CN117609739B - 基于多点形变数据联合分析的结构在线监测方法 - Google Patents
基于多点形变数据联合分析的结构在线监测方法 Download PDFInfo
- Publication number
- CN117609739B CN117609739B CN202410078957.1A CN202410078957A CN117609739B CN 117609739 B CN117609739 B CN 117609739B CN 202410078957 A CN202410078957 A CN 202410078957A CN 117609739 B CN117609739 B CN 117609739B
- Authority
- CN
- China
- Prior art keywords
- data
- stress
- matrix
- array
- stress data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 133
- 239000011159 matrix material Substances 0.000 claims abstract description 95
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000005856 abnormality Effects 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 40
- 238000012937 correction Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003491 array Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 description 6
- 238000007499 fusion processing Methods 0.000 description 5
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 241001330002 Bambuseae Species 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/20—Measuring force or stress, in general by measuring variations in ohmic resistance of solid materials or of electrically-conductive fluids; by making use of electrokinetic cells, i.e. liquid-containing cells wherein an electrical potential is produced or varied upon the application of stress
- G01L1/22—Measuring force or stress, in general by measuring variations in ohmic resistance of solid materials or of electrically-conductive fluids; by making use of electrokinetic cells, i.e. liquid-containing cells wherein an electrical potential is produced or varied upon the application of stress using resistance strain gauges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/0028—Force sensors associated with force applying means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Analytical Chemistry (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于多点形变数据联合分析的结构在线监测方法,包括:获取塔筒内若干数据采集点所在位置处的应力数据,构建应力矩阵;根据应力矩阵中每个应力数据序列中应力数据的分布情况和每个应力数据的数值得到每个应力数据的初始分布权重;根据应力矩阵中位于同一水平线的不同数据采集点的应力数据序列之间的数据分布差异情况以及每个应力数据的数据分布情况,获得修正分布权重;根据所述修正分布权重和对应的应力数据得到应力矩阵中每个数据采集点的特征数据序列,构成应力特征矩阵,基于应力特征矩阵获得塔筒内的应力数据异常检测结果。使得最终利用应力矩阵获得的异常检测结果更加准确。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于多点形变数据联合分析的结构在线监测方法。
背景技术
塔筒多应用于各种领域,例如,在建筑领域,塔筒通常是指建筑物的塔状结构;在通信领域,塔筒可以指通信塔的结构;在风力发电领域,塔筒是指支持风力涡轮机的塔状结构。塔筒内部的应力应该是相对均匀的,尤其是对于均质材料和均匀受力的情况。但是,在实际中,塔筒内部的应力分布可能受到多种因素的影响,导致应力分布不均匀。例如,在风力发电领域,塔筒在长期运行的过程中,可能会因为不均匀受力、地面沉降、材料变形、螺丝松动、外力冲击等原因出现倾斜、形状变化。这些移位如果在早期发现,是比较容易干预的,且付出的代价较低。如没有及时发现,可能会导致塔筒在强风下失效断裂,叶片和机组报废,损失惨重。因此,对塔筒内部的应力分布情况进行异常检测就显得尤为重要。现有方法常采用异常检测算法对数据进行异常检测,但是塔筒内的应力数据的冗余程度较高,使得该方法的检测结果较不准确。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于多点形变数据联合分析的结构在线监测方法,所采用的技术方案具体如下:
获取塔筒内若干数据采集点所在位置处的应力数据,将每个数据采集点在设定时间段内不同时刻的应力数据构成数据采集点的应力数据序列;所有数据采集点的应力数据序列构成应力矩阵;
根据应力矩阵中每个应力数据序列中应力数据的分布情况和每个应力数据的数值,得到应力矩阵中每个应力数据的初始分布权重;
根据应力矩阵中位于同一水平线的不同数据采集点的应力数据序列之间的数据分布差异情况以及每个应力数据的数据分布情况,对所述初始分布权重进行修正,得到应力矩阵中每个应力数据的修正分布权重;
根据所述修正分布权重和对应的应力数据得到应力矩阵中每个数据采集点的特征数据序列,构成应力特征矩阵,基于应力特征矩阵获得塔筒内的应力数据异常检测结果。
优选地,所述根据应力矩阵中每个应力数据序列中应力数据的分布情况和每个应力数据的数值,得到应力矩阵中每个应力数据的初始分布权重,具体包括:
对应力矩阵中每个应力数据序列进行分段处理得到每个应力数据序列的应力数组;
分别对每个应力数组中的应力数据进行分类获得异常数据簇类和正常数据簇类;
根据应力矩阵中每个应力数组中异常数据簇类和正常数据簇类的应力数据分布情况和每个应力数据的数值,得到应力矩阵中每个应力数据的初始分布权重。
优选地,所述根据应力矩阵中每个应力数组中异常数据簇类和正常数据簇类的应力数据分布情况和每个应力数据的数值,得到应力矩阵中每个应力数据的初始分布权重,具体包括:
对于应力矩阵中任意一个应力数组,根据应力数组中异常数据簇类和正常数据簇类中包含的应力数据的数量之间的差异获得数据分布系数;根据所述数据分布系数、应力数组中异常数据簇类和正常数据簇类中的数据分布差异获得第一特征系数;
对于该应力数组中的任意一个应力数据,根据该应力数据的占比情况得到第二特征系数,根据所述第一特征系数和第二特征系数得到应力数据的初始分布权重,所述第一特征系数和第二特征系数均与初始分布权重呈正相关关系。
优选地,所述初始分布权重的计算公式具体为:
;
;
其中,表示应力数据序列中第i个应力数组中第r个应力数据的初始分布权重,表示应力数据序列中第i个应力数组中第r个应力数据,/>表示应力数据序列中第i个应力数组中包含的应力数据的总数量,/>表示第i个应力数组中正常数据簇类包含的数据数量,/>表示第i个应力数组中异常数据簇类包含的数据数量,/>表示预设的超参数;/>表示应力数据序列中第i个应力数组中第r个应力数据的符号系数,/>表示应力数据序列中第i个应力数组中第r个应力数据所在的聚类簇中所有应力数据的均值,/>表示不包含应力数据序列中第i个应力数组中第r个应力数据的聚类簇中所有应力数据的均值,Norm ( )表示线性归一化函数。
优选地,所述分别对每个应力数组中的应力数据进行分类获得异常数据簇类和正常数据簇类,具体包括:
对于应力矩阵中的任意一个应力数组,利用聚类算法将应力数组中的应力数据分为两个聚类簇,将聚类簇中所有应力数据的均值的最大值对应的聚类簇作为异常数据簇类,将聚类簇中所有应力数据的均值的最小值对应的聚类簇作为正常数据簇类。
优选地,所述对应力矩阵中每个应力数据序列进行分段处理得到每个应力数据序列的应力数组,具体包括:
采集塔筒内每个数据采集点所在位置处在设定时间段内不同时刻的风速数据,对于任意一个数据采集点,利用设定步长对数据采集点对应的所有风速数据进行分割得到风速数据取值区间;对于任意一个风速数据取值区间,将区间内所有风速数据对应时刻下的应力数据构成应力数组。
优选地,所述根据应力矩阵中位于同一水平线的不同数据采集点的应力数据序列之间的数据分布差异情况以及每个应力数据的数据分布情况,对所述初始分布权重进行修正,得到应力矩阵中每个应力数据的修正分布权重,具体包括:
将任意一个数据采集点记为目标采集点,将与目标采集点位于同一水平线的其他数据采集点记为参考采集点;将目标采集点的应力数据序列中任意一个时刻的应力数据记为选定应力数据,分别获取参考采集点的应力数据序列中与选定应力数据相同时刻的应力数据,记为选定参考数据;
将选定应力数据和所有参考采集点对应的选定参考数据按照从小到大的顺序进行排列,构成排列数据序列;根据选定应力数据和每个参考采集点对应的选定参考数据之间的数据差异、以及选定应力数据在排列数据序列中的位置分布情况,得到选定应力数据的修正系数;
将选定应力数据的修正系数与选定应力系数的初始分布权重的乘积的归一化值作为选定应力数据的修正分布权重。
优选地,所述修正系数的计算公式具体为:
;
其中,表示第u个数据采集点在第t个时刻的应力数据的修正系数,为选定应力数据的修正系数;/>表示第u个数据采集点在第t个时刻的应力数据,为选定应力数据;表示选定应力数据的所有选定参考数据的均值,/>表示选定应力数据在排列数据序列中的位置序号,/>表示预设的超参数。
优选地,所述根据所述修正分布权重和对应的应力数据得到应力矩阵中每个数据采集点的特征数据序列,具体包括:
对于应力矩阵中任意一个应力数组,利用应力数组中每个应力数据的修正分布权重对应力数据进行加权求和后再求均值,得到应力数组的特征数据;对于任意一个数据采集点,将数据采集点的应力数据序列中所有应力数组的特征数据构成数据采集点的特征数据序列。
优选地,所述基于应力特征矩阵获得塔筒内的应力数据异常检测结果,具体包括:
利用数据异常检测算法对应力特征矩阵中每个数据采集点的特征数据序列中的特征数据进行异常检测,获得塔筒内的应力数据异常检测结果。
本发明实施例至少具有如下有益效果:
本发明首先采集了塔筒内多个不同位置处的应力数据,并将每个数据采集点所在位置处的应力数据构成序列,以构成应力矩阵进行后续的数据处理。在数据采集阶段考虑了多个不同位置处的应力分布情况,为后续数据分析提供数据基础。然后,对应力矩阵中每个应力数据序列中应力数据的分布情况和每个应力数据的数值,得到应力矩阵中每个应力数据的初始分布权重,充分考虑分析应力矩阵中的应力数据的分布情况以及数据数值获取每个应力数据在后续数据融合过程中权重占比的初始情况。进一步的,考虑到塔筒内部位于同一水平线上不同位置处的应力分布应当较为接近和较为均匀,通过对应力矩阵中位于同一水平线的不同数据采集点的应力数据序列之间的数据分布差异情况以及每个应力数据的数据分布情况进行分析,在初始情况的基础上进行修正操作,获得的修正分布权重更加准确的反映了应力数据在后续进行数据融合过程的占比。最后,根据所述修正分布权重和对应的应力数据得到应力矩阵中每个数据采集点的特征数据序列,利用修正分布权重对应力数据进行数据融合操作,获得每个数据点的特征数据序列,在保留了原始的应力数据的特征的同时,降低了数据的冗余程度,使得最终利用应力特征矩阵获得的异常检测结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明实施例提供的一种基于多点形变数据联合分析的结构在线监测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于多点形变数据联合分析的结构在线监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于多点形变数据联合分析的结构在线监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于多点形变数据联合分析的结构在线监测方法的方法流程图,该方法包括以下步骤:
步骤一,获取塔筒内若干数据采集点所在位置处的应力数据,将每个数据采集点在设定时间段内不同时刻的应力数据构成数据采集点的应力数据序列;所有数据采集点的应力数据序列构成应力矩阵。
在本实施例中,以风电设备的塔筒为例进行说明,为了实现风电设备塔筒的基于多点数据联合分析的结构在线监测的目的,需要在塔筒内部多个不同位置处分别获取应力情况,具体地,在本实施例中在塔筒内部粘贴应变片来获取内部每个数据采集点所在位置处的应力数据。
具体地,在同一水平线上的塔筒内一周粘贴4个应变片,共选择10个不同的水平线位置,每相邻两个水平线位置之间的距离间隔均相等,每个水平线上设置的应变片数量均相等,所有的应变片采集到的数据均汇入应变采集器中,进而每个应变片的所在位置可以理解为一个数据采集点,实施者也可以根据具体实施场景选择其他不同的设置方式,同时也可以采用其他的应力数据采集设备进行塔筒内的应力数据的采集操作。
基于此,获取塔筒内若干数据采集点所在位置处的应力数据,并将每个数据采集点在设定时间段内不同时刻的应力数据构成数据采集点的应力数据序列,在本实施例中,设定时间段的取值为10天,设定时间段内相邻时刻之间的时间间隔为10分钟,实施者也可以根据具体实施场景进行设置。将所有数据采集点的应力数据序列构成应力矩阵,即在本实施例中,位于同一水平线的四个数据采集点的应力数据序列在应力矩阵中位于同一行,可以表示为:
;
其中,表示第一个水平线上第一个数据采集点的应力数据序列,/>表示第一个水平线上第二个数据采集点的应力数据序列,/>表示第一个水平线上第n个数据采集点的应力数据序列,/>表示第二个水平线上第一个数据采集点的应力数据序列,/>表示第二个水平线上第二个数据采集点的应力数据序列,/>表示第二个水平线上第n个数据采集点的应力数据序列,/>表示第m个水平线上第一个数据采集点的应力数据序列,/>表示第m个水平线上第二个数据采集点的应力数据序列,/>表示第m个水平线上第n个数据采集点的应力数据序列,在本实施例中,n的取值为4,m的取值为10。
步骤二,根据应力矩阵中每个应力数据序列中应力数据的分布情况和每个应力数据的数值,得到应力矩阵中每个应力数据的初始分布权重。
在塔筒内每个数据采集点对应的应力数据序列构成的应力矩阵中包含了较长时间不同时刻的历史应力数据,即采集到的数据量较大。同时,在塔筒的内部结构不存在异常情况时,不同时刻的应力数据通常是较为均匀分布的,不会存在较大的差异情况,因此,在正常情况下,应力矩阵中每个数据采集点对应的应力数据存在大量的重复性数据,也即是应力数据的冗余程度较高,从而可能会影响异常数据分析的准确性,基于此,可以通过对每个数据采集点的应力数据的分布情况进行数据融合操作,以便后续针对数据采集点的数据异常情况进行分析。
通过分析应力矩阵中每个数据采集点对应的应力数据序列中应力数据的特征分布情况,获得每个应力数据进行数据融合的权重占比情况。即在塔筒内每个位置处的应力在正常情况下均应当较为接近,且属于较为均匀的分布情况,故在应力矩阵中,应力数据的异常程度越高,该应力数据在进行后续的数据融合过程中的占比应当越大。
基于此,应力矩阵中每个应力数据序列中应力数据的分布情况和每个应力数据的数值进行分析,首先,对应力矩阵中每个应力数据序列进行分段处理得到每个应力数据序列的应力数组,考虑到在塔筒内部的应力数据的分布情况应当较为均匀,故通过设定步长对应力数据进行数据段的划分。
采集塔筒内每个数据采集点所在位置处在设定时间段内不同时刻的风速数据,对于任意一个数据采集点,利用设定步长对数据采集点对应的所有风速数据进行分割得到风速数据取值区间;对于任意一个风速数据取值区间,将区间内所有风速数据对应时刻下的应力数据构成应力数组。
具体地,在本实施例中,考虑到塔筒内同一风力数据下对应的应力数据应当较为接近,故在对应力矩阵中每个数据采集点对应的应力数据序列中的应力数据进行分段处理时,可以考虑变化的风速与应力数据的变化对应关系。具体地,获取每个数据采集点在每个对应时刻的风速,以设定步长对风速进行划分,获取每个风速数据取值区间下对应的应力数据分布情况。
具体地,以一个应力数据序列对应的设定时间段内不同时刻的风速数据为例进行说明,设定步长的取值为0.5,从风速为0开始,每间隔设定步长划分为同一个风速数据取值区间,即第一个风速数据取值区间为,第二个风速数据取值区间为/>,以此类推,直至将所有风速数据划分完停止。每一个风速数据取值区间可以看作为一个等级的风速,获取同一风速数据取值区间内对应时刻的所有应力数据构成一个应力数组,则一个应力数组可以看作是同一风机风速下对应的应力数据。
在其他实施例中,以任意一个应力数据序列为例进行说明,从应力数据的最小值开始,每隔0.5为一个应力数据取值区间,例如应力矩阵中所有应力数据的最小值为,则第一个应力数据取值区间为/>,第二个应力数据取值区间为/>,在一个应力数据序列中,将应力数据取值位于同一个应力数据取值区间的所有应力数据构成一个应力数组,以此类推,直至应力数据序列中所有应力数据均被划分完时停止。每个应力数组反映了应力数据较为接近的数据分布集合。
然后,分别对每个应力数组中的应力数据进行分类获得异常数据簇类和正常数据簇类。具体地,利用K-means聚类算法对应力矩阵中每个数据采集点对应的应力数据序列中的每个应力数组进行分类处理,其中,K的取值为2,也即是聚类簇的数量为2,将每个应力数组中的应力数据划分为两个类别。具体地,对于应力矩阵中的任意一个应力数组,利用K-means聚类算法将应力数组中的应力数据分为两个聚类簇,将聚类簇中所有应力数据的均值的最大值对应的聚类簇作为异常数据簇类,将聚类簇中所有应力数据的均值的最小值对应的聚类簇作为正常数据簇类。
考虑到在塔筒内数据采集点的位置固定,同时同一位置下的风速属于同一等级时。对应的应力数据的取值应当较为接近,然而当对应的应力数组中应力数据越大,对应位置处产生异常的可能性越大,故通过分析每个数据采集点的应力数据序列中的应力数组的异常数据所在的聚类簇和正常数据所在的聚类簇中数据的分布情况,可以获得每个数据采集点对应每个数据的异常可能性大小,并比较正常数据簇类和异常数据簇类中应力数据的个数,如果异常数据簇类中的应力数据个数大于正常数据簇类中应力数据的个数,则表明应力数组中应力数据的特征值要更接近于异常簇所在的数据,对应的异常簇所占的权重值要更大。
基于此,根据应力矩阵中每个应力数组中异常数据簇类和正常数据簇类的应力数据分布情况和每个应力数据的数值,得到应力矩阵中每个应力数据的初始分布权重。
具体地,对于应力矩阵中任意一个应力数组,根据应力数组中异常数据簇类和正常数据簇类中包含的应力数据的数量之间的差异获得数据分布系数;根据所述数据分布系数、应力数组中异常数据簇类和正常数据簇类中的数据分布差异获得第一特征系数;对于该应力数组中的任意一个应力数据,根据该应力数据的占比情况得到第二特征系数,根据所述第一特征系数和第二特征系数得到应力数据的初始分布权重,所述第一特征系数和第二特征系数均与初始分布权重呈正相关关系。
在本实施例中,以任意一个数据采集点对应的应力数据序列中的任意一个应力数组为例进行说明,进而也以该应力数组中的任意一个应力数据为例进行说明,则应力数据的初始分布权重的计算公式可以表示为:
;
;
其中,表示应力数据序列中第i个应力数组中第r个应力数据的初始分布权重,表示应力数据序列中第i个应力数组中第r个应力数据,/>表示应力数据序列中第i个应力数组中包含的应力数据的总数量,/>表示第i个应力数组中正常数据簇类包含的数据数量,/>表示第i个应力数组中异常数据簇类包含的数据数量,/>表示预设的超参数;/>表示应力数据序列中第i个应力数组中第r个应力数据的数据分布系数,/>表示应力数据序列中第i个应力数组中第r个应力数据所在的聚类簇中所有应力数据的均值,/>表示不包含应力数据序列中第i个应力数组中第r个应力数据的聚类簇中所有应力数据的均值,Norm( )表示线性归一化函数。
在本实施例中,为了防止分母取值为0的情况出现,超参数的取值为0.1,实施者可根据具体实施场景进行设置,也可将超参数的取值设置为1。
数据分布系数的取值为1时,表示第i个应力数组内第r个应力数据所处的聚类簇为正常数据簇类,且正常数据簇类中的数据数量大于或等于异常数据簇类中的数据数量,说明此时取值较为正常的数据占比较大,进而正常数据簇类中的数据数量与异常数据簇类中的数据数量之间的差异/>越大,对应的正常数据簇类中应力数据的权重占比应当越大,则属于正常数据簇类的第r个应力数据的权重占比应当越大,也即对应的第一特征系数/>的取值越大,应力数据对应的初始分布权重的取值越大。
数据分布系数的取值为-1时,表示除/>对应的条件外的其他情况,即第i个应力数组内第r个应力数据所处的聚类簇为异常数据簇类,同时异常数据簇类中的数据数量大于正常数据簇类中的数据数量,说明此时取值较为异常的数据占比较大,进而正常数据簇类中的数据数量与异常数据簇类中的数据数量之间的差异/>越大,对应的异常数据簇类中应力数据的权重占比应当越大,则属于异常数据簇类的第r个应力数据的权重占比应当越小,也即对应的第一特征系数/>的取值越小,应力数据对应的初始分布权重的取值越小。
为第二特征系数,反映了第i个应力数组中第r个应力数据在该应力数组中的占比情况,其取值越大说明第r个应力数据对应取值越大,进而说明该应力数据的异常可能性越大,也即对应的初始分布权重的取值越大。
按照相同的计算方法可以获得应力矩阵中每个数据采集点对应的应力数据序列中每个应力数组内的每个应力数据的初始分布权重,应力数据的初始分布权重反映了应力数据在对应数据采集点所在位置处的数据分布的占比情况,初始分布权重的取值越大,在后续进行数据融合的过程中对应的应力数据的权重占比就越大。
步骤三,根据应力矩阵中位于同一水平线的不同数据采集点的应力数据序列之间的数据分布差异情况以及每个应力数据的数据分布情况,对所述初始分布权重进行修正,得到应力矩阵中每个应力数据的修正分布权重。
在计算应力数据的初始分布权重时,仅考虑了位于相同位置的应力数据分布情况以及变化情况,但是在塔筒内部不同位置之间的应力通常也会存在一定的关联性,进而结合同一时刻下不同位置之间的应力分布的差异情况,对每个时刻的应力数据在对应位置处数据分布的占比情况进行修正。
首先,将任意一个数据采集点记为目标采集点,将与目标采集点位于同一水平线的其他数据采集点记为参考采集点;将目标采集点的应力数据序列中任意一个时刻的应力数据记为选定应力数据,分别获取参考采集点的应力数据序列中与选定应力数据相同时刻的应力数据,记为选定参考数据。考虑到在塔筒内位于同一水平线上的位置处应力分布应当较为接近和较为均匀,故在对每个时刻的应力数据在数据融合过程中的占比情况进行修正时,充分考虑同一水平线上不同位置之间的应力数据的差异情况。
将选定应力数据和所有参考采集点对应的选定参考数据按照从小到大的顺序进行排列,构成排列数据序列;根据选定应力数据和每个参考采集点对应的选定参考数据之间的数据差异、以及选定应力数据在排列数据序列中的位置分布情况,得到选定应力数据的修正系数。
在本实施例中,将第u个数据采集点作为目标采集点,将第u个数据采集点对应的应力数据序列中第t个时刻的应力数据记为选定应力数据,进而选定应力数据的修正系数的计算公式可以表示为:
;
其中,表示第u个数据采集点在第t个时刻的应力数据的修正系数,为选定应力数据的修正系数;/>表示第u个数据采集点在第t个时刻的应力数据,为选定应力数据;表示选定应力数据的所有选定参考数据的均值,/>表示选定应力数据在排列数据序列中的位置序号,/>表示预设的超参数。
在本实施例中,为了防止分母取值为0的情况出现,超参数的取值为0.1,实施者可根据具体实施场景进行设置,也可将超参数的取值设置为1。
表示与第u个数据采集点位于同一水平线的其他所有数据采集点在第t个时刻的应力数据的均值,/>反映了选定应力数据与其对应的选定参考数据之间的数据差异情况,选定应力数据与其在同一水平线上同一时刻下的应力数据之间的差异越大,选定应力数据存在异常的可能性越大,对应的修正力度应当越大,即修正系数的取值越大。
反映了选定应力数据在同一水平线上的所有数据分布中的位置分布情况,即选定应力数据以及与其在同一水平线上同一时刻下的应力数据构成的排列数据序列中,每个应力数据的位置序号依次为1、2、3和4,选定应力数据对应的位置序号/>反映了选定应力数据在排列数据序列中的分布情况,其取值越大,说明选定应力数据的取值相对较大,进而存在异常的可能性越大,对应的修正力度应当越大。选定应力数据的修正系数表征了对应力数据在数据融合中的权重占比的修正程度。
进一步的,利用修正系数对应力矩阵中每个应力数据的初始分布权重进行修正,具体地,将选定应力数据的修正系数与选定应力系数的初始分布权重的乘积的归一化值作为选定应力数据的修正分布权重。结合应力数据分布的差异情况,以及不同位置之间的应力数据的分布差异情况,修正分布权重更能够准确的反映应力数据在数据融合时的权重占比情况。
步骤四,根据所述修正分布权重和对应的应力数据得到应力矩阵中每个数据采集点的特征数据序列,构成应力特征矩阵,基于应力特征矩阵获得塔筒内的应力数据异常检测结果。
在应力矩阵中,每个位置处在每个时刻采集到的应力数据均存在对应的修正分布权重,利用修正分布权重对应力数据进行加权,能够实现对数据进行融合,一定程度的保留了应力数据自身的特征分布,同时也对数据进行了融合,降低了采集到的应力数据的冗余程度,以使得后续的数据异常检测结果更加准确。
在本实施例中,对应力矩阵中每个数据采集点对应的应力数据序列中的每一个应力数组进行数据融合,即对于应力矩阵中任意一个应力数组,利用应力数组中每个应力数据的修正分布权重对应力数据进行加权求和后再求均值,得到应力数组的特征数据。
具体地,以任意一个数据采集点对应的应力数据序列中的任意一个应力数组为例进行说明,则应力数组的特征数据的计算公式可以表示为:
;
其中,表示应力数据序列中第i个应力数组的特征数据,/>表示应力数据序列中第i个应力数组中第r个应力数据的修正分布权重,/>表示应力数据序列中第i个应力数组中第r个应力数据,/>表示应力数据序列中第i个应力数组中包含的应力数据的总数量。
利用修正分布权重对应力数据进行加权求和后再求均值,对每个应力数组中的应力数据进行融合,获得的特征数据能够更好的考量了应力数组中每一个应力数据的数据特征情况,使得融合后的特征数据更具特征性,在进行数据融合的同时也保留了数据的真实特征,也降低了数据的冗余程度。
进一步的,每个应力数组均存在对应的特征数据,对于任意一个数据采集点,将数据采集点的应力数据序列中所有应力数组的特征数据构成数据采集点的特征数据序列,进而每个数据采集点的特征数据序列构成了应力特征矩阵。需要说明的是,应力特征矩阵中每个数据采集点对应的特征数据序列,与应力矩阵中每个数据采集点的应力数据序列的位置是一一对应的关系。
最后,基于应力特征矩阵获得塔筒内的应力数据异常检测结果,也即是利用数据异常检测算法对应力特征矩阵中每个数据采集点的特征数据序列中的特征数据进行异常检测,获得塔筒内的应力数据异常检测结果。
在本实施例中,使用COF异常检测算法对特征数据进行异常检测,获得数据异常检测结果后,相关工作人员可以通过排查对应的异常数据所在位置进而对塔筒内部进行检修。在其他实施例中,实施者也可根据具体实施场景选择其他合适的异常检测算法进行数据异常检测处理。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种基于多点形变数据联合分析的结构在线监测方法,其特征在于,该方法包括以下步骤:
获取塔筒内若干数据采集点所在位置处的应力数据,将每个数据采集点在设定时间段内不同时刻的应力数据构成数据采集点的应力数据序列;所有数据采集点的应力数据序列构成应力矩阵;
根据应力矩阵中每个应力数据序列中应力数据的分布情况和每个应力数据的数值,得到应力矩阵中每个应力数据的初始分布权重;
根据应力矩阵中位于同一水平线的不同数据采集点的应力数据序列之间的数据分布差异情况以及每个应力数据的数据分布情况,对所述初始分布权重进行修正,得到应力矩阵中每个应力数据的修正分布权重;
根据所述修正分布权重和对应的应力数据得到应力矩阵中每个数据采集点的特征数据序列,构成应力特征矩阵,基于应力特征矩阵获得塔筒内的应力数据异常检测结果;
所述根据应力矩阵中每个应力数据序列中应力数据的分布情况和每个应力数据的数值,得到应力矩阵中每个应力数据的初始分布权重,具体包括:
对应力矩阵中每个应力数据序列进行分段处理得到每个应力数据序列的应力数组;
分别对每个应力数组中的应力数据进行分类获得异常数据簇类和正常数据簇类;
根据应力矩阵中每个应力数组中异常数据簇类和正常数据簇类的应力数据分布情况和每个应力数据的数值,得到应力矩阵中每个应力数据的初始分布权重;
所述根据应力矩阵中每个应力数组中异常数据簇类和正常数据簇类的应力数据分布情况和每个应力数据的数值,得到应力矩阵中每个应力数据的初始分布权重,具体包括:
对于应力矩阵中任意一个应力数组,根据应力数组中异常数据簇类和正常数据簇类中包含的应力数据的数量之间的差异获得数据分布系数;根据所述数据分布系数、应力数组中异常数据簇类和正常数据簇类中的数据分布差异获得第一特征系数;
对于该应力数组中的任意一个应力数据,根据该应力数据的占比情况得到第二特征系数,根据所述第一特征系数和第二特征系数得到应力数据的初始分布权重,所述第一特征系数和第二特征系数均与初始分布权重呈正相关关系;
所述初始分布权重的计算公式具体为:
;
;
其中,表示应力数据序列中第i个应力数组中第r个应力数据的初始分布权重,/>表示应力数据序列中第i个应力数组中第r个应力数据,/>表示应力数据序列中第i个应力数组中包含的应力数据的总数量,/>表示第i个应力数组中正常数据簇类包含的数据数量,表示第i个应力数组中异常数据簇类包含的数据数量,/>表示预设的超参数;/>表示应力数据序列中第i个应力数组中第r个应力数据的符号系数,/>表示应力数据序列中第i个应力数组中第r个应力数据所在的聚类簇中所有应力数据的均值,/>表示不包含应力数据序列中第i个应力数组中第r个应力数据的聚类簇中所有应力数据的均值,Norm ( )表示线性归一化函数。
2.根据权利要求1所述的一种基于多点形变数据联合分析的结构在线监测方法,其特征在于,所述分别对每个应力数组中的应力数据进行分类获得异常数据簇类和正常数据簇类,具体包括:
对于应力矩阵中的任意一个应力数组,利用聚类算法将应力数组中的应力数据分为两个聚类簇,将聚类簇中所有应力数据的均值的最大值对应的聚类簇作为异常数据簇类,将聚类簇中所有应力数据的均值的最小值对应的聚类簇作为正常数据簇类。
3.根据权利要求1所述的一种基于多点形变数据联合分析的结构在线监测方法,其特征在于,所述对应力矩阵中每个应力数据序列进行分段处理得到每个应力数据序列的应力数组,具体包括:
采集塔筒内每个数据采集点所在位置处在设定时间段内不同时刻的风速数据,对于任意一个数据采集点,利用设定步长对数据采集点对应的所有风速数据进行分割得到风速数据取值区间;对于任意一个风速数据取值区间,将区间内所有风速数据对应时刻下的应力数据构成应力数组。
4.根据权利要求1所述的一种基于多点形变数据联合分析的结构在线监测方法,其特征在于,所述根据应力矩阵中位于同一水平线的不同数据采集点的应力数据序列之间的数据分布差异情况以及每个应力数据的数据分布情况,对所述初始分布权重进行修正,得到应力矩阵中每个应力数据的修正分布权重,具体包括:
将任意一个数据采集点记为目标采集点,将与目标采集点位于同一水平线的其他数据采集点记为参考采集点;将目标采集点的应力数据序列中任意一个时刻的应力数据记为选定应力数据,分别获取参考采集点的应力数据序列中与选定应力数据相同时刻的应力数据,记为选定参考数据;
将选定应力数据和所有参考采集点对应的选定参考数据按照从小到大的顺序进行排列,构成排列数据序列;根据选定应力数据和每个参考采集点对应的选定参考数据之间的数据差异、以及选定应力数据在排列数据序列中的位置分布情况,得到选定应力数据的修正系数;
将选定应力数据的修正系数与选定应力系数的初始分布权重的乘积的归一化值作为选定应力数据的修正分布权重。
5.根据权利要求4所述的一种基于多点形变数据联合分析的结构在线监测方法,其特征在于,所述修正系数的计算公式具体为:
;
其中,表示第u个数据采集点在第t个时刻的应力数据的修正系数,为选定应力数据的修正系数;/>表示第u个数据采集点在第t个时刻的应力数据,为选定应力数据;/>表示选定应力数据的所有选定参考数据的均值,/>表示选定应力数据在排列数据序列中的位置序号,/>表示预设的超参数。
6.根据权利要求1所述的一种基于多点形变数据联合分析的结构在线监测方法,其特征在于,所述根据所述修正分布权重和对应的应力数据得到应力矩阵中每个数据采集点的特征数据序列,具体包括:
对于应力矩阵中任意一个应力数组,利用应力数组中每个应力数据的修正分布权重对应力数据进行加权求和后再求均值,得到应力数组的特征数据;对于任意一个数据采集点,将数据采集点的应力数据序列中所有应力数组的特征数据构成数据采集点的特征数据序列。
7.根据权利要求6所述的一种基于多点形变数据联合分析的结构在线监测方法,其特征在于,所述基于应力特征矩阵获得塔筒内的应力数据异常检测结果,具体包括:
利用数据异常检测算法对应力特征矩阵中每个数据采集点的特征数据序列中的特征数据进行异常检测,获得塔筒内的应力数据异常检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410078957.1A CN117609739B (zh) | 2024-01-19 | 2024-01-19 | 基于多点形变数据联合分析的结构在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410078957.1A CN117609739B (zh) | 2024-01-19 | 2024-01-19 | 基于多点形变数据联合分析的结构在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117609739A CN117609739A (zh) | 2024-02-27 |
CN117609739B true CN117609739B (zh) | 2024-04-05 |
Family
ID=89960120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410078957.1A Active CN117609739B (zh) | 2024-01-19 | 2024-01-19 | 基于多点形变数据联合分析的结构在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117609739B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117968992B (zh) * | 2024-04-01 | 2024-06-04 | 泰富特钢悬架(济南)有限公司 | 一种钢板弹簧用钢板弹性检测装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045998A (zh) * | 2014-08-26 | 2015-11-11 | 国家电网公司 | 可分析复杂工况的输电铁塔杆件应力计算方法 |
WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN116087096A (zh) * | 2023-01-19 | 2023-05-09 | 中车大同电力机车有限公司 | 焊接结构健康监测方法、装置、电子设备及存储介质 |
CN116702074A (zh) * | 2023-05-24 | 2023-09-05 | 同济大学 | 基于小波分解提取压力高频分量的供水管网爆管侦测方法 |
CN116756595A (zh) * | 2023-08-23 | 2023-09-15 | 深圳市森瑞普电子有限公司 | 一种导电滑环故障数据采集监测方法 |
CN116975668A (zh) * | 2023-07-19 | 2023-10-31 | 国能神东煤炭集团有限责任公司 | 巷道围岩的应力状态的确定方法、装置和确定系统 |
-
2024
- 2024-01-19 CN CN202410078957.1A patent/CN117609739B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105045998A (zh) * | 2014-08-26 | 2015-11-11 | 国家电网公司 | 可分析复杂工况的输电铁塔杆件应力计算方法 |
WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN116087096A (zh) * | 2023-01-19 | 2023-05-09 | 中车大同电力机车有限公司 | 焊接结构健康监测方法、装置、电子设备及存储介质 |
CN116702074A (zh) * | 2023-05-24 | 2023-09-05 | 同济大学 | 基于小波分解提取压力高频分量的供水管网爆管侦测方法 |
CN116975668A (zh) * | 2023-07-19 | 2023-10-31 | 国能神东煤炭集团有限责任公司 | 巷道围岩的应力状态的确定方法、装置和确定系统 |
CN116756595A (zh) * | 2023-08-23 | 2023-09-15 | 深圳市森瑞普电子有限公司 | 一种导电滑环故障数据采集监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117609739A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117609739B (zh) | 基于多点形变数据联合分析的结构在线监测方法 | |
CN109751206B (zh) | 风机叶片结冰故障预测方法、装置及存储介质 | |
CN102165187B (zh) | 用于估计和控制风轮机效率的系统 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN107403015B (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
CN113449473B (zh) | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置 | |
CN115358606B (zh) | 一种平缓地形下在役风电场能效评估方法及系统 | |
CN113780375B (zh) | 一种基于数字孪生的虚实交互风电场风力监测系统及应用 | |
CN116400126A (zh) | 一种具有数据处理系统的低压电力箱 | |
CN115828466A (zh) | 一种基于宽核卷积的风机主轴部件故障预测方法 | |
CN114165392A (zh) | 一种风电机组功率异常诊断方法、装置及存储介质 | |
CN114215706A (zh) | 一种风电机组叶片开裂故障预警方法和装置 | |
CN112746934A (zh) | 一种自联想神经网络诊断风机故障方法 | |
CN113777351B (zh) | 一种风电场风速传感器故障诊断方法、装置 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN115977874B (zh) | 基于激光测风雷达的风电机组偏航自适应校准方法及系统 | |
CN113807693A (zh) | 一种基于机载雷达的风电机组发电量优化效果评价方法 | |
CN111141382B (zh) | 一种基于振动的多维度风机叶片自诊断装置及方法 | |
CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 | |
CN115828439A (zh) | 风力发电机组异常损耗的识别方法及装置 | |
CN111561907A (zh) | 一种基于平面倾角测量的塔筒不均匀沉降监测方法 | |
CN111178601A (zh) | 一种基于气象数据后处理的风电机组功率预测方法 | |
CN117905651B (zh) | 一种基于形变分析的结构监测方法 | |
CN117780573A (zh) | 一种多数据融合的风电机组叶轮不平衡实时监测方法 | |
CN117195136B (zh) | 一种电网新能源异常数据监测方法 |
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 |