CN117705178A - 风电螺栓信息检测方法、装置、电子设备和存储介质 - Google Patents
风电螺栓信息检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117705178A CN117705178A CN202211014548.2A CN202211014548A CN117705178A CN 117705178 A CN117705178 A CN 117705178A CN 202211014548 A CN202211014548 A CN 202211014548A CN 117705178 A CN117705178 A CN 117705178A
- Authority
- CN
- China
- Prior art keywords
- information
- wind power
- power bolt
- historical
- bolt
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 172
- 238000004458 analytical method Methods 0.000 claims abstract description 126
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 37
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000006073 displacement reaction Methods 0.000 claims description 29
- 230000005856 abnormality Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
本公开提供了一种风电螺栓信息检测方法、装置、电子设备和存储介质,涉及风电螺栓检测技术领域。具体实现方案为:获取风电螺栓运行中的多组多维度信息,以获得第一信息集合;对所述第一信息集合进行异常检测,并调整去除所述异常检测获得的异常数据,以获得第二信息集合;将所述第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果,并根据所述输出结果生成所述风电螺栓的运行信息检测结果。由此,可以解决现有技术中螺栓信息检测结果准确性不高、且无法实现对螺栓信息实时检测的技术问题,达到螺栓信息检测结果的准确获得,通过螺栓信息检测结果实现对风电螺栓状态进行摸底,提高风力发电机组的监督管理水平。
Description
技术领域
本公开涉及风电螺栓检测技术领域,尤其涉及一种风电螺栓信息检测方法、装置、电子设备和存储介质。
背景技术
螺栓连接的根本目的是利用螺纹紧固件将被联接件可靠的连接在一起,螺栓连接是风力发电机组装配中的重要装配方式,几乎涉及到风力发电机组的所有部件。
随着近年来陆上及海上风机装机数量的迅速攀升,设备运行过程中如发生螺栓断裂,将威胁机组运行,严重者甚至造成风力发电机组倒塌,其造成的经济损失与社会负面效应难以估量,因此螺栓连接的可靠性和安全性对整个风电机组的正常运行有着至关重要的作用。
目前,现有技术中对螺栓进行检测惯用的是采用人工检验结合需要经验的超声检测方式对螺栓性能进行检测,由于超声波本身容易被干扰等性能造成检测结果准确性不高、且无法实现对螺栓信息的实时检测等缺陷,如何解决上述问题成为目前亟需解决的技术问题。
发明内容
本公开提供了一种用于风电螺栓信息检测方法、装置、电子设备和存储介质。
根据本公开的第一方面,提供了一种风电螺栓信息检测方法,包括:
获取风电螺栓运行中的多组多维度信息,以获得第一信息集合,其中,所述多维度信息包括应力信息和变形信息;
对所述第一信息集合进行异常检测,并调整去除所述异常检测获得的异常数据,以获得第二信息集合;
将所述第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果,并根据所述输出结果生成所述风电螺栓的运行信息检测结果。
根据本公开的第二方面,提供了一种风电螺栓信息检测装置,包括:
第一获取模块,用于获取风电螺栓运行中的多组多维度信息,以获得第一信息集合,其中,所述多维度信息包括应力信息和变形信息;
第二获取模块,用于对所述第一信息集合进行异常检测,并调整去除所述异常检测获得的异常数据,以获得第二信息集合;
生成模块,用于将所述第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果,并根据所述输出结果生成所述风电螺栓的运行信息检测结果。
根据本公开的第三方面,提供了一种移动设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一方面中任一项所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述第一方面中任一项所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述第一方面中任一项所述的方法。
通过本公开可以实现以下有益效果:
本公开实施例中,首先获取风电螺栓运行中的多组多维度信息,以获得第一信息集合,其中,多维度信息包括应力信息和变形信息,然后对第一信息集合进行异常检测,并调整去除异常检测获得的异常数据,以获得第二信息集合,之后将所述第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果,并根据所述输出结果生成所述风电螺栓的运行信息检测结果。由此,可以解决现有技术中螺栓信息检测结果准确性不高、且无法实现对螺栓信息实时检测的技术问题,达到螺栓信息检测结果的准确获得,通过螺栓信息检测结果实现对风电螺栓状态进行摸底,提高风力发电机组的监督管理水平,超前诊断预防安全事故的发生,为相关部件的检修、改造、监督提供技术依据的技术效果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例提供的一种风电螺栓信息检测方法的流程图;
图2是根据本公开实施例提供的一种风电螺栓信息检测方法的流程图;
图3是根据本公开实施例提供的一种风电螺栓信息检测方法的流程图;
图4是根据本公开实施例提供的一种风电螺栓信息检测方法的流程图;
图5是根据本公开实施例提供的一种风电螺栓信息检测装置的结构框图;
图6是用来实现本公开实施例的风电螺栓信息检测方法的电子设备的框图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本公开,而不能理解为对本公开的限制。相反,本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
本公开提供的一种风电螺栓信息检测方法,该方法可以由本公开提供的一种风电螺栓信息检测装置执行,该装置可以由软件和/或硬件的方式实现,也可以由本公开提供的电子设备执行。下面以由本公开提供的风电螺栓信息检测装置来执行本公开提供的一种风电螺栓信息检测方法,而不作为对本公开的限定,以下简称为“装置”。
图1是本公开一实施例提出的风电螺栓信息检测方法的流程示意图,如图1所示:
步骤101,获取风电螺栓运行中的多组多维度信息,以获得第一信息集合,其中,多维度信息包括应力信息和变形信息。
具体而言,本实施例中提供的方法可以应用于基于集成传感器的风电螺栓信息检测系统中,所述系统包括集成检测模块,所述集成检测模块中包含各种传感器以及检测设备,例如,压力传感器、位移传感器、超声波传感器、图像采集设备等。风电螺栓所承受的载荷是多变的动载荷,在这种载荷作用下,螺栓容易发生过载或者疲劳等现象,造成潜在失效隐患,通过系统中的集成检测模块对风电螺栓进行检测,可以获取风电螺栓运行中的多组多维度信息。
其中,风电螺栓为风电机组中的任一螺栓。其中,多维度信息包括应力信息和变形信息,应力信息可以包括螺栓所受到的应力大小、应力方向等信息;变形信息可以包括螺栓的变形量或者螺栓因为变形而产生的裂纹信息等信息;通过集成检测模块实现对螺栓应力信息和变形信息的获得,进而获得第一信息集合,第一信息集合为风电螺栓运行中的多组多维度信息构成的集合。
步骤102,对第一信息集合进行异常检测,并调整去除异常检测获得的异常数据,以获得第二信息集合。
具体而言,异常检测是检测数据是否含有不合常理的数据。为了保证第一信息集合中数据的准确性,需要对第一信息集合进行异常数据检测,其中异常检测的方法可以有多种,例如,均方差、箱形图、DBScan聚类、孤立森林等异常检测方法,将异常数据从第一信息集合中筛选出来并剔除,得到仅包含正常数据的第二信息集合,为后续步骤提供准确的数据支持,排除异常数据对后续操作步骤的干扰,影响最后风电螺栓运行信息监测结果的准确输出。
步骤103,将第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果,并根据所述输出结果生成所述风电螺栓的运行信息检测结果。
具体而言,风电螺栓分析模型是以神经网络模型为基础构建的数学逻辑模型,神经网络(NeuralNetworks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题,能够利用数学数据不断收敛的特性进行分析,进而基于机器学习输出收敛后的信息,在本申请实施例中,风电螺栓分析模型为通过大量的风电螺栓的多组监督数据构成的数据集合进行监督训练获得的数学模型。
可选的,该装置可以首先对构建的风电螺栓分析模型的稳定性进行检测,示例性的,可以通过向风电螺栓分析模型中输入一个历史数据,根据对比该模型的输出结果与历史数据对应的结果相比较,确定该风电螺栓分析模型的稳定性,如果稳定性符合预设的要求,则将符合预设要求的风电螺栓分析模型作为可用的风电螺栓分析模型,用于后续数据的处理,获得风电螺栓的运行信息检测结果。
具体而言,在将第二信息集合输入至风电螺栓分析模型之后,得到的输出结果可以为螺栓的剩余使用寿命或者螺栓出现失效的概率等结果、以及螺栓当前的工作状态的良好程度。
也即是说,在向风电螺栓分析模型中输入调整后的第二信息集合之后,训练完成的风电螺栓分析模型可进行分析处理预测输出与第二信息集合相匹配的输出结果,根据输出结果获得运行信息检测结果。通过风电螺栓分析模型、调整后的第二信息集合达到实时准确的获得运行信息检测结果,通过螺栓的运行信息检测结果实现对风电螺栓状态进行摸底,提高风力发电机组的监督管理水平,超前诊断预防安全事故的发生,为相关部件的检修、改造、监督提供技术依据的技术效果。
本公开实施例中,首先获取风电螺栓运行中的多组多维度信息,以获得第一信息集合,其中,多维度信息包括应力信息和变形信息,然后对第一信息集合进行异常检测,并调整去除异常检测获得的异常数据,以获得第二信息集合,之后将第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果,并根据所述输出结果生成所述风电螺栓的运行信息检测结果。由此,可以解决现有技术中螺栓信息检测结果准确性不高、且无法实现对螺栓信息实时检测的技术问题,达到螺栓信息检测结果的准确获得,通过螺栓信息检测结果实现对风电螺栓状态进行摸底,提高风力发电机组的监督管理水平,超前诊断预防安全事故的发生,为相关部件的检修、改造、监督提供技术依据的技术效果。
图2是根据本公开实施例提供的一种风电螺栓信息检测方法的流程图;
如图2所示,所述方法包括:
步骤201,获取风电螺栓运行中的多组多维度信息,以获得第一信息集合,其中,多维度信息包括应力信息和变形信息。
需要说明的是,步骤201的具体实现方式可以参照上述实施例,在此不进行赘述。
步骤202,获取风电螺栓的第三信息集合,其中,第三信息集合为风电螺栓的历史运行参数集合。
步骤203,获取第三信息集合内的历史应力信息集合和历史变形信息集合。
具体而言,为了降低在数据采集过程中由于不可避免的误差导致出现的异常数据对风电螺栓的运行信息检测结果的影响,对第一信息集合进行异常检测。
大数据中记载着风电机组在运行中可能涉及的历史运行参数数据,基于大数据,获得采集风电螺栓多维度信息此前多个历史时刻的风电螺栓的多个多维度信息,获得第三信息集合,也即历史运行参数集合,进而获得所述历史运行参数集合内的历史应力信息集合和历史变形信息集合,例如可通过集成传感器的历史检测日志记录获取。
步骤204,基于历史应力信息集合构建应力信息异常检测树。
作为一种可能实现的方式,该装置可以首先从历史应力信息区间中随机确定第一任一历史应力信息,并基于第一任一历史应力信息构建初始异常检测模型第一级分类节点,然后从历史应力信息区间中随机确定第二任一历史应力信息,并基于第二任一应力信息构建初始异常检测模型第二级分类节点,然后继续依次从应力信息区间中随机确定任一历史应力信息,并基于任一历史应力信息构建初始异常检测模型的其他分类节点,然后从第一级分类节点、第二级分类节点以及其他分类节点中设置异常数据输出节点,并生成构建好的初始异常检测模型。
具体而言,第一任一历史应力信息为从历史应力信息集合第一次随机选择获得的任一历史应力信息,将第一任一历史应力信息作为构建初始异常检测模型的第一级分类节点,通过第一级分类节点分割所述历史应力信息集合进行二分类;从所述历史应力信息集合随机选择获得一历史应力信息,获得第二任一历史应力信息,采用第二任一历史应力信息构建所述应力信息异常检测树的第二级分类节点;重复构建初始异常检测模型的其他分类节点;根据其他分类节点,设置所述应力信息异常输出节点,获得所述应力信息异常检测树,通过递归地对历史应力信息集合进行分割,每一步分割,都包含特征和分割值,直至生成初始异常检测模型,其可以为一种应力信息异常检测树。
示例性的,每一步分割都包含特征和分割值,简化的,将应力信息中的应力大小作为每一步分割的分割特征,将作为第一检测节点的历史应力信息中的应力大小作为分割特征,例如,应力大小为100Kgf~500kgf之间,所述分割值可以为100Kgf~500kgf之间的数值,假设选择150Kgf,将特征值小于150Kgf的划分到一个节点中,将特征值大于等于150Kgf的划分到另一个节点中,对所述历史应力信息集合进行二分类,得到两个节点;还以应力大小作为分割特征,将分割值选为450Kgf,对上述得到的两个节点继续进行分割,上述两个节点中其中小于150Kgf的节点按照分割值450Kgf进行分割将无法分割成为叶子节点,另外一个节点为内部节点,按照分割值为450Kgf,可以继续将小于450Kgf的划分到一个节点中,将大于等于450Kgf的划分到另一个节点中,以此类推,获得应力信息异常检测树,将检测树中路径长度较短的节点,即应力信息异常输出节点以下节点对应输出的单个数据删除,实现异常数据的清理。
步骤205,基于历史变形信息集合构建变形信息异常检测树。
基于历史变形信息集合,从历史变形信息集合中随机选择一个特征及其分割值,所述分割值位于该特征的最小值和最大值之间,递归的分割历史变形信息集合,每一步分割,都包含特征q和分割值p,将q<p的数据分到一个节点,将q≥p的数据分到另一个节点,最后形成变形信息异常检测树,所述变形信息异常检测树中包含多个节点,将较短路径长度的叶子节点作为异常点,即,所述变形信息异常输出节点,将该变形信息异常输出节点以下节点分割输出的单个数据作为异常数据。在历史变形信息集合中,可认为正常的历史变形信息较为密集,而异常的历史变形信息与正常数据差距较大,形成孤立的数据点,基于此,采用分割值对全部数据进行递归地分割,异常数据更容易被较短路径的节点分割为单个数据,如此,对历史变形信息集合进行无监督的异常数据监测,且准确率较高。
步骤206,合并应力信息异常检测树和变形信息异常检测树,以获得异常检测模型。
步骤207,将第一信息集合输入异常检测模型,以获得异常检测结果。
具体的,可以将应力信息异常检测树和变形信息异常检测树合并构成异常检测模型,利用所述异常检测模型对输入的所述第一运行参数集进行数据处理,获得异常检测数据,通过异常检测模型实现对第一信息集合中异常数据的检测。
步骤208,并调整去除异常检测获得的异常数据,以获得第二信息集合。
步骤209,将所述第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果,并根据所述输出结果生成所述风电螺栓的运行信息检测结果。
需要说明的是,步骤208、209的具体实现方式可以参照上述实施例,在此不进行赘述。
本公开实施例中,首先获取风电螺栓运行中的多组多维度信息,以获得第一信息集合,其中,多维度信息包括应力信息和变形信息,然后获取所述风电螺栓的第三信息集合,其中,所述第三信息集合为所述风电螺栓的历史运行参数集合,然后获取所述第三信息集合内的历史应力信息集合和历史变形信息集合,然后基于所述历史应力信息集合构建应力信息异常检测树,然后基于所述历史变形信息集合构建变形信息异常检测树,然后合并所述应力信息异常检测树和所述变形信息异常检测树,以获得异常检测模型,然后将所述第一信息集合输入所述异常检测模型,以获得异常检测结果,然后并调整去除异常检测获得的异常数据,以获得第二信息集合,然后将所述第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果,并根据所述输出结果生成所述风电螺栓的运行信息检测结果。由此,通过合并所述应力信息异常检测树和所述变形信息异常检测树,从而得到异常检测模型对获取的运行参数集合进行异常检测,排除掉异常的运行参数数据,保证运行参数集合数据的准确性,为后续步骤提供精确地数据支持。
图3是根据本公开实施例提供的一种风电螺栓信息检测方法的流程图;
如图3所示,所述方法包括:
步骤301,获取风电螺栓运行中的多组多维度信息,以获得第一信息集合,其中,多维度信息包括应力信息和变形信息。
步骤302,对第一信息集合进行异常检测,并调整去除异常检测获得的异常数据,以获得第二信息集合。
需要说明的是,步骤301、302的具体实现方式可以参照上述实施例,在此不进行赘述。
步骤303,获取训练数据集。
步骤304,将训练数据集分为训练样本、验证样本和测试样本。
具体而言,大数据中记载着风电机组在运行中可能涉及的历史运行参数数据作为训练数据集,基于训练数据集,获得采集风电螺栓多维度信息此前多个时刻的风电螺栓的多个多维度信息,以及多个多维度信息对应的分析结果作为监督数据构建风电螺栓分析模型,对训练数据集按照预设划分规则划分为训练样本、验证样本以及测试样本,并对样本进行标识,用于进行监督训练和数据识别。
步骤305,基于训练样本对初始风电螺栓分析模型进行训练,以使初始风电螺栓分析模型的初始输出结果达到预设的准确率。
步骤306,基于验证样本和测试样本对初始风电螺栓分析模型分别进行验证和测试,以生成风电螺栓分析模型。
风电螺栓分析模型是以神经网络模型为基础构建的数学逻辑模型,能够利用数学数据不断收敛的特性进行分析,进而基于机器学习输出收敛后的信息;将上述步骤得到的训练样本作为训练数据,对所述风电螺栓分析模型进行监督训练,直到所述风电螺栓分析模型的输出结果收敛或达到预设的准确率,将验证样本和测试样本输入到所述风电螺栓分析模型中,对所述风电螺栓分析模型进行验证和测试,若准确率达到预设要求,风电螺栓分析模型未出现过拟合等情况,则获得所述风电螺栓分析模型,通过训练数据使神经网络模型自身不断地修正、优化,通过监督学习的过程来提高神经网络模型处理所述信息的准确性,实现对风电螺栓运行信息检测结果的准确确定。
步骤307,将训练样本输入风电螺栓分析模型,获得第一输出结果集合。
步骤308,根据第一输出结果集合内历史分析结果的分布比例,获得第一分布。
具体而言,为了保证风电螺栓分析模型的稳定运行,实现模型的可控性,利用训练样本、验证样本和/或测试样本对风电螺栓分析模型的稳定性进行检测。第一分布为利用风电螺栓分析模型,所述训练样本对应的输出结果中所述历史第一分析结果的分布比例,向所述风电螺栓分析模型中输入训练样本,获得第一输出结果结合,根据第一输出结果中不同的所述历史分析结果的分布比例,获得通过训练样本得到的第一分布。
步骤309,将验证样本和/或测试样本输入风电螺栓分析模型,获得第二输出结果集合。
步骤310,根据第二输出结果集合内历史分析结果的分布比例,获得第二分布。
第二分布为利用所述风电螺栓分析模型,验证样本和/或测试样本对应的输出结果中历史分析结果的分布比例,向风电螺栓分析模型中输入验证样本和/或测试样本,获得第二输出结果集合,根据第二输出结果中所述历史分析结果的分布比例,获得验证样本和/或所述测试样本得到的第二分布。
步骤311,根据第一分布和第二分布,确定风电螺栓分析模型的稳定值。
其中,Pi为所述第一分布内第i种历史第一分析结果占比,Qi为所述第二分布内第i种历史第一分析结果标识信息的占比,n为第一分布和第二分布内不同历史第一分析结果的数量,R为稳定值。
需要说明的是,若稳定值大于预设阈值,则说明风电螺栓分析模型的稳定程度高,可用性很强。
步骤312,将第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果,并根据所述输出结果生成所述风电螺栓的运行信息检测结果。
需要说明的是,步骤312的具体实现方式可以参照上述实施例,在此不进行赘述。
本公开实施例中,本申请实施例通过比较训练样本的结果分布与验证样本和/或测试样本的结果分布实现了对风电螺栓分析模型的稳定性分析,保证构建的风电螺栓分析模型能够稳定运行,使风电螺栓分析模型作为螺栓运行状态风控模型的稳定性和可靠性更高。
图4是根据本公开实施例提供的一种风电螺栓信息检测方法的流程图;
如图4所示,所述方法包括:
步骤401,获取风电螺栓运行中的多组多维度信息,以获得第一信息集合,其中,多维度信息包括应力信息和变形信息。
步骤402,对第一信息集合进行异常检测,并调整去除异常检测获得的异常数据,以获得第二信息集合。
步骤403,将第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果。
需要说明的是,步骤401、402、403的具体实现方式可以参照上述实施例,在此不进行赘述。
步骤404,获得风电螺栓的历史角度位移信息集合。
具体而言,从历史大数据信息中心采集获得此前风电螺栓的多个角度位移信息构成历史角度位移信息集合。
步骤405,采用所述历史角度位移信息集合对所述风电螺栓分析模型进行增量学习,以获得训练后的风电螺栓分析模型。
风电螺栓分析模型是基于所述多个多维度信息进行机器学习获得的对应评估模型,由于历史角度位移信息集合需要结合所述风电螺栓分析模型的旧训练数据以完成综合的增量学习结果,因此,将所述历史角度位移信息集合进行增量学习后能够保留风电螺栓分析模型的基础性能,并且完成对应的增量学习,进而获得训练后的风电螺栓分析模型。
作为一种可能实现的方式,该装置可以将历史角度位移信息集合内的历史角度位移信息输入风电螺栓分析模型,以获得评估结果,之后根据评估结果进行数据损失分析,获得损失数据并采用所述损失数据对所述风电螺栓分析模型进行训练。
具体而言,评估结果是基于所述历史角度位移信息集合在所述风电螺栓分析模型中进行风电螺栓运行信息获得的对应预测差异系数,由于所述经训练损失数据是代表所述风电螺栓分析模型对于所述历史角度位移信息集合的相关知识的损失数据,再基于所述损失数据完成对所述风电螺栓分析模型的增量学习,其中,增量学习是指一个学习系统能不断地从新样本中学习新的知识,并能保存大部分以前已经学习到的知识。增量学习非常类似于人类自身的学习模式。随着数据库以及互联网技术的快速发展和广泛应用,社会各部门积累了大量数据。进一步的,所述风电螺栓分析模型是多个神经元相互连接组成构成神经网络获得的,因此,通过损失数据的训练使得所述经训练的风电螺栓分析模型保留了所述风电螺栓分析模型基本功能,并维持模型不断更新的性能,从而提高了业务评估准确性,保证更新业务能力评估准确性的技术效果。
步骤406,获取风电螺栓运行中的角度位移信息。
其中,角度位移信息可以为当前风电螺栓运行时检测得到的信息。
步骤407,将所述角度位移信息输入训练后的风电螺栓分析模型,获得分析结果。
步骤408,根据所述输出结果和所述分析结果生成风电螺栓的运行信息检测结果。
其中,所述训练后的风电螺栓分析模型为通过增量学习更新获得的模型,将利用集成检测模块获取的风电螺栓运行中的角度位移信息输入增量学习后的经训练的风电螺栓分析模型中,进而获得分析结果,所述分析结果为利用所述历史角度位移信息集合进行增量学习后模型输出结果的分析结果,即,所述风电螺栓的运行信息检测结果。
本公开中,可以将输出结果和分析结果共同作为风电螺栓的运行信息检测结果。通过所述增量学习后获得的所述经训练的风电螺栓分析模型并不需要重建所有的知识库,而是在原有知识库的基础上,仅对由于新增数据所引起的变化进行更新,通过对新特征的学习,提高分析模型的更新性能,进而达到提高输出结果准确性的技术效果。
本公开实施例中,通过构建风电螺栓分析模型并对该模型的稳定性进行评估,利用稳定性符合要求的风电螺栓分析模型来对调整后的螺栓运行参数进行数据的处理,输出风电螺栓的运行信息检测结果,达到螺栓信息检测结果的准确获得,通过螺栓信息检测结果实现对风电螺栓状态进行摸底,提高风力发电机组的监督管理水平,超前诊断预防安全事故的发生,为相关部件的检修、改造、监督提供技术依据的技术效果。
图5是本公开一实施例提出的风电螺栓状态的检测装置的结构示意图。
如图5所示,该风电螺栓信息检测装置500,包括:第一获取模块510、第二获取模块520和生成模块530。
第一获取模块,用于获取风电螺栓运行中的多组多维度信息,以获得第一信息集合,其中,所述多维度信息包括应力信息和变形信息;
第二获取模块,用于对所述第一信息集合进行异常检测,并调整去除所述异常检测获得的异常数据,以获得第二信息集合;
生成模块,用于将所述第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果,并根据所述输出结果生成所述风电螺栓的运行信息检测结果。
可选的,第二获取模块,包括:
第一获取单元,用于获取所述风电螺栓的第三信息集合,其中,所述第三信息集合为所述风电螺栓的历史运行参数集合;
第二获取单元,用于获取所述第三信息集合内的历史应力信息集合和历史变形信息集合;
第一构建单元,用于基于所述历史应力信息集合构建应力信息异常检测树;
第二构建单元,用于基于所述历史变形信息集合构建变形信息异常检测树;
第三获取单元,用于合并所述应力信息异常检测树和所述变形信息异常检测树,以获得异常检测模型;
第四获取单元,用于将所述第一信息集合输入所述异常检测模型,以获得异常检测结果。
可选的,第一构建单元,具体用于:
从所述历史应力信息区间中随机确定第一任一历史应力信息,并基于所述第一任一历史应力信息构建初始异常检测模型第一级分类节点;
从所述历史应力信息区间中随机确定第二任一历史应力信息,并基于所述第二任一应力信息构建所述初始异常检测模型第二级分类节点;
继续依次从所述应力信息区间中随机确定任一历史应力信息,并基于所述任一历史应力信息构建所述初始异常检测模型的其他分类节点;
从所述第一级分类节点、所述第二级分类节点以及所述其他分类节点中设置异常数据输出节点,并生成构建好的所述初始异常检测模型。
可选的,第二获取模块,还包括:
第五获取单元,用于获取训练数据集;
划分单元,用于将所述训练数据集分为训练样本、验证样本和测试样本;
训练单元,用于基于所述训练样本对初始风电螺栓分析模型进行训练,以使所述初始风电螺栓分析模型的初始输出结果达到预设的准确率;
生成单元,用于基于所述验证样本和测试样本对所述初始风电螺栓分析模型分别进行验证和测试,以生成风电螺栓分析模型。
可选的,生成单元,还用于:
将所述训练样本输入风电螺栓分析模型,获得第一输出结果集合;
根据所述第一输出结果集合内历史分析结果的分布比例,获得第一分布;
将所述验证样本和/或所述测试样本输入所述风电螺栓分析模型,获得第二输出结果集合;
根据所述第二输出结果集合内历史分析结果的分布比例,获得第二分布;
根据所述第一分布和所述第二分布,确定所述风电螺栓分析模型的稳定值。
可选的,生成模块,包括:
第六获取单元,用于获得风电螺栓的历史角度位移信息集合;
第七获取单元,用于采用所述历史角度位移信息集合对所述风电螺栓分析模型进行增量学习,以获得训练后的风电螺栓分析模型;
第八获取单元,用于获取风电螺栓运行中的角度位移信息;
第九获取单元,用于将所述角度位移信息输入训练后的风电螺栓分析模型,获得分析结果;
第十获取单元,用于根据所述输出结果和所述分析结果生成风电螺栓的运行信息检测结果。
可选的,第七获取单元,具体用于:
将所述历史角度位移信息集合内的历史角度位移信息输入所述风电螺栓分析模型,以获得评估结果;
根据所述评估结果进行数据损失分析,获得损失数据;
采用所述损失数据对所述风电螺栓分析模型进行训练。
本公开实施例中,首先获取风电螺栓运行中的多组多维度信息,以获得第一信息集合,其中,多维度信息包括应力信息和变形信息,然后对第一信息集合进行异常检测,并调整去除异常检测获得的异常数据,以获得第二信息集合,之后将第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果,并根据所述输出结果生成所述风电螺栓的运行信息检测结果。由此,可以解决现有技术中螺栓信息检测结果准确性不高、且无法实现对螺栓信息实时检测的技术问题,达到螺栓信息检测结果的准确获得,通过螺栓信息检测结果实现对风电螺栓状态进行摸底,提高风力发电机组的监督管理水平,超前诊断预防安全事故的发生,为相关部件的检修、改造、监督提供技术依据的技术效果。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如所述风电螺栓信息检测方法。例如,在一些实施例中,所述风电螺栓信息检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的所述风电螺栓信息检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行所述风电螺栓信息检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种风电螺栓信息检测方法,其特征在于,包括:
获取风电螺栓运行中的多组多维度信息,以获得第一信息集合,其中,所述多维度信息包括应力信息和变形信息;
对所述第一信息集合进行异常检测,并调整去除所述异常检测获得的异常数据,以获得第二信息集合;
将所述第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果,并根据所述输出结果生成所述风电螺栓的运行信息检测结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一信息集合进行异常检测,包括:
获取所述风电螺栓的第三信息集合,其中,所述第三信息集合为所述风电螺栓的历史运行参数集合;
获取所述第三信息集合内的历史应力信息集合和历史变形信息集合;
基于所述历史应力信息集合构建应力信息异常检测树;
基于所述历史变形信息集合构建变形信息异常检测树;
合并所述应力信息异常检测树和所述变形信息异常检测树,以获得异常检测模型;
将所述第一信息集合输入所述异常检测模型,以获得异常检测结果。
3.根据权利要求2所述的方法,其特征在于,所述基于所述历史应力信息集合构建应力信息异常检测树,包括:
从所述历史应力信息区间中随机确定第一任一历史应力信息,并基于所述第一任一历史应力信息构建初始异常检测模型第一级分类节点;
从所述历史应力信息区间中随机确定第二任一历史应力信息,并基于所述第二任一应力信息构建所述初始异常检测模型第二级分类节点;
继续依次从所述应力信息区间中随机确定任一历史应力信息,并基于所述任一历史应力信息构建所述初始异常检测模型的其他分类节点;
从所述第一级分类节点、所述第二级分类节点以及所述其他分类节点中设置异常数据输出节点,并生成构建好的所述初始异常检测模型。
4.根据权利要求1所述的方法,其特征在于,在所述将所述第二信息集合输入预先构建的风电螺栓分析模型之前,还包括:
获取训练数据集;
将所述训练数据集分为训练样本、验证样本和测试样本;
基于所述训练样本对初始风电螺栓分析模型进行训练,以使所述初始风电螺栓分析模型的初始输出结果达到预设的准确率;
基于所述验证样本和测试样本对所述初始风电螺栓分析模型分别进行验证和测试,以生成风电螺栓分析模型。
5.根据权利要求4所述的方法,其特征在于,在所述生成风电螺栓分析模型之后,还包括:
将所述训练样本输入风电螺栓分析模型,获得第一输出结果集合;
根据所述第一输出结果集合内历史分析结果的分布比例,获得第一分布;
将所述验证样本和/或所述测试样本输入所述风电螺栓分析模型,获得第二输出结果集合;
根据所述第二输出结果集合内历史分析结果的分布比例,获得第二分布;
根据所述第一分布和所述第二分布,确定所述风电螺栓分析模型的稳定值。
6.根据权利要求1所述的方法,其特征在于,所述根据所述输出结果生成所述风电螺栓的运行信息检测结果,包括:
获得风电螺栓的历史角度位移信息集合;
采用所述历史角度位移信息集合对所述风电螺栓分析模型进行增量学习,以获得训练后的风电螺栓分析模型;
获取风电螺栓运行中的角度位移信息;
将所述角度位移信息输入训练后的风电螺栓分析模型,获得分析结果;
根据所述输出结果和所述分析结果生成风电螺栓的运行信息检测结果。
7.根据权利要求6所述的方法,其特征在于,所述采用所述历史角度位移信息集合对所述风电螺栓分析模型进行增量学习,包括:
将所述历史角度位移信息集合内的历史角度位移信息输入所述风电螺栓分析模型,以获得评估结果;
根据所述评估结果进行数据损失分析,获得损失数据;
采用所述损失数据对所述风电螺栓分析模型进行训练。
8.一种风电螺栓信息检测装置,其特征在于,包括:
第一获取模块,用于获取风电螺栓运行中的多组多维度信息,以获得第一信息集合,其中,所述多维度信息包括应力信息和变形信息;
第二获取模块,用于对所述第一信息集合进行异常检测,并调整去除所述异常检测获得的异常数据,以获得第二信息集合;
生成模块,用于将所述第二信息集合输入预先构建的风电螺栓分析模型,以获取输出结果,并根据所述输出结果生成所述风电螺栓的运行信息检测结果。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211014548.2A CN117705178A (zh) | 2022-08-23 | 2022-08-23 | 风电螺栓信息检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211014548.2A CN117705178A (zh) | 2022-08-23 | 2022-08-23 | 风电螺栓信息检测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117705178A true CN117705178A (zh) | 2024-03-15 |
Family
ID=90144798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211014548.2A Pending CN117705178A (zh) | 2022-08-23 | 2022-08-23 | 风电螺栓信息检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117705178A (zh) |
-
2022
- 2022-08-23 CN CN202211014548.2A patent/CN117705178A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
US11748227B2 (en) | Proactive information technology infrastructure management | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
CN112415331B (zh) | 基于多源故障信息的电网二次系统故障诊断方法 | |
CN116450399A (zh) | 微服务系统故障诊断及根因定位方法 | |
CN113570138A (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
CN113313304A (zh) | 一种基于大数据决策树的电网事故异常分析方法及系统 | |
CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
CN115392715A (zh) | 一种用电数据风险评估方法、装置、设备及存储介质 | |
CN117705178A (zh) | 风电螺栓信息检测方法、装置、电子设备和存储介质 | |
CN112712305B (zh) | 一种飞行器系统及其健康评估方法和装置 | |
CN113887101A (zh) | 网络模型的可视化方法、装置、电子设备及存储介质 | |
Chen et al. | A multimode anomaly detection method based on oc-elm for aircraft engine system | |
Gelman et al. | Novel anomaly detection technique based on the nearest neighbour and sequential methods | |
CN114580101B (zh) | 一种旋转机械剩余使用寿命预测方法及系统 | |
CN109474445B (zh) | 一种分布式系统根源故障定位方法及装置 | |
CN116127326B (zh) | 一种复合绝缘子检测方法、装置、电子设备及存储介质 | |
CN112884167B (zh) | 一种基于机器学习的多指标异常检测方法及其应用系统 | |
CN117909717A (zh) | 一种基于深度学习和数据挖掘的工程量辅助验收结算方法 | |
CN117251809A (zh) | 电网时序数据异常检测方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |