯度分支导致特征所表达的模式的消解。
因此，进一步引入针对分类模式消解抑制的损失函数，表示为：
Figure BDA0003811466940000081
i＝1～5,j＝1～5,i<j
Figure BDA0003811466940000082
Vi和Vj分别是所述第一至第五系统故障特征向量中的两个特征向量，且Mi和Mj分别是预分类器对于Vi和Vj的权重矩阵，
Figure BDA0003811466940000083
表示向量的二范数的平方。
这里，通过引入针对分类模式消解抑制的损失函数，可以将分类器权重的伪差异推向真实的待融合特征之间的特征分布差异，从而保证梯度反向传播时的定向导数在梯度分支点附近得到正则化，即，将梯度在特征所表达出的特定模式之间进行过加权，这样，就对特征的分类模式消解进行抑制了，提升了所述分类特征向量的分类效果，进而提高了分类的准确性。这样，能够对于所述海上风机的可靠性进行准确地评估判断，以提高海上风能开发的经济性。
基于此，本申请提供了一种海上风机的可靠性评估系统，其包括：故障特征统计单元，用于获取海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，所述海上风机的五个系统包括支撑结构、变桨系统、齿轮箱、发电机和辅助系统；故障描述编码单元，用于将所述各个系统的多个故障的故障文本描述通过经训练完成的包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量；故障率特征提取单元，用于将所述各个系统的多个故障的故障率通过经训练完成的包含多个全连接层的特征编码器以得到故障率特征向量；系统故障特征生成单元，用于以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，并将所述多个故障特征向量进行级联以得到对应于各个系统的系统故障特征向量；预分类单元，用于将所述对应于各个系统的系统故障特征向量分别通过经训练完成的预分类器以得到五个概率值；全局故障表示单元，用于以所述五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权并将加权后的系统故障特征向量进行级联以得到分类特征向量；以及，可靠性评估结果生成单元，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的可靠性是否满足预定标准。
图2图示了根据本申请实施例的海上风机的可靠性评估系统的应用场景图。如图2所示，在该应用场景中，获取海上风机(例如，如图2中所示意的F)的五个系统(例如，如图2中所示意的S1、S2、S3、S4、S5)中各个系统的多个故障的故障文本描述和故障率，所述海上风机的五个系统包括支撑结构(例如，如图2中所示意的S1)、变桨系统(例如，如图2中所示意的S2)、齿轮箱(例如，如图2中所示意的S3)、发电机(例如，如图2中所示意的S4)和辅助系统(例如，如图2中所示意的S5)，然后将获取的所述各个系统的多个故障的故障文本描述和故障率输入至部署有海上风机的可靠性评估算法的服务器中(例如，图2中所示意的S)，其中，所述服务器能够使用所述海上风机的可靠性评估算法对所述各个系统的多个故障的故障文本描述和故障率进行处理以生成用于表示海上风机的可靠性是否满足预定标准的分类结果。
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3图示了根据本申请实施例的海上风机的可靠性评估系统的框图示意图。如图3所示，根据本申请实施例的海上风机的可靠性评估系统100，包括：故障特征统计单元110，用于获取海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，所述海上风机的五个系统包括支撑结构、变桨系统、齿轮箱、发电机和辅助系统；故障描述编码单元120，用于将所述各个系统的多个故障的故障文本描述通过经训练完成的包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量；故障率特征提取单元130，用于将所述各个系统的多个故障的故障率通过经训练完成的包含多个全连接层的特征编码器以得到故障率特征向量；系统故障特征生成单元140，用于以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，并将所述多个故障特征向量进行级联以得到对应于各个系统的系统故障特征向量；预分类单元150，用于将所述对应于各个系统的系统故障特征向量分别通过经训练完成的预分类器以得到五个概率值；全局故障表示单元160，用于以所述五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权并将加权后的系统故障特征向量进行级联以得到分类特征向量；以及，可靠性评估结果生成单元170，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的可靠性是否满足预定标准。
更具体地，在本申请实施例中，所述故障特征统计单元110，用于获取海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，所述海上风机的五个系统包括支撑结构、变桨系统、齿轮箱、发电机和辅助系统。如前述，海上浮式风机的主要系统包括支撑结构、变桨系统、齿轮箱、发电机和辅助系统，考虑到所述各个系统内的各个故障类型对于该系统整体的故障特征贡献度也并不相同，因此，获取海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，以对所述海上风机的可靠性进行准确地评估。
更具体地，在本申请实施例中，所述故障描述编码单元120，用于将所述各个系统的多个故障的故障文本描述通过经训练完成的包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量。为了以所述故障率的高维隐含特征作为权重来调整所述各个系统内各个故障类型对于系统故障特征整体的贡献度，考虑到所述各个系统的多个故障的故障文本描述中的词和语句具有着上下文的关联信息，因此，在本申请的技术方案中，为了能够充分地提取出所述文本描述中的具有全局性的高维语义隐含特征信息，使用包含嵌入层的上下文编码器来对于所述各个系统的多个故障的故障文本描述进行处理，以得到对应于各个系统的多个故障事件文本特征向量，以更适于表征所述各个系统内各个故障类型对于该所述系统故障特征整体的贡献度。
相应地，在一个具体示例中，如图4所示，所述故障描述编码单元120，包括：分词处理子单元121，用于对所述各个系统的多个故障的故障文本描述进行分词处理以将所述各个系统的多个故障的故障文本描述转化为由多个词组成的词序列；嵌入编码子单元122，用于使用所述经训练完成的包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，上下文编码子单元123，用于使用所述经训练完成的包含嵌入层的上下文编码器的基于转换器的Bert模型对所述词向量的序列进行基于全局的上下文语义编码以获得所述对应于各个系统的多个故障事件文本特征向量。
更具体地，在本申请实施例中，所述故障率特征提取单元130，用于将所述各个系统的多个故障的故障率通过经训练完成的包含多个全连接层的特征编码器以得到故障率特征向量。将所述各个系统的多个故障的故障率通过包含多个全连接层的特征编码器中进行编码，能够提取出所述各个故障率的高维隐含特征。
相应地，在一个具体示例中，如图5所示，所述故障率特征提取单元130，包括：数据排列子单元131，用于将所述各个系统的多个故障的故障率按照系统维度排列为故障输入向量；全连接编码子单元132，用于使用所述特征编码器的多个全连接层以如下公式对所述故障输入向量进行全连接编码以提取出所述故障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 BDA0003811466940000111
其中X是所述故障输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure BDA0003811466940000112
表示矩阵乘。
更具体地，在本申请实施例中，所述系统故障特征生成单元140，用于以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，并将所述多个故障特征向量进行级联以得到对应于各个系统的系统故障特征向量。以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权，进而以所述故障率的高维隐含特征作为权重来调整所述各个系统内各个故障类型对于系统故障特征整体的贡献度，从而得到多个故障特征向量。然后，在得到贡献度调整之后的关于各个故障类型的所述多个故障特征向量后，将其进行级联融合以得到对应于各个系统的系统故障特征向量。
更具体地，在本申请实施例中，所述预分类单元150，用于将所述对应于各个系统的系统故障特征向量分别通过经训练完成的预分类器以得到五个概率值。
相应地，在一个具体示例中，所述预分类单元150，进一步用于：使用所述经训练完成的预分类器以如下公式对所述对应于各个系统的系统故障特征向量进行处理以得到所述五个概率值；
其中，所述公式为：P＝softmax{(Mj,Bj):…:(Mi,Bi)|Y}，其中，P为所述五个概率值，Mi和Mj为权重矩阵，Bi和Bj为偏置向量，Y为所述对应于各个系统的系统故障特征向量。
更具体地，在本申请实施例中，所述全局故障表示单元160，用于以所述五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权并将加权后的系统故障特征向量进行级联以得到分类特征向量。
应可以理解，考虑到所述海上风机的各个系统的故障特征对于海上风机的可靠性的贡献度也并不同，因此，在本申请的技术方案中，选择采用预分类的思想来量化表征。也就是，具体地，将所述对应于各个系统的系统故障特征向量分别通过预分类器以得到对应于所述五个系统的五个概率值，继而以这所述五个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权，并将加权后的系统故障特征向量进行级联融合以得到分类特征向量。
更具体地，在本申请实施例中，所述可靠性评估结果生成单元170，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的可靠性是否满足预定标准。
相应地，在一个具体示例中，所述可靠性评估结果生成单元170，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：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
更具体地，在本申请实施例中，所述海上风机的可靠性评估系统，还包括：用于对所述包含嵌入层的上下文编码器、所述包含多个全连接层的特征编码器和所述预分类器进行训练的训练模块200；其中，如图6所示，所述训练模块200，包括：训练数据获取单元210，用于获取训练数据，所述训练数据包括所述海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，以及，所述海上风机的可靠性评估真实标签值；训练故障描述编码单元220，用于将所述各个系统的多个故障的故障文本描述通过所述包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量；训练故障率特征提取单元230，用于将所述各个系统的多个故障的故障率通过所述包含多个全连接层的特征编码器以得到故障率特征向量；训练系统故障特征生成单元240，用于以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，并将所述多个故障特征向量进行级联以得到对应于各个系统的系统故障特征向量；训练预分类单元250，用于将所述对应于各个系统的系统故障特征向量分别通过所述预分类器以得到五个概率值；训练全局故障表示单元260，用于以所述五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权并将加权后的系统故障特征向量进行级联以得到分类特征向量；分类损失单元270，用于将所述分类特征向量通过分类器以得到分类损失函数值；消解抑制损失单元280，用于计算所述分类器的针对分类模式消解抑制的损失函数值，所述针对分类模式消解抑制的损失函数与所述对应于各个系统的系统故障特征向量之间的差分特征向量的二范数的平方有关；以及，训练单元290，用于以所述针对分类模式消解抑制的损失函数值和所述分类损失函数值作为加权和来训练所述包含嵌入层的上下文编码器、所述包含多个全连接层的特征编码器和所述预分类器。
特别地，在本申请的技术方案中，这里，在级联所述第一至第五系统故障特征向量以得到分类特征向量时，尽管以预分类器的类概率值对所述第一至第五系统故障特征向量进行了加权，其特征分布上的差异仍然可能导致在模型的训练过程中，梯度在反向传播时由于异常的梯度分支导致特征所表达的模式的消解。
相应地，在一个具体示例中，所述消解抑制损失单元280，进一步用于：以如下公式计算所述分类器的所述针对分类模式消解抑制的损失函数值；
其中，所述公式为：
Figure BDA0003811466940000141
i＝1～5,j＝1～5,i<j
Figure BDA0003811466940000142
其中Vi和Vj分别表示所述第一至第五系统故障特征向量中的两个特征向量，且Mi和Mj分别是所述预分类器对于所述第一至第五系统故障特征向量中的两个特征向量的权重矩阵，||·||F表示矩阵的Frobenius范数，
Figure BDA0003811466940000143
表示向量的二范数的平方，
Figure BDA0003811466940000144
表示按位置差分，exp(·)表示矩阵的指数运算和向量的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
这里，通过引入针对分类模式消解抑制的损失函数，可以将分类器权重的伪差异推向真实的待融合特征之间的特征分布差异，从而保证梯度反向传播时的定向导数在梯度分支点附近得到正则化，即，将梯度在特征所表达出的特定模式之间进行过加权，这样，就对特征的分类模式消解进行抑制了，提升了所述分类特征向量的分类效果，进而提高了分类的准确性。这样，能够对于所述海上风机的可靠性进行准确地评估判断，以提高海上风能开发的经济性。
综上，基于本申请实施例的海上风机的可靠性评估系统100被阐明，其首先以海上风机的五个系统的多个故障的故障率通过特征编码器得到的故障率特征向量中各个位置的特征值作为加权权重分别对各个系统的多个故障的故障文本描述通过上下文编码器得到的对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，接着，将所述多个故障特征向量进行级联并分别通过预分类器得到的五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权、级联以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到分类结果。这样，就可以对海上风机的可靠性是否满足预定标准进行精准的评估。
如上所述，根据本申请实施例的所述海上风机的可靠性评估系统100可以实现在各种终端设备中，例如具有海上风机的可靠性评估算法的服务器等。在一个示例中，海上风机的可靠性评估系统100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，该海上风机的可靠性评估系统100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，该海上风机的可靠性评估系统100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，该海上风机的可靠性评估系统100与该终端设备也可以是分立的设备，并且海上风机的可靠性评估系统100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7图示了根据本申请实施例的海上风机的可靠性评估方法的流程图。如图7所示，根据本申请实施例的海上风机的可靠性评估方法，其包括：S110，获取海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，所述海上风机的五个系统包括支撑结构、变桨系统、齿轮箱、发电机和辅助系统；S120，将所述各个系统的多个故障的故障文本描述通过经训练完成的包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量；S130，将所述各个系统的多个故障的故障率通过经训练完成的包含多个全连接层的特征编码器以得到故障率特征向量；S140，以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，并将所述多个故障特征向量进行级联以得到对应于各个系统的系统故障特征向量；S150，将所述对应于各个系统的系统故障特征向量分别通过经训练完成的预分类器以得到五个概率值；S160，以所述五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权并将加权后的系统故障特征向量进行级联以得到分类特征向量；以及，S170，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的可靠性是否满足预定标准。
图8图示了根据本申请实施例的海上风机的可靠性评估方法的系统架构的示意图。如图8所示，在所述海上风机的可靠性评估方法的系统架构中，首先，获取海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，所述海上风机的五个系统包括支撑结构、变桨系统、齿轮箱、发电机和辅助系统；接着，将所述各个系统的多个故障的故障文本描述通过经训练完成的包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量；然后，将所述各个系统的多个故障的故障率通过经训练完成的包含多个全连接层的特征编码器以得到故障率特征向量；接着，以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，并将所述多个故障特征向量进行级联以得到对应于各个系统的系统故障特征向量；然后，将所述对应于各个系统的系统故障特征向量分别通过经训练完成的预分类器以得到五个概率值；接着，以所述五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权并将加权后的系统故障特征向量进行级联以得到分类特征向量；最后，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的可靠性是否满足预定标准。
在一个具体示例中，在上述海上风机的可靠性评估方法中，所述将所述各个系统的多个故障的故障文本描述通过经训练完成的包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量，包括：对所述各个系统的多个故障的故障文本描述进行分词处理以将所述各个系统的多个故障的故障文本描述转化为由多个词组成的词序列；使用所述经训练完成的包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，使用所述经训练完成的包含嵌入层的上下文编码器的基于转换器的Bert模型对所述词向量的序列进行基于全局的上下文语义编码以获得所述对应于各个系统的多个故障事件文本特征向量。
在一个具体示例中，在上述海上风机的可靠性评估方法中，所述将所述各个系统的多个故障的故障率通过经训练完成的包含多个全连接层的特征编码器以得到故障率特征向量，包括：将所述各个系统的多个故障的故障率按照系统维度排列为故障输入向量；使用所述特征编码器的多个全连接层以如下公式对所述故障输入向量进行全连接编码以提取出所述故障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 BDA0003811466940000161
其中X是所述故障输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure BDA0003811466940000162
表示矩阵乘。
在一个具体示例中，在上述海上风机的可靠性评估方法中，所述将所述对应于各个系统的系统故障特征向量分别通过经训练完成的预分类器以得到五个概率值，进一步包括：使用所述经训练完成的预分类器以如下公式对所述对应于各个系统的系统故障特征向量进行处理以得到所述五个概率值；其中，所述公式为：P＝softmax{(Mj,Bj):…:(Mi,Bi)|Y}，其中，P为所述五个概率值，Mi和Mj为权重矩阵，Bi和Bj为偏置向量，Y为所述对应于各个系统的系统故障特征向量。
在一个具体示例中，在上述海上风机的可靠性评估方法中，所述将所述分类特征向量通过分类器以得到分类结果，进一步包括：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：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
在一个具体示例中，在上述海上风机的可靠性评估方法中还包括：对所述包含嵌入层的上下文编码器、所述包含多个全连接层的特征编码器和所述预分类器进行训练；其中，所述对所述包含嵌入层的上下文编码器、所述包含多个全连接层的特征编码器和所述预分类器进行训练，包括：获取训练数据，所述训练数据包括所述海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，以及，所述海上风机的可靠性评估真实标签值；将所述各个系统的多个故障的故障文本描述通过所述包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量；将所述各个系统的多个故障的故障率通过所述包含多个全连接层的特征编码器以得到故障率特征向量；以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，并将所述多个故障特征向量进行级联以得到对应于各个系统的系统故障特征向量；将所述对应于各个系统的系统故障特征向量分别通过所述预分类器以得到五个概率值；以所述五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权并将加权后的系统故障特征向量进行级联以得到分类特征向量；将所述分类特征向量通过分类器以得到分类损失函数值；计算所述分类器的针对分类模式消解抑制的损失函数值，所述针对分类模式消解抑制的损失函数与所述对应于各个系统的系统故障特征向量之间的差分特征向量的二范数的平方有关；以及，以所述针对分类模式消解抑制的损失函数值和所述分类损失函数值作为加权和来训练所述包含嵌入层的上下文编码器、所述包含多个全连接层的特征编码器和所述预分类器。
在一个具体示例中，所述计算所述分类器的针对分类模式消解抑制的损失函数值，进一步包括：使用如下公式计算所述分类器的所述针对分类模式消解抑制的损失函数值；其中，所述公式为：
Figure BDA0003811466940000181
i＝1～5,j＝1～5,i<j
Figure BDA0003811466940000182
其中Vi和Vj分别表示所述第一至第五系统故障特征向量中的两个特征向量，且Mi和Mj分别是所述预分类器对于所述第一至第五系统故障特征向量中的两个特征向量的权重矩阵，||·||F表示矩阵的Frobenius范数，
Figure BDA0003811466940000183
表示向量的二范数的平方，
Figure BDA0003811466940000184
表示按位置差分，exp(·)表示矩阵的指数运算和向量的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
这里，本领域技术人员可以理解，上述海上风机的可靠性评估方法中的各个步骤的具体操作已经在上面参考图1到图6的海上风机的可靠性评估系统的描述中得到了详细介绍，并因此，将省略其重复描述。

Claims (10)

1.一种海上风机的可靠性评估系统，其特征在于，包括：
故障特征统计单元，用于获取海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，所述海上风机的五个系统包括支撑结构、变桨系统、齿轮箱、发电机和辅助系统；
故障描述编码单元，用于将所述各个系统的多个故障的故障文本描述通过经训练完成的包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量；
故障率特征提取单元，用于将所述各个系统的多个故障的故障率通过经训练完成的包含多个全连接层的特征编码器以得到故障率特征向量；
系统故障特征生成单元，用于以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，并将所述多个故障特征向量进行级联以得到对应于各个系统的系统故障特征向量；
预分类单元，用于将所述对应于各个系统的系统故障特征向量分别通过经训练完成的预分类器以得到五个概率值；
全局故障表示单元，用于以所述五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权并将加权后的系统故障特征向量进行级联以得到分类特征向量；以及
可靠性评估结果生成单元，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的可靠性是否满足预定标准。
2.根据权利要求1所述的海上风机的可靠性评估系统，其特征在于，所述故障描述编码单元，包括：
分词处理子单元，用于对所述各个系统的多个故障的故障文本描述进行分词处理以将所述各个系统的多个故障的故障文本描述转化为由多个词组成的词序列；
嵌入编码子单元，用于使用所述经训练完成的包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及
上下文编码子单元，用于使用所述经训练完成的包含嵌入层的上下文编码器的基于转换器的Bert模型对所述词向量的序列进行基于全局的上下文语义编码以获得所述对应于各个系统的多个故障事件文本特征向量。
3.根据权利要求2所述的海上风机的可靠性评估系统，其特征在于，所述故障率特征提取单元，包括：
数据排列子单元，用于将所述各个系统的多个故障的故障率按照系统维度排列为故障输入向量；
全连接编码子单元，用于使用所述特征编码器的多个全连接层以如下公式对所述故障输入向量进行全连接编码以提取出所述故障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 FDA0003811466930000021
其中X是所述故障输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure FDA0003811466930000022
表示矩阵乘。
4.根据权利要求3所述的海上风机的可靠性评估系统，其特征在于，所述预分类单元，进一步用于：使用所述经训练完成的预分类器以如下公式对所述对应于各个系统的系统故障特征向量进行处理以得到所述五个概率值；
其中，所述公式为：P＝softmax{(Mj，Bj)：...：(Mi，Bi)|Y}，其中，P为所述五个概率值，Mi和Mj为权重矩阵，Bi和Bj为偏置向量，Y为所述对应于各个系统的系统故障特征向量。
5.根据权利要求4所述的海上风机的可靠性评估系统，其特征在于，所述可靠性评估结果生成单元，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：softmax{(Wn，Bn)：...：(W1，B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述分类特征向量。
6.根据权利要求5所述的海上风机的可靠性评估系统，其特征在于，所述海上风机的可靠性评估系统，还包括用于对所述包含嵌入层的上下文编码器、所述包含多个全连接层的特征编码器和所述预分类器进行训练的训练模块；
其中，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括所述海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，以及，所述海上风机的可靠性评估真实标签值；
训练故障描述编码单元，用于将所述各个系统的多个故障的故障文本描述通过所述包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量；
训练故障率特征提取单元，用于将所述各个系统的多个故障的故障率通过所述包含多个全连接层的特征编码器以得到故障率特征向量；
训练系统故障特征生成单元，用于以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，并将所述多个故障特征向量进行级联以得到对应于各个系统的系统故障特征向量；
训练预分类单元，用于将所述对应于各个系统的系统故障特征向量分别通过所述预分类器以得到五个概率值；
训练全局故障表示单元，用于以所述五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权并将加权后的系统故障特征向量进行级联以得到分类特征向量；
分类损失单元，用于将所述分类特征向量通过分类器以得到分类损失函数值；
消解抑制损失单元，用于计算所述分类器的针对分类模式消解抑制的损失函数值，所述针对分类模式消解抑制的损失函数与所述对应于各个系统的系统故障特征向量之间的差分特征向量的二范数的平方有关；
训练单元，用于以所述针对分类模式消解抑制的损失函数值和所述分类损失函数值作为加权和来训练所述包含嵌入层的上下文编码器、所述包含多个全连接层的特征编码器和所述预分类器。
7.根据权利要求6所述的海上风机的可靠性评估系统，其特征在于，所述消解抑制损失单元，进一步用于：以如下公式计算所述分类器的所述针对分类模式消解抑制的损失函数值；
其中，所述公式为：
Figure FDA0003811466930000041
Figure FDA0003811466930000042
其中Vi和Vj分别表示所述第一至第五系统故障特征向量中的两个特征向量，且Mi和Mj分别是所述预分类器对于所述第一至第五系统故障特征向量中的两个特征向量的权重矩阵，||·||F表示矩阵的Frobenius范数，
Figure FDA0003811466930000043
表示向量的二范数的平方，
Figure FDA0003811466930000044
表示按位置差分且exp(·)表示指数运算。
8.一种海上风机的可靠性评估方法，其特征在于，包括：
获取海上风机的五个系统中各个系统的多个故障的故障文本描述和故障率，所述海上风机的五个系统包括支撑结构、变桨系统、齿轮箱、发电机和辅助系统；
将所述各个系统的多个故障的故障文本描述通过经训练完成的包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量；
将所述各个系统的多个故障的故障率通过经训练完成的包含多个全连接层的特征编码器以得到故障率特征向量；
以所述故障率特征向量中各个位置的特征值作为加权权重分别对所述对应于各个系统的多个故障事件文本特征向量中各个故障事件文本特征向量进行加权以得到多个故障特征向量，并将所述多个故障特征向量进行级联以得到对应于各个系统的系统故障特征向量；
将所述对应于各个系统的系统故障特征向量分别通过经训练完成的预分类器以得到五个概率值；
以所述五个概率值中各个概率值作为权重分别对所述对应于各个系统的系统故障特征向量进行加权并将加权后的系统故障特征向量进行级联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的可靠性是否满足预定标准。
9.根据权利要求8所述的海上风机的可靠性评估系统，其特征在于，所述将所述各个系统的多个故障的故障文本描述通过经训练完成的包含嵌入层的上下文编码器以得到对应于各个系统的多个故障事件文本特征向量，包括：
对所述各个系统的多个故障的故障文本描述进行分词处理以将所述各个系统的多个故障的故障文本描述转化为由多个词组成的词序列；
使用所述经训练完成的包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及
使用所述经训练完成的包含嵌入层的上下文编码器的基于转换器的Bert模型对所述词向量的序列进行基于全局的上下文语义编码以获得所述对应于各个系统的多个故障事件文本特征向量。
10.根据权利要求9所述的海上风机的可靠性评估系统，其特征在于，所述将所述各个系统的多个故障的故障率通过经训练完成的包含多个全连接层的特征编码器以得到故障率特征向量，包括：
将所述各个系统的多个故障的故障率按照系统维度排列为故障输入向量；
使用所述特征编码器的多个全连接层以如下公式对所述故障输入向量进行全连接编码以提取出所述故障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 FDA0003811466930000051
其中X是所述故障输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
Figure FDA0003811466930000052
表示矩阵乘。
CN202211018188.3A 2022-08-23 2022-08-23 海上风机的可靠性评估系统及其方法 Pending CN115456048A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211018188.3A CN115456048A (zh) 2022-08-23 2022-08-23 海上风机的可靠性评估系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211018188.3A CN115456048A (zh) 2022-08-23 2022-08-23 海上风机的可靠性评估系统及其方法

Publications (1)

Publication Number Publication Date
CN115456048A true CN115456048A (zh) 2022-12-09

Family

ID=84297592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211018188.3A Pending CN115456048A (zh) 2022-08-23 2022-08-23 海上风机的可靠性评估系统及其方法

Country Status (1)

Country Link
CN (1) CN115456048A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116579632A (zh) * 2023-07-12 2023-08-11 湖南省计量检测研究院 一种基于深度学习技术实现风电设备的服役状态监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116579632A (zh) * 2023-07-12 2023-08-11 湖南省计量检测研究院 一种基于深度学习技术实现风电设备的服役状态监测方法
CN116579632B (zh) * 2023-07-12 2023-11-17 湖南省计量检测研究院 一种基于深度学习技术实现风电设备的服役状态监测方法

Similar Documents

Publication Publication Date Title
CN111460807B (zh) 序列标注方法、装置、计算机设备和存储介质
CN111784041B (zh) 一种基于图卷积神经网络的风电功率预测方法及系统
CN111325323A (zh) 一种融合全局信息和局部信息的输变电场景描述自动生成方法
CN113343581B (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
CN115456789B (zh) 基于交易模式识别的异常交易检测方法及其系统
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
CN115456048A (zh) 海上风机的可靠性评估系统及其方法
CN115563563A (zh) 基于变压器油色谱分析的故障诊断方法及装置
CN116245513A (zh) 基于规则库的自动化运维系统及其方法
Wang et al. A deep transfer learning method for system-level fault diagnosis of nuclear power plants under different power levels
CN112950617A (zh) 基于连续旋转图像增强和条件生成对抗网络的潮流机叶片附着物识别方法
CN115965822A (zh) 一种风险等级的分类方法及模型训练方法
CN115951883A (zh) 分布式微服务架构的服务组件管理系统及其方法
CN115758876A (zh) 一种风速和风向预报准确率方法、系统及计算机设备
CN115082798A (zh) 一种基于动态感受野的输电线路销钉缺陷检测方法
CN116862080B (zh) 一种基于双视角对比学习的碳排放预测方法及系统
CN117076931B (zh) 一种基于条件扩散模型的时间序列数据预测方法和系统
CN116757369B (zh) 一种基于注意力机制的碳排放分析方法及系统
CN116663499A (zh) 智能化工业数据处理的方法及系统
CN115019183B (zh) 基于知识蒸馏和图像重构的遥感影像模型迁移方法
CN112559741B (zh) 核电设备缺陷记录文本分类方法、系统、介质及电子设备
CN113240098B (zh) 基于混合门控神经网络的故障预测方法、装置和存储介质
CN115564092A (zh) 用于风电场的短时风电功率预测系统及其方法
Ramas et al. Unsupervised training data re-weighting for natural language understanding with local distribution approximation
CN117520802B (zh) 一种电力工程现场轻量级审计事件识别方法、系统及设备

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