CN116428129B - 基于注意力混合神经网络的风机叶片冲击定位方法及系统 - Google Patents

基于注意力混合神经网络的风机叶片冲击定位方法及系统 Download PDF

Info

Publication number
CN116428129B
CN116428129B CN202310691478.2A CN202310691478A CN116428129B CN 116428129 B CN116428129 B CN 116428129B CN 202310691478 A CN202310691478 A CN 202310691478A CN 116428129 B CN116428129 B CN 116428129B
Authority
CN
China
Prior art keywords
attention
network
neural network
time
positioning
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.)
Active
Application number
CN202310691478.2A
Other languages
English (en)
Other versions
CN116428129A (zh
Inventor
李腾
栾迎新
逄镇东
李晓磊
张伟
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202310691478.2A priority Critical patent/CN116428129B/zh
Publication of CN116428129A publication Critical patent/CN116428129A/zh
Application granted granted Critical
Publication of CN116428129B publication Critical patent/CN116428129B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出基于注意力混合神经网络的风机叶片冲击定位方法及系统，涉及风机叶片的冲击检测领域。包括获取所有叶片上的振动信号；将振动信号输入至注意力混合神经网络中，提取振动信号每个时刻的特征，完成任务识别，预测受到冲击的叶片；将预测的受到冲击的叶片上的振动信号分别输入至注意力回归定位网络和自适应决策网络中，在注意力回归定位网络中，利用局部时序注意力机制提取每个时间块的特征；对每个时间块的特征的重要性进行决策，将需要的时间块的特征输入到注意力循环神经网络中，通过注意力循环神经网络得到振动信号的时空特征向量，进而得到定位距离。本发明能够准确识别施加在风机叶片上的动态冲击载荷的具体位置。

Description

基于注意力混合神经网络的风机叶片冲击定位方法及系统
技术领域
本发明属于风机叶片的冲击检测技术领域，尤其涉及基于注意力混合神经网络的风机叶片冲击定位方法及系统。
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。
风机叶片是被广泛安装于风力发电机上的用于风力发电的重要结构部件。在风力发电机的运行周期中，它的叶片将经历各种可能影响其结构健康状况的外部载荷作用。动态冲击载荷是风机运行时最常见的载荷类型之一，可导致叶片的损坏并危害风力发电机的正常运行。风机叶片具有一定的空间尺寸，但振动传感器往往只能部署在有限的位置，不可能在每个位置进行测量。因此，利用有限数量的振动传感器进行准确的冲击定位，对于风机叶片的动态冲击监测是一个难点问题。
近年来，深度学习方法在结构健康监测中得到了广泛的应用，深度神经网络模型被用于传感器优化、结构响应预测和损伤检测识别等结构健康监测问题。深度神经网络模型允许计算机通过提取数据中的某些深层特征，使用数据驱动方式训练得到模型，从大量的输入与输出数据样本中学习复杂相互关联信息，并针对目标任务完成推理或决策。
在风机叶片冲击定位任务中，不仅要定位到冲击的叶片，还要进一步定位到冲击处于该叶片的具体位置。尽管深度学习方法在结构健康检测中显示了强大的能力，但是它们在冲击载荷识别中的应用却非常有限。
发明内容
为克服上述现有技术的不足，本发明提供了基于注意力混合神经网络的风机叶片冲击定位方法及系统，通过部署有限数量的传感器获取相关振动数据，能够准确识别施加在风机叶片上的动态冲击载荷的具体位置，为监测风机叶片结构的健康和安全提供了新的评估范式。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明第一方面提供了基于注意力混合神经网络的风机叶片冲击定位方法。
基于注意力混合神经网络的风机叶片冲击定位方法，包括以下步骤：
获取所有叶片上的振动信号；
将所有叶片上的振动信号输入至注意力混合神经网络中，利用其中的注意力分类识别网络的局部时序注意力机制提取振动信号每个时刻的特征，并完成任务识别，预测受到冲击的叶片；
将预测的受到冲击的叶片上的振动信号分别输入至注意力回归定位网络和自适应决策网络中，在注意力回归定位网络中，将输入的振动信号分为多个时间块，利用局部时序注意力机制提取每个时间块的特征，并将每个时间块注意力机制的输出连接一个注意力循环神经网络；在自适应决策网络中，对每个时间块的特征的重要性进行决策，将需要的时间块的特征输入到注意力循环神经网络中，将不需要的时间块的特征清零，通过注意力循环神经网络得到振动信号的时空特征向量，进而得到定位距离；
基于预测的受到冲击的叶片和定位距离，确定冲击的精准位置。
优选的，将所有叶片上的振动信号输入至注意力分类识别网络中，通过局部时序注意力机制提取每个时刻的特征，并完成任务识别，具体包括：
对于输入数据，在时间变量/>时刻定义一个局部时序指示变量/>，确定一个时间范围/>；
根据时间范围，确定对应的局部时序矩阵；
针对时刻的输入数据/>，对/>的局部时序矩阵/>内每个矩阵元素/>分别计算注意力权重/>，其中/>表示/>时刻的数据；
利用注意力权重计算权重化后的特征向量；
综合每个时刻得到的，得到总的输出特征/>；
将此总的输出特征输入至两层全连接网络，利用全连接网络提取到的特征向量完成识别任务，输出分类概率分布。
优选的，注意力权重具体为：
其中，Softmax为归一化指数函数，表示拼接函数，用于聚合输入/>和/>的相似性评价向量。
优选的，利用注意力权重计算权重化后的特征向量,具体为：
其中，是Hadamard乘积，/>与/>为线性特征映射函数，最终产生针对/>时刻的从局部时序矩阵/>提取到的特征向量/>。
优选的，所述分类概率分布表示为：
其中，，/>表示属于三个不同风机叶片的分类概率；/>为全连接层；
对采用/>函数得到最终识别出的分类类别/>：
分类类别指向了受到冲击叶片的编号。
优选的，将预测的受到冲击的叶片上的振动信号分别输入至注意力回归定位网络中，具体包括：
将一段时间内采集到的振动信号为/>在时间维度/>上均分为/>个时间块，每一个时间块表示为/>，/>；
在每一个时间块中，针对时刻的输入数据/>，再次利用局部时序注意力机制提取数据中的特征向量，得到经过局部时序注意力加权后的特征/>；
综合每个时刻得到的为总的输出特征/>；
将传统的长短期记忆神经网络LSTM扩展为从输入到状态、从状态到状态转换中都有局部时序注意力机制的注意力循环神经网络，将总的输出特征输入至注意力循环神经网络中，得到最终提取到的传感器数据的时空特征向量；
将最终提取到的传感器数据的时空特征向量输入至一个全连接层，得到回归定位网络输出的定位距离/>。
优选的，注意力循环神经网络的公式为：
其中，、/>和/>分别为输入门、遗忘门和输出门，/>和/>分别为n时刻和n-1时刻的隐藏单元，/>和/>分别为n时刻和n-1时刻的记忆单元，公式中所有的/>表示对特征采用局部注意力机制进行计算，/>为对应位相乘，/>和tanh为激活函数，/>为偏置，/>为第/>个时间块的注意力循环神经网络模块的输入。
优选的，自适应决策网络具体构成为：
其中，以为输入，/>为矩阵拼接函数，/>为决策采样函数，经过决策网络得到的决策矩阵为/>,其中/>对应第/>个时序块处选择的输入通路，0表示输入零矩阵，1表示输入注意力矩阵，/>和/>分别为映射和/>的矩阵权重。
优选的，还包括对注意力混合神经网络进行训练，在模型训练时对注意力分类识别网络和注意力回归定位网络分别进行训练：
在训练注意力分类识别网络时，损失函数定义为关于预测类别和真实类别的交叉熵损失：
其中为一个批次的样本数目，/>为标签值，/>为网络输出值，/>为自然对数函数；
在训练注意力回归定位网络时，损失函数定义为预测距离位置和真实距离的均方误差:
其中表示定位标签值，/>表示回归网络预测值。
本发明第二方面提供了基于注意力混合神经网络的风机叶片冲击定位系统。
基于注意力混合神经网络的风机叶片冲击定位系统，包括：
信号获取模块，被配置为：获取所有叶片上的振动信号；
任务识别模块，被配置为：将所有叶片上的振动信号输入至注意力混合神经网络中，利用其中的注意力分类识别网络的局部时序注意力机制提取振动信号每个时刻的特征，并完成任务识别，预测受到冲击的叶片；
定位距离获取模块，被配置为：将预测的受到冲击的叶片上的振动信号分别输入至注意力回归定位网络和自适应决策网络中，在注意力回归定位网络中，将输入的振动信号分为多个时间块，利用局部时序注意力机制提取每个时间块的特征，并将每个时间块注意力机制的输出连接一个注意力循环神经网络；在自适应决策网络中，对每个时间块的特征的重要性进行决策，将需要的时间块的特征输入到注意力循环神经网络中，将不需要的时间块的特征清零，通过注意力循环神经网络得到振动信号的时空特征向量，进而得到定位距离；
精准位置获取模块，被配置为：基于预测的受到冲击的叶片和定位距离，确定冲击的精准位置。
以上一个或多个技术方案存在以下有益效果：
本发明提供了一种局部时序注意力机制，并构建了基于注意力混合神经网络的冲击定位识别模型，该注意力混合神经网络模型包含一个注意力分类识别网络、一个自适应决策网络和一个注意力回归定位网络：注意力分类识别网络用于识别击中的叶片并选择相应的叶片数据，自适应决策网络用于调整循环神经网络的输入特征，注意力回归定位网络用于定位击中叶片的具体冲击位置；为了训练所提出的神经网络模型，通过有限元模型生成训练数据集，训练数据集包含振动数据作为样本且具有类别和距离标签的数据标记，利用所生成的数据集和监督学习方式，完成对所提出模型的训练过程；最后，在真实风机上部署并完成风机叶片的动态冲击定位任务。在仿真数据集与真实数据集上的测试实验结果验证了所提出方法在风机叶片动态冲击定位问题上的优越性能,该方法能够为监测风机叶片结构的健康和安全提供新的评估范式。
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为第一个实施例风力发电机有限元模型图。
图2为第一个实施例冲击定位坐标系示意图。
图3为第一个实施例真实数据采集装置示意图。
图4为第一个实施例方法流程图。
图5为第一个实施例整体训练流程图。
图6为第一个实施例整体测试流程图。
图7为第二个实施例的系统结构图。
附图中，各标号所代表的部件列表如下：1.叶片一；2.三轴振动传感器一；3.叶片二；4.三轴振动传感器二；5.叶片三；6.三轴振动传感器三；7.导流罩中心；8.叶片末端；9.冲击位置；10.冲击定位距离；11.冲击球发射器；12.冲击球；13.大功率风扇。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明提出的总体思路：
针以风机叶片冲击定位问题，本发明提出了一种局部时序注意力混合神经网络（Local Sequential Attention Hybrid Neural Network，LSAHNN），模型的创新点主要体现在以下四个部分：
1）注意力分类识别网络：
提出一种局部时序注意力机制，可以综合感受野内的信息调节聚合权重，更适合处理具有时空信息的传感器数据，挖掘传感器数据时间和通道尺度上的潜在特征，揭示复杂时间序列信号间的多变量和时间隐藏相关性。该局部时序注意力机制组成的注意力分类识别神经网络，能够对风机叶片上传感器采集到的时序信号进行分类并确定冲击叶片。
2）自适应决策网络：
提出一种用于确定不同时间阶段特征重要性的自适应决策网络，该网络能够自主屏蔽无显著特征的时间块，从而简化循环神经网络模块的模型复杂度，提高网络特征提取与训练的效率。
3）注意力回归定位网络：
将局部时序注意力机制融入循环神经网络中，使用注意力机制精确提取不同传感器通道之间结构动态响应中的时空特征。通过回归网络预测叶片的具体冲击位置。在输入到状态和状态到状态的转换中同时使用局部时序注意力机制完成精确的时空特征提取。
4）动态冲击实时定位：
局部时序注意力混合神经网络模型被用来处理有限数量的传感器测量信号，首先在仿真数据集上完成离线训练，然后在真实风机上进行实时冲击叶片和冲击位置定位，取得了较高的定位精度，为风机叶片冲击的动态检测提供了新的方案。
实施例一
本实施例公开了基于注意力混合神经网络的风机叶片冲击定位方法。
如图4所示，基于注意力混合神经网络的风机叶片冲击定位方法，包括以下步骤：
获取所有叶片上的振动信号；
将所有叶片上的振动信号输入至注意力混合神经网络中，利用其中的注意力分类识别网络的局部时序注意力机制提取振动信号每个时刻的特征，并完成任务识别，预测受到冲击的叶片；
将预测的受到冲击的叶片上的振动信号分别输入至注意力回归定位网络和自适应决策网络中，在注意力回归定位网络中，将输入的振动信号分为多个时间块，利用局部时序注意力机制提取每个时间块的特征，并将每个时间块注意力机制的输出连接一个注意力循环神经网络；在自适应决策网络中，对每个时间块的特征的重要性进行决策，将需要的时间块的特征输入到注意力循环神经网络中，将不需要的时间块的特征清零，通过注意力循环神经网络得到振动信号的时空特征向量，进而得到定位距离；
基于预测的受到冲击的叶片和定位距离，确定冲击的精准位置。
具体的，本实施例包括：
（1）数据生成
1.1 仿真数据生成
本实施例采用有限元建模方法对目标风力发电机进行建模，并使用该方法进行动态响应仿真，可以对风机结构的各个构件进行仿真以研究不同冲击位置和强度下的结构动态响应：
首先，建立目标风机的有限元模型，将风机结构分解为有限元单元。然后，对有限元模型进行结构时程分析，产生在不同冲击位置和冲击强度条件下的仿真结构响应信号。
通过以上方式，利用有限元模型中设置的不同冲击位置信息作为受冲击叶片识别标签与冲击位置定位标签，将产生的相应冲击响应作为数据样本，从而解决真实风机冲击数据样本难以获取的问题。
本研究中将冲击载荷下结构动态响应数据作为样本，以受冲击叶片编号和叶片冲击位置距风机中心的距离作为标签生成仿真数据。如图1所示，三个三轴振动传感器分别设置在三个风机叶片各自的中点位置上：三轴振动传感器一2设置在叶片一1的中点位置，三轴振动传感器二4设置在叶片二3的中点位置，三轴振动传感器三6设置在叶片三5的中点位置，传感器记录的响应被用作源数据用来定位未知的冲击载荷位置。
冲击定位坐标系如图2所示，以风机某一叶片为例，冲击定位坐标系的起点设置为导流罩中心7位置，冲击定位坐标系的终点设置为该叶片末端8位置。对于任意某个位置（例如位置9处）的冲击载荷来说，其冲击位置9由通过该位置到坐标系起点位置（导流罩中心7）的叶片冲击定位距离10来定义。
1.2 真实数据采集
为了验证所提出方法在真实风机上的定位效果，通过实验对叶片进行冲击，并采集真实冲击响应数据。
风机真实数据采集装置如图3所示，针对叶片定位坐标系，实验中从风机中心到叶片末端8进行刻度标记。利用大功率风扇13推动风力发电机旋转，利用冲击球发射器11通过随机的方式对叶片刻度标记处的位置发射冲击球12，产生冲击载荷。记录瞬时冲击后产生的振动传感器信号作为真实数据样本，记录受冲击叶片的编号与具体冲击位置9为真实数据标签。在风机不同转速下随机采集多次真实冲击数据，并组成真实数据集用于后续的模型性能测试。
（2）模型结构
本研究提出的局部时序注意力混合神经网络模型主要由注意力分类识别网络、自适应决策网络/>和注意力回归定位网络/>三个子网络组成，完整的模型结构如图4所示。
2.1注意力分类识别网络
为提升风机叶片冲击动态响应数据的利用效率，注意力分类识别网络用于确定受到冲击的风机叶片。所提出的注意力分类识别网络主要由局部时序注意力层组成，其可以自适应地调节多通道振动信号输入的特征权重，从而提取出显著的分类特征。
针对安装于风机叶片上的共三个各具有三个通道（三轴）的，在一段时间/>内采集到的振动信号为/>，并得到受冲击叶片的分类标签/>，所有样本及其标签共同组成分类仿真数据集。对于输入数据/>对应的时间变量/>，/>表示/>时刻的数据。定义一个局部时序指示变量/>，该指示变量可以确定一个时间范围/>，该时间范围对应了一组输入矩阵/>，该矩阵包含了用于进行局部时序注意力权重分配操作的数据范围。
针对时刻的输入数据/>，对其局部时序矩阵/>内每个矩阵元素/>分别计算其对应的注意力权重/>，可以表示为下面的形式：
其中，Softmax为归一化指数函数，表示拼接函数，用于聚合输入/>和/>的相似性评价向量，然后经由/>函数输出。
利用该注意力权重可以进一步计算权重化后得到的特征向量,具体公式如下所示：
这里的是Hadamard乘积，/>与/>为线性特征映射函数，最终产生针对/>时刻的从局部时序矩阵/>提取到的特征向量/>。
每个时刻经过上述局部时序注意力机制提取到的特征/>具有对冲击定位任务有效的时空特征信息，综合每个时刻得到的/>为总的输出特征/>。将此信息输入给两层全连接网络，利用全连接网络提取到的特征向量完成识别任务，输出分类概率分布表示为：
这里的中每个值表示属于三个不同风机叶片的分类概率。对/>采用函数得到最终识别出的分类类别/>：
分类类别指向了受到冲击叶片的编号，在判断出哪个叶片受到冲击后，可以选择受到冲击叶片上的传感器信号作为回归定位网络的输入数据。
2.2 注意力回归定位网络
注意力回归定位网络用于确定叶片冲击位置，主要由局部时序注意力机制和注意力循环神经网络模块组成，提取拟合特征并用于冲击位置预测。针对风机叶片上的一个具有三个通道（三轴）的振动传感器，在一段时间/>内采集到的振动信号为/>，并得到冲击位置距离风机中心点距离的定位标签/>，所有样本及其标签共同组成回归仿真数据集。注意力回归定位网络/>可以有效地学习结构动态响应数据与对应冲击位置的内在交互规律。
该网络首先将输入数据在时间维度/>上均分为/>个时间块，每一个时间块可以表示为/>，/>。在每一个时间块中，针对/>时刻的输入数据/>，类比注意力分类识别网络，再次利用局部时序注意力机制提取数据中的特征向量，得到经过局部时序注意力加权后的特征/>。此时，局部时序注意力机制/>与得到的加权特征/>可以由下式计算得到：
其中,代表Hadamard乘积，/>,/>为特征映射函数，综合每个时刻得到的/>为总的输出特征/>。
为处理时序深度特征，虽然传统的全连接长短期记忆神经网络处理时间相关性很有效，但是它对空间数据的处理能力不足，无法对空间信息进行编码,所以无法精准地处理在时间和通道维度都具有复杂相关性的冲击响应数据。
本研究将传统的长短期记忆神经网络LSTM扩展为从输入到状态、从状态到状态转换中都有局部时序注意力机制的注意力循环神经网络, 用局部时序注意力机制来代替之前的LSTM中的全连接操作，具体的公式如下所示：
其中，、/>和/>分别为输入门、遗忘门和输出门，/>和/>分别为n时刻和n-1时刻的隐藏单元，/>和/>分别为n时刻和n-1时刻的记忆单元，公式中所有的/>表示对特征采用局部注意力机制进行计算，/>为对应位相乘，/>和tanh为激活函数，/>为偏置，/>为第/>个时间块的注意力循环神经网络模块的输入。
以上注意力循环神经网络模块的最后一个时间步输出为最终提取到的传感器数据的时空特征向量，将其输入给一个全连接层/>，最终得到回归定位网络输出的定位距离/>。
2.3 自适应决策网络
由于冲击是一个瞬态事件，所以冲击发生的时间范围内不同时段的信息含量不同。注意力回归定位网络通过一个自适应决策网络/>，对/>个时间块提取到的注意力特征/>的重要性进行决策，决定局部时序注意力循环神经网络的输入情况，针对每个输入样本找到最优的时序块输入组合。
根据输入数据，自适应决策网络/>用于决定哪些时间块的注意力特征/>被输入到下一步的注意力循环神经网络模块中，哪些时序块被清零而不参与时序特征的提取。该网络以/>为输入，具体构成由下式所示：
其中，为矩阵拼接函数，/>为决策采样函数。经过决策网络得到的决策矩阵为/>,其中/>对应第/>个时序块处选择的输入通路，0表示输入零矩阵，1表示输入注意力矩阵，/>和/>分别为映射/>和/>的矩阵权重。
于是第个时间块的注意力循环神经网络模块的输入/>可以表示为：
该公式表明对于第个时序块，若其被决策网络判断为无效输入，则其对应的注意力循环神经网络模块的输入将被设置为零矩阵。
此外，由于决策网络的输出是离散的不可微分的，使用决策采样函数来对其输出进行采样产生决策。/>函数是从参数化分类分布中提取样本的简单有效的方法，经过此步处理后得到的/>可以进行反向传播，于是就可以对策略网络和分块与时序特征提取网络/>进行联合训练。
（3）模型实施
所提出的基于注意力混合神经网络模型的整体训练过程如图5所示。整个网络框架其实是由分类网络和回归网络两个独立的网络组成，所以在模型训练时对分类网络和回归网络依次分别进行训练。
在训练分类网络时，损失函数定义为关于预测类别和真实类别的交叉熵损失：
其中为一个批次的样本数目，/>为标签值，/>为网络输出值，/>为自然对数函数。
在训练回归网络时，损失函数定义为预测距离位置和真实距离的均方误差:
其中表示定位标签值，/>表示回归网络预测值。
使用Adam优化方法调整网络权重和偏置来最小化以上和/>这两个损失函数。
如图4所示，整个框架包含三部分，注意力分类识别网络、自适应决策网络和注意力拟合定位网络。传感器信号输入给注意力机制，提取到时空特征后输入全连接层，判断叶片类别，得到确定的特定冲击叶片上的传感器数据，将其分别输入自适应决策网络和注意力拟合定位网络。经过自适应决策网络的注意力机制提取到输入数据中的特征信息后，对网络输出进行决策采样得到决策输出。在注意力拟合定位网络中，特定传感器输入数据先被分割为N个时间块，然后每个时间块特征在自适应网络的决策输出指导下以一定概率下分别经过清零矩阵和注意力机制，取最后一个时间步的输出给全连接层来得到具体的位置距离输出。
如图5所示，通过分类仿真数据集对注意力分类识别网络进行训练，得到叶片编号；
通过回归仿真数据集对自适应决策网络和注意力回归定位网络进行训练，分别得到决策矩阵和冲击位置。
所提出的基于注意力混合神经网络模型的测试流程如图6所示。在对模型进行测试时，对于一个仿真或真实数据样本，首先经过训练好的注意力分类识别网络，得到预测的冲击叶片类别，即叶片编号。然后依据此类别对多传感器的输入数据进行筛选，将筛选后的单传感器信号（叶片数据）输入给训练好的自适应策略网络/>获得最优策略组合，然后将最优策略组合输入给训练好的注意力回归网络/>，在策略的指导下预测冲击具体距离。结合前一步判断出来的冲击叶片类别，完成整个冲击事件的精准位置预测，得到冲击位置。
由于不同的冲击样本有较大的响应幅值差异、在风机不同运转速度、不同风力场外部条件情况下传感器采集到信号的模态差异较大，需要对传入的数据利用该样本所有通道下的平均值和标准差进行标准化。通过这种处理来取消由于量纲不同引起的误差，有利于提升网络训练稳定性并促进网络更好的收敛。
整体数据集划分方式如表1所示，分类网络和回归网络括号中三个值分别代表样本个数、时间序列长度和通道数目，分类任务使用全部叶片上的数据作为训练集进行监督学习。另外，由于三个叶片可以在结构上可以看作是完全对称的，回归任务仅需使用任一叶片上的数据作为训练集进行监督学习。
表1：数据集划分
整个神经网络的超参数设置如表2所示。
表2中注意力分类识别网络的输入权重维度是指应用于该网络的注意力机制中对输入编码的通道数目，输出权重维度是指对输出编码的通道数目，局部时序指示变量是指注意力的接受域范围大小，全连接隐层维度是指全连接层的中间层大小。
表2中自适应决策网络的输入权重维度是指应用于该网络的注意力机制中对输入编码的通道数，输出权重维度是指对输出编码的通道数，局部时序指示变量是指注意力的接受域范围大小。
表2中注意力回归定位网络的时序块数目是指对整个时间序列平均切分的块数，循环神经网络堆叠层数是指循环神经网络的深度，循环神经网络输入权重维度是指对输入编码的通道数目，输出权重维度是指对输出编码的通道数目，全连接隐层维度是指全连接层的中间层大小。
通过网格化搜索来找到使网络性能最佳的超参数：
注意力分类识别网络的输入权重维度的设置值为2、4和8，确定的最优值为4；注意力分类识别网络的输出权重维度的设置值为8、10、12、16，确定的最优值为16；注意力分类识别网络的局部时序指示变量的设置值为2、3、5、7，确定的最优值为3；注意力分类识别网络的全连接隐层维度的设置值为16、32、64，确定的最优值为32。
自适应决策网络的输入权重维度的设置值为2、4、8，确定的最优值为4；自适应决策网络的输出权重维度的设置值为8、10、12、16，确定的最优值为16；自适应决策网络的局部时序指示变量的设置值为2、3、5、7，确定的最优值为3。
注意力回归定位网络的时序块数目的设置值为2、5、10，确定的最优值为5；注意力回归定位网络的循环神经网络堆叠层数的设置值为1、2、3，确定的最优值为1；注意力回归定位网络的循环神经网络输入权重维度的设置值为2、4、8，确定的最优值为4；注意力回归定位网络的循环神经网络输出权重维度的设置值为8、12、16、32，确定的最优值为32；注意力回归定位网络的全连接隐层维度的设置值为16、32、64，确定的最优值为16。
表2：神经网络超参数设置
（4）实验验证
4.1整体框架验证
为了验证所提出模型的实验效果，在仿真数据和真实数据上对整体模型分别进行了测试。对分类网络使用分类准确率来评估模型精度，分类准确率是指正确分类的样本在所有测试样本中所占的比例：
上式中和/>分别表示测试集中将正类预测为正类样本数和将负类预测为负类样本数，/>表示测试集所有样本的个数。
使用定位误差平均值和标准差来评估回归模型精度，定位误差平均值为所有测试样本的定位距离差的绝对值取平均，它衡量了神经网络在测试样本上整体的回归精度，如下式所示：
和/>分别表示测试集中第/>个冲击样本的预测距离和真实距离，/>为预测正确的测试样本总数。定位误差标准差表示误差的离散程度，其在数学上定义为方差和的平方根，如下式所示：
在仿真测试集和真实测试集上分别完成注意力混合神经网络的验证：在仿真测试集上分类准确率为98%,在真实测试集上分类准确率为95%，回归准确率如表3所示。表中的表示误差值的平均值，/>表示误差值的标准差，单位均为米，后面表格中含义相同。
表3：注意力回归定位网络准确率
另外，针对叶片的不同区域进行了更精确的定位性能评估。将叶片按照距风机中心的距离平均分为三个部分(叶片内侧、叶片中部、叶片外侧)，并分别测试了叶片在这三个部分的定位精度，结果汇总在表4中。
表4：注意力回归定位网络叶片不同分区准确率
综合以上，在仿真数据集上冲击定位的平均误差在叶片总体和叶片内侧、中部、外侧三个分区上均小于0.02m；在真实数据集上冲击定位的平均误差在叶片总体和叶片内侧、中部、外侧三个分区上均小于0.04m。相对于实验中长度为0.5m的风机叶片，误差均小于8%，同时标准差均小于0.025m。因此，所提出方法的实际定位误差较小，在风机叶片冲击定位应用中具有较高的实用价值。
此外为了验证所提出的策略网络具有针对不同实验样本筛选时间块帮助精简循环神经网络输入数据的能力，将不同测试样本对应的策略输出进行对比，发现策略网络可以学习到冲击发生的时间信息，从而倾向于打开冲击发生时刻所在时间块和下一个时间块处的通路。这是因为主要响应信息存在于这两段时间内，可以提取到对网络预测起决定性作用的特征。而其他时间段内的信息熵较小，选择主动忽略可以加速预测网络的收敛。
4.2 模型消融研究
针对本研究所提出的注意力回归定位网络分别进行了消融实验，以验证各个网络模块的有效性。在冲击定位实验上的对比结果如表5所示，其中模型A表示用消去局部时序注意力特征提取模块的模型；模型B表示消去自适应决策网络的模型；模型C表示用普通长短期记忆网络代替提出的注意力循环神经网络模块，模型D为提出的完整模型。
表5：消融实验对比效果
上表中，去除局部时序注意力特征提取模块、自适应策略网络模块、局部时序注意力循环神经网络模块中的任意一个都会导致模型整体在仿真数据集和真实数据集上的性能下降。尤其在直接去除自适应决策网络时，模型性能出现了大幅度的下降，证明了该网络模块是模型不可缺少的一部分，它可以帮助后续注意力循环神经网络模块准确地完成回归分析任务。
实施例二
本实施例公开了基于注意力混合神经网络的风机叶片冲击定位系统。
如图7所示，基于注意力混合神经网络的风机叶片冲击定位系统，包括：
信号获取模块，被配置为：获取所有叶片上的振动信号；
任务识别模块，被配置为：将所有叶片上的振动信号输入至注意力混合神经网络中，利用其中的注意力分类识别网络的局部时序注意力机制提取振动信号每个时刻的特征，并完成任务识别，预测受到冲击的叶片；
定位距离获取模块，被配置为：将预测的受到冲击的叶片上的振动信号分别输入至注意力回归定位网络和自适应决策网络中，在注意力回归定位网络中，将输入的振动信号分为多个时间块，利用局部时序注意力机制提取每个时间块的特征，并将每个时间块注意力机制的输出连接一个注意力循环神经网络；在自适应决策网络中，对每个时间块的特征的重要性进行决策，将需要的时间块的特征输入到注意力循环神经网络中，将不需要的时间块的特征清零，通过注意力循环神经网络得到振动信号的时空特征向量，进而得到定位距离；
精准位置获取模块，被配置为：基于预测的受到冲击的叶片和定位距离，确定冲击的精准位置。
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 (6)

1.基于注意力混合神经网络的风机叶片冲击定位方法，其特征在于，包括以下步骤：
获取所有叶片上的振动信号；
将所有叶片上的振动信号输入至注意力混合神经网络中，利用其中的注意力分类识别网络的局部时序注意力机制提取振动信号每个时刻的特征，并完成任务识别，预测受到冲击的叶片；
将预测的受到冲击的叶片上的振动信号分别输入至注意力回归定位网络和自适应决策网络中，在注意力回归定位网络中，将输入的振动信号分为多个时间块，利用局部时序注意力机制提取每个时间块的特征，并将每个时间块注意力机制的输出连接一个注意力循环神经网络；在自适应决策网络中，对每个时间块的特征的重要性进行决策，将需要的时间块的特征输入到注意力循环神经网络中，将不需要的时间块的特征清零，通过注意力循环神经网络得到振动信号的时空特征向量，进而得到定位距离；
基于预测的受到冲击的叶片和定位距离，确定冲击的精准位置；
将所有叶片上的振动信号输入至注意力分类识别网络中，通过局部时序注意力机制提取每个时刻的特征，并完成任务识别，具体包括：
对于输入数据，在时间变量/>时刻定义一个局部时序指示变量/>，确定一个时间范围/>；
根据时间范围，确定对应的局部时序矩阵；
针对时刻的输入数据/>，对/>的局部时序矩阵/>内每个矩阵元素/>分别计算注意力权重/>，其中/>表示/>时刻的数据；
利用注意力权重计算权重化后的特征向量；
综合每个时刻得到的，得到总的输出特征/>；
将此总的输出特征输入至两层全连接网络，利用全连接网络提取到的特征向量完成识别任务，输出分类概率分布；
将预测的受到冲击的叶片上的振动信号分别输入至注意力回归定位网络中，具体包括：
将一段时间内采集到的振动信号为/>在时间维度/>上均分为/>个时间块，每一个时间块表示为/>，/>；
在每一个时间块中，针对时刻的输入数据/>，再次利用局部时序注意力机制提取数据中的特征向量，得到经过局部时序注意力加权后的特征/>；
综合每个时刻得到的为总的输出特征/>；
将传统的长短期记忆神经网络LSTM扩展为从输入到状态、从状态到状态转换中都有局部时序注意力机制的注意力循环神经网络，将总的输出特征输入至注意力循环神经网络中，得到最终提取到的传感器数据的时空特征向量；
将最终提取到的传感器数据的时空特征向量输入至一个全连接层，得到回归定位网络输出的定位距离/>；
自适应决策网络具体构成为：
其中，以为输入，/>为矩阵拼接函数，/>为决策采样函数，经过决策网络得到的决策矩阵为/>,其中/>对应第/>个时序块处选择的输入通路，0表示输入零矩阵，1表示输入注意力矩阵，/>和/>分别为映射/>和/>的矩阵权重；
还包括对注意力混合神经网络进行训练，在模型训练时对注意力分类识别网络和注意力回归定位网络分别进行训练：
在训练注意力分类识别网络时，损失函数定义为关于预测类别和真实类别的交叉熵损失：
其中为一个批次的样本数目，/>为标签值，/>为网络输出值，/>为自然对数函数；
在训练注意力回归定位网络时，损失函数定义为预测距离位置和真实距离的均方误差:
其中表示定位标签值，/>表示回归网络预测值。
2.如权利要求1所述的基于注意力混合神经网络的风机叶片冲击定位方法，其特征在于，注意力权重具体为：
其中，Softmax为归一化指数函数，表示拼接函数，用于聚合输入/>和/>的相似性评价向量。
3.如权利要求1所述的基于注意力混合神经网络的风机叶片冲击定位方法，其特征在于，利用注意力权重计算权重化后的特征向量,具体为：
其中，是Hadamard乘积，/>与/>为线性特征映射函数，最终产生针对/>时刻的从局部时序矩阵/>提取到的特征向量/>。
4.如权利要求1所述的基于注意力混合神经网络的风机叶片冲击定位方法，其特征在于，所述分类概率分布表示为：
其中， ，/>表示属于三个不同风机叶片的分类概率；/>为全连接层；
对采用/>函数得到最终识别出的分类类别/>：
分类类别指向了受到冲击叶片的编号。
5.如权利要求1所述的基于注意力混合神经网络的风机叶片冲击定位方法，其特征在于，注意力循环神经网络的公式为：
其中，、/>和/>分别为输入门、遗忘门和输出门，/>和/>分别为n时刻和n-1时刻的隐藏单元，/>和/>分别为n时刻和n-1时刻的记忆单元，公式中所有的/>表示对特征采用局部注意力机制进行计算，/>为对应位相乘，/>和tanh为激活函数，/>为偏置，/>为第/>个时间块的注意力循环神经网络模块的输入。
6.应用权利要求1-5任一项所述基于注意力混合神经网络的风机叶片冲击定位方法的系统，其特征在于：包括：
信号获取模块，被配置为：获取所有叶片上的振动信号；
任务识别模块，被配置为：将所有叶片上的振动信号输入至注意力混合神经网络中，利用其中的注意力分类识别网络的局部时序注意力机制提取振动信号每个时刻的特征，并完成任务识别，预测受到冲击的叶片；
定位距离获取模块，被配置为：将预测的受到冲击的叶片上的振动信号分别输入至注意力回归定位网络和自适应决策网络中，在注意力回归定位网络中，将输入的振动信号分为多个时间块，利用局部时序注意力机制提取每个时间块的特征，并将每个时间块注意力机制的输出连接一个注意力循环神经网络；在自适应决策网络中，对每个时间块的特征的重要性进行决策，将需要的时间块的特征输入到注意力循环神经网络中，将不需要的时间块的特征清零，通过注意力循环神经网络得到振动信号的时空特征向量，进而得到定位距离；
精准位置获取模块，被配置为：基于预测的受到冲击的叶片和定位距离，确定冲击的精准位置。
CN202310691478.2A 2023-06-13 2023-06-13 基于注意力混合神经网络的风机叶片冲击定位方法及系统 Active CN116428129B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310691478.2A CN116428129B (zh) 2023-06-13 2023-06-13 基于注意力混合神经网络的风机叶片冲击定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310691478.2A CN116428129B (zh) 2023-06-13 2023-06-13 基于注意力混合神经网络的风机叶片冲击定位方法及系统

Publications (2)

Publication Number Publication Date
CN116428129A CN116428129A (zh) 2023-07-14
CN116428129B true CN116428129B (zh) 2023-09-01

Family

ID=87089403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310691478.2A Active CN116428129B (zh) 2023-06-13 2023-06-13 基于注意力混合神经网络的风机叶片冲击定位方法及系统

Country Status (1)

Country Link
CN (1) CN116428129B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446187A (zh) * 2018-10-16 2019-03-08 浙江大学 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN111721450A (zh) * 2020-06-22 2020-09-29 山东大学 一种冲击定位识别装置及方法
CN111721535A (zh) * 2020-06-23 2020-09-29 中国人民解放军战略支援部队航天工程大学 一种基于卷积多头自注意力机制的轴承故障检测方法
CN112629854A (zh) * 2020-11-25 2021-04-09 西安交通大学 一种基于神经网络注意力机制的轴承故障分类方法
CN113639993A (zh) * 2021-08-17 2021-11-12 燕山大学 多模态多任务卷积神经网络的齿轮箱故障诊断方法
CN115458088A (zh) * 2022-09-14 2022-12-09 厦门大学 一种基于卷积神经网络的冲击定位及能量检测方法、系统
WO2023020388A1 (zh) * 2022-03-14 2023-02-23 中国长江三峡集团有限公司 一种齿轮箱故障诊断、信号采集方法、装置和电子设备
CN115859837A (zh) * 2023-02-23 2023-03-28 山东大学 基于数字孪生建模的风机叶片动态冲击检测方法及系统
CN115905976A (zh) * 2022-11-11 2023-04-04 东北林业大学 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备
WO2023056614A1 (zh) * 2021-10-09 2023-04-13 大连理工大学 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法
CN116050476A (zh) * 2023-02-03 2023-05-02 重庆大学 频域增强的全尺度时空融合注意力神经网络和复合材料夹芯板冲击定位方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446187A (zh) * 2018-10-16 2019-03-08 浙江大学 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN111721450A (zh) * 2020-06-22 2020-09-29 山东大学 一种冲击定位识别装置及方法
CN111721535A (zh) * 2020-06-23 2020-09-29 中国人民解放军战略支援部队航天工程大学 一种基于卷积多头自注意力机制的轴承故障检测方法
CN112629854A (zh) * 2020-11-25 2021-04-09 西安交通大学 一种基于神经网络注意力机制的轴承故障分类方法
CN113639993A (zh) * 2021-08-17 2021-11-12 燕山大学 多模态多任务卷积神经网络的齿轮箱故障诊断方法
WO2023056614A1 (zh) * 2021-10-09 2023-04-13 大连理工大学 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法
WO2023020388A1 (zh) * 2022-03-14 2023-02-23 中国长江三峡集团有限公司 一种齿轮箱故障诊断、信号采集方法、装置和电子设备
CN115458088A (zh) * 2022-09-14 2022-12-09 厦门大学 一种基于卷积神经网络的冲击定位及能量检测方法、系统
CN115905976A (zh) * 2022-11-11 2023-04-04 东北林业大学 基于注意力机制的Highway Bi-LSTM轴承故障诊断方法、系统及设备
CN116050476A (zh) * 2023-02-03 2023-05-02 重庆大学 频域增强的全尺度时空融合注意力神经网络和复合材料夹芯板冲击定位方法
CN115859837A (zh) * 2023-02-23 2023-03-28 山东大学 基于数字孪生建模的风机叶片动态冲击检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于混合分布注意力机制与混合神经网络的语音情绪识别方法;陈巧红等;《计算机工程与科学》;第第44卷卷(第第12期期);第2246-2254页 *

Also Published As

Publication number Publication date
CN116428129A (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN111222549B (zh) 一种基于深度神经网络的无人机故障预测方法
CN107677472B (zh) 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法
CN108960303B (zh) 一种基于lstm的无人机飞行数据异常检测方法
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN111444940A (zh) 风机关键部位故障诊断方法
CN112633317A (zh) 基于注意力机制的cnn-lstm风机故障预测方法及系统
CN105572572B (zh) 基于wknn-lssvm的模拟电路故障诊断方法
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
CN104881735A (zh) 用于支撑智慧城市运行管理的智能电网大数据挖掘系统及方法
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN112200237A (zh) 一种结构健康监测系统时序监测数据异常诊断方法
CN115859837B (zh) 基于数字孪生建模的风机叶片动态冲击检测方法及系统
CN106709588A (zh) 预测模型构建方法和设备以及实时预测方法和设备
CN111680875A (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN113125960A (zh) 一种基于随机森林模型的车载锂离子电池荷电状态预测方法
CN111079348B (zh) 一种缓变信号检测方法和装置
Huang et al. Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine
Ye et al. A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring
CN115757103A (zh) 基于树结构的神经网络测试用例生成方法
CN111586728A (zh) 一种面向小样本特征的异构无线网络故障检测与诊断方法
Duan et al. Serial transfer learning (STL) theory for processing data insufficiency: Fault diagnosis of transformer windings
CN117056678B (zh) 一种基于小样本的机泵设备运行故障诊断方法及装置
CN116842459B (zh) 一种基于小样本学习的电能计量故障诊断方法及诊断终端
CN116428129B (zh) 基于注意力混合神经网络的风机叶片冲击定位方法及系统
CN114492150A (zh) 一种基于数字孪生体的配电网典型业务场景预警方法

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
GR01 Patent grant
GR01 Patent grant