CN115859837B - 基于数字孪生建模的风机叶片动态冲击检测方法及系统 - Google Patents

Abstract

本发明公开了一种基于数字孪生建模的风机叶片动态冲击检测方法及系统，涉及风力发电机健康监测技术领域。该方法通过获取在线测量的冲击载荷数据，利用微调后的深度神经网络模型，得到最终确定的冲击区域。其中，深度神经网络模型构建包括步骤：获取随机冲击载荷数据，建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集；构建带有接受域注意力机制的深度神经网络模型，利用源域数据集对深度神经网络模型进行预训练；采用迁移学习的方法对深度神经网络模型进行自适应微调。本发明为风机叶片动态冲击检测中小样本数据学习、复杂结构响应分析以及在线部署问题提供了一种新的范式。

Description

基于数字孪生建模的风机叶片动态冲击检测方法及系统

技术领域

本发明涉及风力发电机健康监测技术领域，尤其涉及一种基于数字孪生建模的风机叶片动态冲击检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

风力发电机的结构健康监测是新能源领域的一个新兴研究课题。在实际的风机运行场景中，风机叶片很容易被周围物体（砾石、冰雹、鸟类等）撞击。叶片表面的冲击载荷可能进一步导致结构完整性的恶化或严重损坏。因此，可靠、高效地检测叶片结构的动态冲击载荷对风机的安全运行和维护至关重要。

冲击检测过程涉及结构表面动态碰撞的识别和定位。在风机监测任务中，利用在风机上安装的传感器在线记录振动测量信号，并通过对信号的分析进行叶片冲击的识别和定位。为了有效地处理收集到的测量数据，数据驱动框架下的深度学习方法已被广泛用于处理结构振动响应和冲击识别问题。在数据驱动的学习框架下，深度神经网络模型不仅能提供良好的识别性能，而且能够满足在线运行的实时性要求。

尽管数据驱动深度学习为冲击识别提供了有效方法，但是发明人发现，在现有风机监测任务的实践应用中，还存在着以下问题：

在风力发电机的整个运行周期内，由于真实冲击数量有限，一般较难收集到风机冲击的大量真实测量数据，导致目标域数据集仅有少量样本。因此，真实风机场景中少量的数据样本使得风机冲击检测成为一个小样本学习问题，无法仅仅通过小样本数据满足学习训练过程，同时无法满足冲击检测精度。

冲击下的风机叶片瞬态响应具有复杂的动态信号特征，存在难以学习的时序及通道间复杂的相互潜在关联，导致难以利用冲击下的风机叶片瞬态响应信号来分析冲击发生的区域。

碰撞事件在极短的时间内发生，而由此产生的瞬态结构响应需要被实时捕捉与处理，而现有技术缺乏高计算效率的在线决策方法。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种基于数字孪生建模的风机叶片动态冲击检测方法及系统，建立了一个结构数字孪生模型与一个自适应的预训练与微调神经网络。前者用于模拟并生成冲击源域数据，后者用于自适应地挖掘从源域数据到目标域数据迁移过程的隐特征。本发明为风机叶片动态冲击检测中小样本数据学习、复杂结构响应分析以及在线部署问题提供了一种新的范式。

为了实现上述目的，本发明是通过如下的技术方案来实现：

本发明第一方面提供了一种基于数字孪生建模的风机叶片动态冲击检测方法，包括以下步骤：

获取在线测量的冲击载荷数据，利用深度神经网络模型，得到最终确定的冲击区域；

其中，深度神经网络模型的构建过程为：

获取随机冲击载荷数据，通过有限元分析方法建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集；

构建带有接受域注意力机制的深度神经网络模型，利用源域数据集对深度神经网络模型进行预训练；

采用迁移学习的方法对预训练后的深度神经网络模型进行自适应微调。

进一步的，通过有限元分析方法建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集的具体过程为：

利用有限元分析方法将风机结构体数字化地描述为结构有限元单元；

根据有限元单元对风机结构构件进行有限元仿真得到风力发电机的数字孪生模型；

风力发电机的数字孪生模型通过有限元分析过程计算冲击下的风机结构响应，将风机结构响应作为源域数据集。

更进一步的，风力发电机的数字孪生模型通过有限元分析过程计算冲击下的风机结构响应得具体过程为：

根据风机结构在外部载荷下的运动控制方程构建风力发电机的数字孪生模型；

利用时程分析方法在时域上求解运动控制方程得到结构响应。

更进一步的，利用有限元分析方法将风机结构体数字化地描述为结构有限元单元的具体过程为：

固定风机的塔基位置，重力方向沿塔柱向下设置；

采用网格离散化方法指定有限的叶片单元；

通过模拟转子轴在角速度下的风机旋转以模拟风载荷效应；

在叶片表面增加的可编辑强度的轴向力以模拟冲击载荷效应。

进一步的，接受域注意力机制包括时间接受域注意力机制和通道接受域注意力机制。

更进一步的，利用源域数据集对深度神经网络模型进行预训练的具体过程为：

将源域数据集输入时间接受域注意力机制获得的时域加权的特征；

将时域加权的特征平均分成若干序列块，将序列块输入通道接受域注意力机制，获得通道维度的加权特征；

将通道维度的加权特征输入循环神经网络中进行更新和堆叠，输出冲击区域的分类概率。

更进一步的，构建以循环模块堆栈的形式构成的循环神经网络，最后一个循环模块的输出经过全连接层后输出冲击区域的分类概率；其中，循环模块为门控循环单元。

进一步的，采用迁移学习的方法对预训练后的深度神经网络模型进行自适应微调的具体过程为：

构建开关网络并嵌入到预训练后的深度神经网络模型中；

利用开关网络对目标域数据集进行判断，得到各注意力模块开关值；

按照开关情况分别选择微调或固定神经网络的注意力模块，得到网络预测的概率分布；

利用交叉熵损失函数对深度神经网络模型预测的概率分布和真实的概率分布之间的差异进行测量，直到差异满足期望。

更进一步的，开关网络使用Gumbel-Softmax函数来对开关网络的输出进行采样。

本发明第二方面提供了一种基于数字孪生建模的风机叶片动态冲击检测系统，包括：

在线部署模块，被配置为获取在线测量的冲击载荷数据，利用深度神经网络模型，得到最终确定的冲击区域；

其中，深度神经网络模型的构建包括：

获取随机冲击载荷数据，通过有限元分析方法建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集；

构建带有接受域注意力机制的深度神经网络模型，利用源域数据集对接受域注意力深度神经网络模型进行预训练；

采用迁移学习的方法对预训练后的深度神经网络模型进行自适应微调。

以上一个或多个技术方案存在以下有益效果：

本发明公开了一种基于数字孪生建模的风机叶片动态冲击检测方法及系统，用于准确识别风机叶片的动态冲击载荷。

本发明为了解决实际冲击数据的小样本问题，提出了一种结构数字孪生模型，该模型通过精确有限元建模来产生作为源域数据集的结构冲击响应。

本发明为了解决冲击下的风机叶片瞬态响应难以学习的问题，提出了一种具有时间和通道接受域注意力机制的预训练深度神经网络模型，自适应地提取结构冲击响应中的复杂相关性。本发明还提出了一种新型的注意力开关网络以实现自适应迁移学习，该网络通过自适应网络层筛选实现了从源域数据到目标域数据的微调，保证了深度神经网络模型的鲁棒性和稳定性，能够得到高效准确的风机叶片动态冲击检测结果。

本发明通过实际风力发电机平台的实验获得目标域数据集，系统地验证了所提出风机叶片动态冲击检测方法的有效性，获得了高精度的冲击检测结果，同时满足了在线部署所需要的计算效率与实时性。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例一中基于数字孪生建模的风机叶片动态冲击检测方法的流程图；

图2（a）为本发明实施例一中风机结构数字孪生模型示意图；

图2（b）为本发明实施例一中潜在叶片冲击区域示意图；

图2（c）为本发明实施例一中加速度传感器对应的结构动态响应曲线图；

图2（d）为本发明实施例一中瞬态冲击载荷对应的结构动态响应曲线图；

图3为本发明实施例一中基于自适应预训练微调框架的接受域注意力循环神经网络框架图；

图4为本发明实施例二中风机实验平台中风机结构示意图；

图5（a）为本发明实施例二中风机实验平台设置中建立的结构数字孪生模型；

图5（b）为本发明实施例二中风机实验平台设置中传感器三的真实结构响应监测数据曲线图；

图5（c）为本发明实施例二中风机实验平台设置中传感器二的真实结构响应监测数据曲线图；

图5（d）为本发明实施例二中风机实验平台设置中传感器一的真实结构响应监测数据曲线图；

图6（a）为本发明实施例二中两折数据集实验的混淆矩阵示意图；

图6（b）为本发明实施例二中三折数据集实验的混淆矩阵示意图；

图7（a）为本发明实施例二中两折数据集实验和三折数据集实验的第一测试集样本的开关状态分布示意图；

图7（b）为本发明实施例二中两折数据集实验和三折数据集实验的第二测试集样本的开关状态分布示意图；

其中，1.风机，2.叶片，2-1.叶片一，2-2.叶片二，2-3.叶片三，2-1-1.叶片一根区，2-1-2.叶片一翼型区，2-1-3.叶片一末端区，2-2-1.叶片二根区，2-2-2.叶片二翼型区，2-2-3.叶片二末端区，2-3-1.叶片三根区，2-3-2.叶片三翼型区，2-3-3.叶片三末端区，3.导流罩，4.风机中央机舱，5.无线加速度传感器，5-1.传感器一，5-2.传感器二，5-3.传感器三。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合；

实施例一：

风机叶片动态冲击检测和定位能够为风机的结构安全和维护提供重要信息。虽然风机叶片面临着很高的冲击风险，但在新能源领域中却很少有来自真实瞬态冲击的数据样本，为了实现在有限的真实数据情况下准确识别动态冲击载荷的目的，本发明实施例一提供了一种基于数字孪生建模的风机叶片动态冲击检测方法，用于准确识别风机叶片的动态冲击载荷。如图1所示，根据随机的冲击载荷构建数字孪生模型，输出源域数据集，利用源域数据集对深度神经网络模型进行自适应预训练得到预训练的神经网络。获取实际实验平台测量得到的历史采集数据制作目标域数据集，采用目标域数据集对预训练的神经网络进行自适应微调，得到微调后的神经网络，对预训练的神经网络和微调后的神经网络进行模型评价，直到微调后的神经网络符合实验要求。对微调后的神经网络根据真实的风力发电机进行在线部署，将在线采集的数据，输入进微调后的神经网络进行冲击检测，确定冲击区域。

本发明通过获取在线测量的冲击载荷数据，利用深度神经网络模型应用于在线动态冲击检测任务中，得到最终确定的冲击区域。如公式(1)所示：

其中，表示最终确定的冲击区域，表示在线冲击检测过程，代表经过微调后的微调神经网络模型，代表实际在线监测中获得的传感器信号。

深度神经网络模型的构建具体包括以下步骤：

步骤1，获取随机冲击载荷数据，通过有限元分析方法建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集。

本实施例中，数字孪生模型通过有限元分析建模过程实现，用来描述结构的动态冲击结构响应，并根据冲击载荷产生结构响应。如公式(2) 所示：

其中，代表结构数字孪生模型，由该模型产生的数据作为源域数据，代表冲击载荷，代表结构响应。

步骤2，构建带有接受域注意力机制的深度神经网络模型，利用源域数据集对深度神经网络模型进行预训练。

本实施例中，利用源域数据集，对带有接受域注意力机制的深度神经网络模型进行预训练。如公式(3)所示：

其中，和分别代表所提出的自适应预训练框架和获得的预训练神经网络模型，代表冲击载荷，代表结构响应，在全文中表示源域数据集。

步骤3，采用迁移学习的方法对预训练后的深度神经网络模型进行自适应微调。

本实施例中，利用目标域中的小样本真实数据，对预训练后的深度神经网络模型进行进一步自适应微调。经微调后的模型如公式(4)所示：

其中，和分别代表所提出的自适应迁移学习框架和经过微调后的神经网络模型，代表获得的预训练神经网络模型，代表实验平台实际监测的冲击载荷，代表实验平台实际监测的结构响应，在全文中表示目标域数据集。

步骤1中，本实施例建立了一个结构数字孪生模型来模拟风力发电机在冲击载荷下的动态响应。该模型利用有限元建模方法将风机结构体数字化地描述为结构有限元单元，从而对风机结构构件进行有限元仿真。本实施例将风力发电机建模为连续结构体，并进一步产生其在不同冲击位置和强度条件下的结构动态响应。

其具体过程为：

（1）利用有限元分析方法将风机结构体数字化地描述为结构有限元单元。

在建立有限元模型时，固定风机的塔基位置，重力方向沿塔柱向下设置；之后采用网格离散化方法指定有限的叶片单元。为了降低分析计算成本，与其他结构相比，叶片采用密度更高的四面体网格进行离散化。

此外，通过模拟转子轴在旋转角速度下的风机旋转以模拟风载荷效应；在叶片表面增加的可编辑强度的轴向力以模拟冲击载荷效应。风载荷与变化的旋转角速度有关，每个叶片上的风载荷可简化为远离转子轴的离心力，即

，其中是结构单元质量，是该单元与转子轴的距离矢量，是叶片体积域。

（2）根据有限元单元对风机结构构件进行有限元仿真得到风力发电机的数字孪生模型。

以真实风机为例，其结构数字孪生模型如图2(a)所示。本实施例中，该模型是通过商业软件ANSYS构建，将输入的旋转和冲击载荷通过ANSYSWorkbench工作台的有限元求解器进行耦合与计算。如图2(a)所示，相比其他位置，叶片有限元使用了具有更小尺度的四面体网格进行离散化表示。此外，箭头所表示的轴向力和旋转速度分别对应于施加的冲击载荷和风载荷。所建立的有限元模型通过边界条件和结构性质的描述来模拟风机的动态行为。最后，结构数字孪生模型通过有限元分析过程计算冲击下的风机结构响应，并进一步作为源域数据使用。

在结构数字孪生模型中，冲击载荷对应于其碰撞叶片的冲击区域，即。冲击区域是根据叶片径向区域指定划分的，例如，图2(b)以三区域划分为例，显示了用于冲击识别的每个叶片的三重区域，分别为叶片一2-1中的叶片一根区2-1-1，叶片一翼型区2-1-2和叶片一末端区2-1-3。叶片二2-2中的叶片二根2-2-1区，叶片二翼型区2-2-2和叶片二末端区2-2-3。叶片三2-3中的叶片三根区2-3-1，叶片三翼型区2-3-2和叶片三末端区2-3-3。根据已建立的SDT模型，针对一个动态冲击，它所对应的风机结构响应（速度、加速度或位移）可以通过以下公式(5)获得：

其中，代表结构数字孪生模型，表示风机结构响应，表示冲击载荷。

结构响应可以通过在风机任何位置设置的传感器探针进行计算和获取。图2(c)给出的例子显示了图2(a)和图2(b)中加速度传感器对应的结构动态响应，图2(d)给出的例子显示了图2(a)和图2(b)中瞬态冲击载荷对应的结构动态响应。因此，通过在叶片上的不同位置添加传感器探针，可以利用所建立的结构数字孪生模型生成结构响应数据，在全文中，表示维度标识，M表示传感器个数，C表示通道个数，T表示时间步。

为了提高结构数字孪生模型对冲击检测的泛化性能，冲击载荷的碰撞位置和碰撞强度被随机设置。最后，源域数据集是结构响应作为输入和对应冲击区域作为标签的组合，定义为公式(6)：

其中，表示第i个随机的冲击载荷，表示风机结构响应，表示冲击载荷，表示冲击区域类别。利用所生成的源域数据集，进一步提出了一个自适应的预训练-微调学习框架。该框架可以捕获冲击载荷与结构响应之间的内在交互关联，并迁移到目标域数据以进行真实场景的动态冲击检测。

（3）风力发电机的数字孪生模型通过有限元分析过程计算冲击下的风机结构响应，将风机结构响应作为源域数据集。

结构响应的具体计算过程为：

根据风机结构在外部载荷下的运动控制方程构建风力发电机的数字孪生模型。

一般来说，风机结构在外部载荷下的运动控制方程可定义为如下公式(7)：

其中，、、分别表示离散化结构的质量矩阵、阻尼矩阵和刚度矩阵。表示结构随时间变化的总施加载荷，分别表征了重力、风荷载和动态冲击。、和表示由施加载荷引起的结构响应，分别对应节点的加速度、速度和位移向量。结构响应可以利用时程分析方法通过在时域上求解上述微分方程得到。

步骤2中，为了学习冲击载荷与其对应的结构响应之间的潜在关系，本实施例提出了一种带有接受域注意力机制的深度神经网络模型，其接受域注意力机制包括时间接受域注意力机制和通道接受域注意力机制，接受域注意力机制中由所感注意力模块构成，注意力模块包括时间接受域注意力模块和通道接受域注意力模块。

源域数据集中的数据样本和冲击标签被用来对该预训练神经网络进行监督学习：

（1）将源域数据集输入时间接受域注意力机制获得的时域加权的特征。

首先，提出了一个时间接受域注意力机制（Temporal Receptive Attention,TRA）用来自适应地获取输入的结构响应数据中的时间序列相关性。对于一个时间变量，它的时间接受域可以用时间变量区间定义为，其中为时间范围变量。对应地，对于第个传感器在时间变量处的数据，其对应的时间接受域区域可以用来指代。时间接受域注意力机制被定义为公式(8)：

（8）

其中，表示时间接受域注意力机制，m表示第m个传感器，t表示时间变量，作为一个整体，表示在时间接受域的特征向量标识，表示时间接受域所对应的注意力矩阵，表示用于生成时域加权特征向量的卷积映射，I表示上述卷积映射的输入权重维度，表示时间接受域。注意力矩阵将计算出对应于转换后特征向量的注意力权重值。为了计算注意力矩阵，对和进行了拼接操作，如公式(9)所示：

其中，表示时间接受域所对应的注意力矩阵，提供了卷积映射特征，表示上述卷积映射特征的输出权重维度。公式(8)中的输出结果表示通过时间接受域注意力机制获得的时域加权的特征，表示第个传感器在时间变量处的通过时间接受域注意力机制获得的时域加权的特征。

（2）将时域加权的特征平均分成若干序列块，将序列块输入通道接受域注意力机制，获得通道维度的加权特征。

在训练一个深度循环神经网络时，超长的时间序列可能会导致梯度消失或梯度爆炸。因此，为了能够有效地处理时间接受域注意力机制的输出，把结果中对应的长时间序列平均分为个序列块，即，表示第n个序列块，n=1，2，3……N。然后，提出了一个通道接受域注意力机制（ChannelReceptive Attention, CRA）用来自适应地提取经过时间维度加权后特征中存在的通道维度相关性。对于通道索引，它的通道接受域是通过通道索引区间来定义的，其中，为通道范围变量。对于特征向量，它的通道接受域所对应的特征矩阵为。通道接受域注意力机制可以被定义为公式(10)：

其中，表示通道接受域注意力机制，表示第n个序列块，n=1，2，3……N。表示通道接受域，表示通道索引，m表示第m个传感器，作为一个整体，表示在通道接受域的特征向量标识；表示用于生成通道维度的加权特征向量的卷积映射，J表示上述卷积映射的输入权重维度，代表通道接受域对应的注意力矩阵，以下面的公式(11)进行计算：

其中提供了卷积映射特征，表示上述卷积映射的输出权重维度。输出代表了由第个序列块经过通道接受域注意力机制的通道维度的加权特征。

（3）将通道维度的加权特征输入循环神经网络中进行更新和堆叠，输出冲击区域的分类概率。

构建以循环模块堆栈的形式构成的循环神经网络，每个由公式(10)产生的输出被输入到一个对应的循环模块中。具体来说，门控循环单元被用来作为循环神经网络的循环模块，它的更新和堆叠如下式(12)所示：

其中，代表第个循环层， S为循环个数，d代表本循环层的第d个门控循环单元，D为门控循环单元个数，代表传递到下一时刻的隐藏状态、代表更新门、代表上一时刻的隐藏状态、代表候选隐藏状态、代表重置门、代表当前时刻输入信息、代表隐藏状态的权重矩阵、代表更新状态的权重矩阵，代表重置状态的权重矩阵。

被定义为公式(13)：

其中，代表由第个时序块经过通道接受域注意力机制的通道维度的加权特征，代表第个循环层， S为循环个数，d代表本循环层的第d个门控循环单元，D为门控循环单元个数，最后一个循环模块的输出，H表示最后一个循环模块的输出的权重维度，经过全连接层后输出冲击区域的分类概率，如公式(14)所示：

其中，中的表示属于类别的分类概率预测， l=1，2，3……L，代表了总共的分类类别数，表示最后一个循环模块的输出，表示全连接层。

步骤3中，完成预训练模型后，本实施例提出了一个跨域的自适应微调深度神经网络。它可以将从源域中结构数字孪生数据上学习到的知识迁移到目标域中真实的数据上。本网络通过所提出的嵌入到预训练模型上的开关网络（SwitchNetwork, SN），实现了自适应的注意力模块选择。

其自适应微调的具体过程为：

构建开关网络并嵌入到预训练后的深度神经网络模型中；

利用开关网络对目标域数据集进行判断，得到各注意力模块开关值；

按照开关情况分别选择微调或固定神经网络的注意力模块，得到网络预测的概率分布；

利用交叉熵损失函数对深度神经网络模型预测的概率分布和真实的概率分布之间的差异进行测量，直到差异满足期望。

更为具体，通过开关网络，目标域的数据用来自适应地决定哪些接受域注意力机制模块被用来微调，其目标域的数据来源于实验平台测量得到的历史数据。对于所提出的接受域注意力机制，对于它的输入目标域数据集，每个开关被定义为决定是否要微调此模块的二维随机变量。自注意力函数被设计用于生成二分类概率分布函数，其中，表示开关打开的概率，表示开关关闭的概率。如公式(15)所示：

其中，表示开关网络的输出，表示目标域数据集，和分别表示不同的卷积映射特征，，，K为开关网络的输入维度，为开关网络的输入维度，表示自注意力函数。自注意力函数进一步引出计算开关输出的公式(16)为：

其中，表示开关网络的输出，表示目标域数据集，表示自注意力函数，表示该开关关闭，表示其对应的接受域注意力机制模块的参数保持不变。表示该开关打开，表示对其对应的接受域注意力机制模块的参数进行微调。因此，使用开关的微调神经网络的输出可由公式(17)得到：

这里的代表注意力层将直接使用在预训练时训练好的参数，代表注意力层需要进一步进行微调并且使用预训练的参数进行参数初始化。由于开关的输出是离散的和不可微分的，开关网络使用了Gumbel-Softmax函数来对其输出进行采样，它是从参数化的分类分布中提取样本的简单有效的方法。假设随机变量为一个均匀分布，那么满足公式(18)的随机变量为一个标准的Gumbel分布：

其中， G表示满足标准的Gumbel分布的随机变量，表示满足均匀分布的随机变量。

然后就可以通过如下公式(19)从离散的分布中抽取样本：

其中，表示开关网络的输出。另外，采用Softmax函数代替argmax函数进行连续化，如公式(20)：

其中，表示开关网络的输出， G表示满足标准的Gumbel分布的随机变量，q表示特定开关索引，p表示通用开关索引。这里的为温度系数，它越小越会让计算结果更接近一个独热编码。假设预训练模型中有个注意力模块，开关网络的输出就是一个尺寸为的二维矩阵，其中每一行代表开和关两个类别的输出值。在前向传播过程中使用公式(19)采样微调策略，反向传播过程中采用公式(20)来近似离散样本的梯度。通过以上的设计对某个随机变量进行采样的同时保证该变量可导，使得所提出的开关网络可以进行反向传播。

本实施例所提出的基于自适应预训练微调框架的接受域注意力循环神经网络框架如图3所示，结构响应输入后，经过带有时间接受域注意力机制和通道接受域注意力机制的循环神经网络模型，输出分类概率用以检测冲击区域，而为了保证分类概率的准确性，嵌入了包含自注意力机制的开关网络对循环神经网络模型进行微调，从而得到更准确的分类概率输出。

针对自适应预训练和微调神经网络的训练，利用交叉熵损失函数对预测的概率分布和真实的概率分布之间的差异进行测量，其计算公式如公式(21)所示：

其中，表示交叉熵损失，中的表示属于类别的分类概率预测，表示属于类别的真实的分类标签，表示第i个随机的冲击载荷的分类概率预测，表示第i个随机的冲击载荷的真实的分类标签， l=1，2，3……L，表示总共的分类类别数，表示第i个随机的冲击载荷，表示训练样本的总数。

步骤4中，本实施例在搭建的真实风机平台进行了在线部署，通过传感器获取在线测量的冲击载荷数据，利用微调后的深度神经网络模型，得到最终确定的冲击区域。

实施例二：

本发明实施例二提供了一种基于数字孪生建模的风机叶片动态冲击检测系统，包括：

在线部署模块，被配置为获取在线测量的冲击载荷数据，利用深度神经网络模型，得到最终确定的冲击区域；

其中，深度神经网络模型的构建包括：

获取随机冲击载荷数据，通过有限元分析方法建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集；

构建带有接受域注意力机制的深度神经网络模型，利用源域数据集对接受域注意力深度神经网络模型进行预训练；

采用迁移学习的方法对预训练后的深度神经网络模型进行自适应微调。

本实施例通过实际风力发电机平台的实验，系统地验证了所提出框架的有效性，实现了高精度的冲击检测结果，同时实现了毫秒级的叶片动态冲击识别过程，满足了在线部署所需要的计算效率与实时性。

该实验是本实施例搭建的风机平台上进行的，该平台主要由风机1、发射器和工业风扇组成，发射器用于模拟冲击过程，发射器通过弹出高速球或石头来模拟对风机叶片的动态冲击。利用工业风扇模拟真实风，使其吹动风机叶片。风机结构如图4所示，包括叶片2、导流罩3、风机中央机舱4和无线加速度传感器5，如图4中局部放大图所示，为了收集冲击响应数据，三个无线加速度传感器5被安装在风机中央机舱4及导流罩3内部，而不是安装在每个叶片2上。这样做的目的是为了通过更具有难度的检测任务来更好地验证所提出框架的冲击检测性能。

为了描述风机的动态性能，本实施例使用ANSYS Workbench 2022 R2软件开发了有限元模型，如图5(a)所示，包括叶片一2-1，叶片二2-2，叶片三2-3以及传感器一5-1，传感器二5-2，传感器三5-3。各个主要结构参数被设置为：材料密度为，杨氏模量为2.64E+10Pa，泊松比为0.3，拉伸和压缩屈服强度为2.5E+08Pa。此外，冲击载荷的强度被设置为施加于叶片表面任意位置的10N到1000N之间的冲击力。有限元模型被用于生成源域数据。

使用上文所述的风机平台进行冲击实验来生成目标域数据集，冲击瞬间采用球冲击和石头冲击分别进行模拟。根据实验中捕获的视频帧，本实验将每个叶片的冲击区域通过手动标记为两折或三折来生成两个不同的实验数据集。此外，当冲击发生时，三个加速度传感器收集并记录相应的测量信号，其中，图5（b）显示了传感器三的真实结构响应监测数据，图5（c）显示了传感器二的真实结构响应监测数据，图5（d）显示了传感器一的真实结构响应监测数据。针对两个实验数据集，两折数据集对应于一个七分类问题（6个冲击区域类别与1个无冲击类别），而三折数据集对应于一个十分类问题（9个冲击区域类别和1个无冲击类别）。表1总结了实验数据集的维度设置，每个来自源域或目标域的数据集都被划分为了训练集、验证集和测试集。目标神经网络模型在训练集上训练，验证集上验证。随后，目标神经网络模型在源域测试集上进行测试，以评估其预训练过程的检测性能，并在目标域测试集上进行测试，以验证其在真实实验平台上的检测性能。

表1 实验数据集维度

注：维度(样本数目，传感器数目，通道数目，时间长度，标签个数)

所提出神经网络模型的超参数设置如表2所示，神经网络模型的训练过程通过网格化搜索来找到使其性能达到最优效果（训练中损失函数最小）的超参数。该模型的构建与训练使用了Python3.6和Pytorch1.10.2在PC端上实现，该PC端具有2.6GHz IntelXeon E5-2670 CPU, 16GBRAM和两个NvidiaGeForce RTX 3090 Ti Gpu。

表2 超参数设置

注：表中最后一列中的粗体代表网格搜索得到的最佳参数

分类准确度和F1分数两个指标被用于评价所提出方法的检测性能。其中，分类准确度是指正确识别的样本在所有测试样本中所占的比例，通过公式(22)进行计算：

其中，表示分类准确度，和分别代表预测阳性样本和预测阴性样本在阳性样本中的比例，和分别代表预测阴性样本和预测阳性样本在阴性样本中的比例。此外，分数是准确率与召回率的调和平均数。通过下面的式(23)定义

其中表示分数，，。

调整超参数来使所提出的模型达到最佳性能后，最终在测试集上所能达到的效果为：源域上两折实验的准确度为95%，F1分数为0.94；源域上三折实验的准确度为94%，F1分数为0.93；目标域上两折实验的准确度为96%，F1分数为0.94，目标域上三折实验的准确度为94%，F1分数为0.93。这验证了所提出的自适应神经网络在源域数据集和目标域数据集上都具有较高的检测性能。为直观展示检测结构，分别绘制了目标域上两折和三折数据集上检测结果的混淆矩阵，如图6(a)和图6(b)所示。混淆矩阵中的对角线元素表示模型分类中每个类别的识别率。图6(a)中所有的测试样本七种类别中的五类被百分百识别正确，图6(b)中所有的测试样本十种类别中的八类被百分百识别正确，整体分类正确率高。

测试过程中自适应微调网络的开关状态由图7（a）和图7（b）中的颜色单元格表示，图7（a）和图7（b）分别为采用了不同的测试集样本进行测试的开关状态分布结果。横坐标表示测试集中的50个样本，纵轴表示嵌入在神经网络中的开关状态，其中0指代时间接受域注意力模块对应的开关，1-5指代通道接受域注意力模块对应的开关。在图7（a）和图7（b）中，浅色和深色的单元格分别代表开关的打开与关闭。针对不同的测试样本，所提出的神经网络网络自适应地生成开关的状态。

实验中每个测试样本的平均检测时间为11.31毫秒。考虑到加速度传感器的采样率为80Hz(12.5毫秒/每个样本)，所提出方法的检测效率达到了实时性计算效率，满足了动态冲击在线检测的要求。

本发明提出了一种面向风机叶片动态冲击检测的系统性数字孪生与迁移学习框架。在所提出的框架中，建立了一个结构数字孪生模型与一个自适应的预训练与微调神经网络。前者用于模拟并生成冲击源域数据，后者用于自适应地挖掘从源域数据到目标域数据迁移过程的隐特征。真实实验验证了所提出框架的有效性、准确性与高效性。本发明为风机叶片动态冲击检测中小样本数据学习、复杂结构响应分析以及在线部署问题提供了一种新的范式。

以上实施例二中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.基于数字孪生建模的风机叶片动态冲击检测方法，其特征在于，包括以下步骤：

获取在线测量的冲击载荷数据，利用深度神经网络模型，得到最终确定的冲击区域；

其中，深度神经网络模型的构建过程为：

获取随机冲击载荷数据，通过有限元分析方法建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集；

构建带有接受域注意力机制的深度神经网络模型，利用源域数据集对深度神经网络模型进行预训练；接受域注意力机制包括时间接受域注意力机制和通道接受域注意力机制；具体过程为：

将源域数据集输入时间接受域注意力机制获得时域加权的特征；

将时域加权的特征平均分成若干序列块，将序列块输入通道接受域注意力机制，获得通道维度的加权特征；

将通道维度的加权特征输入循环神经网络中进行更新和堆叠，输出冲击区域的分类概率；

采用迁移学习的方法对预训练后的深度神经网络模型进行自适应微调；具体过程为：构建开关网络并嵌入到预训练后的深度神经网络模型中；

利用开关网络对目标域数据集进行判断，得到各注意力模块开关值；

按照开关情况分别选择微调或固定神经网络的注意力模块，得到网络预测的概率分布；

利用交叉熵损失函数对深度神经网络模型预测的概率分布和真实的概率分布之间的差异进行测量，直到差异满足期望。

2.如权利要求1所述的基于数字孪生建模的风机叶片动态冲击检测方法，其特征在于，通过有限元分析方法建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集的具体过程为：

利用有限元分析方法将风机结构体数字化地描述为结构有限元单元；

根据有限元单元对风机结构构件进行有限元仿真得到风力发电机的数字孪生模型；

风力发电机的数字孪生模型通过有限元分析过程计算冲击下的风机结构响应，将风机结构响应作为源域数据集。

3.如权利要求2所述的基于数字孪生建模的风机叶片动态冲击检测方法，其特征在于，风力发电机的数字孪生模型通过有限元分析过程计算冲击下的风机结构响应得具体过程为：

根据风机结构在外部载荷下的运动控制方程构建风力发电机的数字孪生模型；

利用时程分析方法在时域上求解运动控制方程得到结构响应。

4.如权利要求2所述的基于数字孪生建模的风机叶片动态冲击检测方法，其特征在于，利用有限元分析方法将风机结构体数字化地描述为结构有限元单元的具体过程为：

固定风机的塔基位置，重力方向沿塔柱向下设置；

采用网格离散化方法指定有限的叶片单元；

通过模拟转子轴在角速度下的风机旋转以模拟风载荷效应；

在叶片表面增加的可编辑强度的轴向力以模拟冲击载荷效应。

5.如权利要求1所述的基于数字孪生建模的风机叶片动态冲击检测方法，其特征在于，构建以循环模块堆栈的形式构成的循环神经网络，最后一个循环模块的输出经过全连接层后输出冲击区域的分类概率；其中，循环模块为门控循环单元。

6.如权利要求1所述的基于数字孪生建模的风机叶片动态冲击检测方法，其特征在于，开关网络使用Gumbel-Softmax函数来对开关网络的输出进行采样。

7.基于数字孪生建模的风机叶片动态冲击检测系统，其特征在于，包括：

在线部署模块，被配置为获取在线测量的冲击载荷数据，利用深度神经网络模型，得到最终确定的冲击区域；

其中，深度神经网络模型的构建包括：

获取随机冲击载荷数据，通过有限元分析方法建立风力发电机的数字孪生模型，利用数字孪生模型扩充冲击载荷数据，得到源域数据集；

构建带有接受域注意力机制的深度神经网络模型，利用源域数据集对接受域注意力深度神经网络模型进行预训练；接受域注意力机制包括时间接受域注意力机制和通道接受域注意力机制；具体过程为：

将源域数据集输入时间接受域注意力机制获得时域加权的特征；

将时域加权的特征平均分成若干序列块，将序列块输入通道接受域注意力机制，获得通道维度的加权特征；

将通道维度的加权特征输入循环神经网络中进行更新和堆叠，输出冲击区域的分类概率；

采用迁移学习的方法对预训练后的深度神经网络模型进行自适应微调；具体过程为：构建开关网络并嵌入到预训练后的深度神经网络模型中；

利用开关网络对目标域数据集进行判断，得到各注意力模块开关值；

按照开关情况分别选择微调或固定神经网络的注意力模块，得到网络预测的概率分布；

利用交叉熵损失函数对深度神经网络模型预测的概率分布和真实的概率分布之间的差异进行测量，直到差异满足期望。

Images