CN115456012B 风电场风机大部件状态监测系统及其方法 （华能新能源股份有限公司）

本申请公开了一种风电场风机大部件状态构的声发射信号进行格拉姆角和场变换得到的格拉姆角和场图像通过第一卷积神经网络以得的基础结构的振动信号提取的多个频域统计特征向量通过时序编码器以得到频域统计特征向像波形特征向量和所述频域统计特征向量融合得到的振动特征矩阵与所述格拉姆角和场特征就可以对海上风机的结构状态进行更精准地评2域转换单元，用于对所述声发射信号进行格拉姆角和场变换以得到格拉姆角和场图格拉姆角和场图像编码单元，用于将所述格拉姆角和场图像通过经频域时序编码单元，用于将所述多个频域统计特征向量排列为频域过经训练完成的Clip模型的时序编码器以得到频振动波形图编码单元，用于将所述振动信号的波形图通过经训练完成的联合编码单元，用于使用经训练完成的所述Clip模型的联合特征融合单元，用于融合所述格拉姆角和场特征矩阵和监测结果生成单元，用于将所述分类特征矩阵通过分类器以得对所述池化特征图进行非线性激活以生成激其中，所述经训练完成的使用空间注意力机制的第一卷积全连接编码子单元，用于使用所述经训练完成的Clip模型的如下公式对所述频域统计输入向量进行全连接编码以提取出所述频域统计输入向量中各3一维卷积编码子单元，用于使用所述经训练完成的Clip模层以如下公式对所述频域统计输入向量进行一维卷积编码以提取出所述频域统计输入向对所述池化特征图进行非线性激活以得到激其中，所述卷积神经网络的最后一层的输出为所述训练数据获取单元，用于获取训练数据，所述4训练域转换单元，用于对所述训练数据中的声发射信号进行训练格拉姆角和场图像编码单元，用于将所述训练格训练频域时序编码单元，用于将所述多个训练输入向量后通过所述Clip模型的时序编码器以得到训练频域训练振动波形图编码单元，用于将所述训练数据中的振动信训练联合编码单元，用于使用所述Clip模型的联训练特征融合单元，用于融合所述训练格拉姆角和场特分类损失单元，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数分类模式消解抑制损失计算单元，用于计算所述分类器的分类模式消解抑制损失值，训练单元，用于以所述分类模式消解抑制损失值和所损失函数值对所述使用空间注意力机制的第一卷积神经网络和所其中V1和V2分别表示所述振动特征矩阵和所述格拉姆角和场特征矩阵投影后得到的特征向量，M1和M2分别是所述分类器对于所述振动特征矩阵和所述格拉姆角和场特征矩阵投运算表示计算以向量中各个位置的特征值为幂的自然指获取待检测海上风机的基础结构的声发射信对所述声发射信号进行格拉姆角和场变换以得到格拉将所述格拉姆角和场图像通过经训练完成的使用空间注意力机制的第一卷积神经网5将所述多个频域统计特征向量排列为频域统计输入向量后通过经训练完成的Clip模将所述振动信号的波形图通过经训练完成的所述Clip模型的图像编码器以得到图像使用经训练完成的所述Clip模型的联合编码器来融合所述图像波形特征向量和所述将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用6和场变换得到的格拉姆角和场图像通过第一卷积神经网络以得到格拉姆角和场特征矩阵，后通过经训练完成的Clip模型的时序编码器7[0019]将所述格拉姆角和场图像通过经训练完成的使用空间注意力机制的第一卷积神[0021]将所述多个频域统计特征向量排列为频域统计输入向量后通过经训练完成的[0022]将所述振动信号的波形图通过经训练完成的所述Clip模型的图像编码器以得到[0023]使用经训练完成的所述Clip模型的联合编码器来融合所述图像波形特征向量和先将海上风机的基础结构的声发射信号进行格拉姆角和场变换得到的格拉姆角和场图像振动信号提取的多个频域统计特征向量通过时序编码器以得到频域统计特征向量，然后，形特征向量和所述频域统计特征向量融合得到的振动特征矩阵与所述格拉姆角和场特征[0027]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、[0030]图3图示了根据本申请实施例的风电场风机大部件状态监测系统中所述频域统计8[0031]图4图示了根据本申请实施例的风电场风机大部件状态监测系统中所述频域时序[0032]图5图示了根据本申请实施例的风电场风机大部件状态监测系统中进一步包括的[0034]图7图示了根据本申请实施例的风电场风机大部件状态监测方法的系统架构的示子的晶格发生畸变、裂纹加剧以及材料在塑性变形时释放出的一种超高频应力波脉冲信经典笛卡尔坐标系下的所述声发射信号的时间序列迁移到极坐标系上进行表示。GAF可很好地保留原始声发射时序信号的依赖性和相关性，具有和原始声发射信号相似的时序特质。特别地，GAF按照编码所用三角函数的不同可以得到格拉姆角和场(Gramianangular9神经网络来对于所述格拉姆角和场图像进行处理以得到格拉了更为充分地挖掘出所述振动信号在频域上的这种动态隐含特征来表达所述被检测对象号的结构特征和所述振动信号的振动规律特征来进行所述海上风机的基础结构状态评估。于表示待检测海上风机的基础结构的状态是否[0048]其中V1和V2分别表示所述振动特征矩阵和所述格拉姆角和场特征矩阵的特征向量，M1和M2分别是所述分类器对于所述振动特征矩阵和所述格拉姆角和场特征矩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频域统计输入向量后通过经训练完成的Clip模型的时序编码器以得到频域统计特征向量；的联合编码器来融合所述图像波形特征向量和所述频域统计特征向量以得到振动特征矩[0051]图1图示了根据本申请实施例的风电场风机大部件状态监测系统的应用场景图。所述声发射信号和所述振动信号输入至部署有风电场风机大部件状态监测算法的服务器法对所述声发射信号和所述振动信号进行处理以生成用于表示待检测海上风机的基础结声发射信号的声学传感器(例如，如图1中所[0055]图2图示了根据本申请实施例的风电场风机大部件状态监测系统的框图示意图。像编码单元130，用于将所述格拉姆角和场图像通过经训练完成的使用空间注意力机制的征向量排列为频域统计输入向量后通过经训练完成的Clip模型的时序编码器以得到频域完成的所述Clip模型的联合编码器来融合所述图像波形特征向量和所述频域统计特征向格拉姆角和场变换以得到格拉姆角和场图像。应可以理解，由于格拉姆角场(Gramian场(Gramianangularsumfield，GASF)和格拉姆角差场(Gramianangulardifference格拉姆角和场图像通过经训练完成的使用空间注意力机制的第一卷积神经网络以得到格机制的第一卷积神经网络来对于所述格拉姆角和场图像进行处理以得到格拉姆角和场特述经训练完成的使用空间注意力机制的第一卷积神经网络的各层在层的正向传递过程中里叶变换子单元141，用于对所述振动信号进行傅里叶变换以得到频域信号；采样子单元统计特征向量排列为频域统计输入向量后通过经训练完成的Clip模型的时序编码器以得为了更为充分地挖掘出所述振动信号在频域上的这种动态隐含特征来表达所述被检测对单元152，用于使用所述经训练完成的Clip模型的时序编码器的全连接层以如下公式对所述频域统计输入向量进行全连接编码以提取出所述频域统计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：Y=W&X+B,其中X是所述频域统计输入向于使用所述经训练完成的Clip模型的时序编码器的一维卷积层以如下公式对所述频域统计输入向量进行一维卷积编码以提取出所述频域统计输入向量中各个位置的特征值间的练完成的所述Clip模型的图像编码器使用卷积神经网络的各层在层的正向传递中对输入述卷积神经网络的第一层的输入为所述振动信号述Clip模型的联合编码器来融合所述图像波形特征向量和所述频域统计特征向量以得到的所述Clip模型的联合编码器以如下公式来融合所述图像波形特征向量和所述频域统计[0072]M=H8V2[0079]其中Project(F)表示将所述分类特征矩阵投影为向量，M1和于对所述使用空间注意力机制的第一卷积神经网络和所述Clip模型进行训练的训练模块所述训练数据包括待检测海上风机的基础结构在预定时间段内的声发射信号和振动信号、练域转换单元202，用于对所述训练数据中的声发射信号进行格拉姆角和场变换以得到训图像通过所述使用空间注意力机制的第一卷积神经网络以得到训练格拉姆角和场特征矩训练频域统计输入向量后通过所述Clip模型的时序编码器以得到训练频域统计特征向量；训练振动波形图编码单元206，用于将所述训练数据中的振动信号的波形图通过所述Clip模型的图像编码器以得到训练图像波形特征向量；训练联合编码单元207，用于使用所述Clip模型的联合编码器来融合所述训练图像波形特征向量和所述训练频域统计特征向量分类特征矩阵通过所述分类器以得到分类损失函数值；分类模式消解抑制损失计算单元值与所述振动特征矩阵和所述格拉姆角和场特征矩阵投影得到的特征向量之间的差分特所述分类损失函数值的加权和作为损失函数值对所述使用空间注意力机制的第一卷积神[0083]其中V1和V2分别表示所述振动特征矩阵和所述格拉姆角和场特征矩阵的特征向量，M1和M2分别是所述分类器对于所述振动特征矩阵和所述格拉姆角和场特征矩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海上风机的基础结构的声发射信号进行格拉姆角和场变换得到的格拉姆角和场图像通过征向量和所述频域统计特征向量融合得到的振动特征矩阵与所述格拉姆角和场特征矩阵[0086]如上所述，根据本申请实施例的所述风电场风机大部件状态监测系统100可以实大部件状态监测系统100同样可以是该终端设备的众多硬动信号的波形图通过经训练完成的所述Clip模型的图像编码器以得到图像波形特征向量；[0090]图7图示了根据本申请实施例的风电场风机大部件状态监测方法的系统架构的示振动信号的波形图通过经训练完成的所述Clip模型的图像编码器以得到图像波形特征向姆角和场图像通过经训练完成的使用空间注意力机制的第一卷积神经网络以得到格拉姆经训练完成的使用空间注意力机制的第一卷积神经网络的最后一层输出的所述特征矩阵频域统计特征向量排列为频域统计输入向量后通过经训练完成的Clip模型的时序编码器使用所述经训练完成的Clip模型的时序编码器的全连接层以如下公式对所述频域统计输入向量进行全连接编码以提取出所述频域统计输入向量中各个位置的特征值的高维隐含码器的一维卷积层以如下公式对所述频域统计输入向量进行一维卷积编码以提取出所述完成的所述Clip模型的联合编码器来融合所述图像波形特征向量和所述频域统计特征向下公式来融合所述图像波形特征向量和所述频域统计特征向量以得到所述振动特征矩阵；练数据包括待检测海上风机的基础结构在预定时间段内的声发射信号和振动信号、以及，格拉姆角和场图像通过所述使用空间注意力机制的第一卷积神经网络以得到训练格拉姆多个训练频域统计特征向量排列为训练频域统计输入向量后通过所述Clip模型的时序编所述分类模式消解抑制损失值和所述分类损失函数值的加权和作为损失函数值对所述使用空间注意力机制的第一卷积神经网络和所述Cl[0106]其中V1和V2分别表示所述振