买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广西大学

摘要：本发明提出一种基于平行系统的风机叶片开裂故障预测方法，该方法包括：对利用数据采集与监视控制系统采集到的风机多维度数据进行数据清洗；在进行数据清洗后，将数据清理后的风机多维度数据按不同模态分为5类生成图像；在生成图像后，将图像输入预设的网络模型，得出预测结果；在得到预测结果后，构建平行风机叶片开裂故障预测系统，选取其中获得最优预测结果的风机叶片开裂故障预测人工系统与风机叶片开裂故障预测实际系统比较运行的差异，再调整优化风机叶片开裂故障预测实际系统的参数，获取更加优化的故障预测结果。本发明能够快速精准地实时预测对应风机叶片一周内是否发生故障，为风电场对风机叶片状态监测检修提供可靠的参考依据。

主权项：1.一种基于平行系统的风机叶片开裂故障预测方法，其特征在于，将Inception-ResnetV2模型、SelfAttention机制和平行系统进行结合，用于风机叶片开裂故障预测，能够更加快速、准确地预测风机叶片一周内是否发生开裂故障以及更早地防止风机叶片因为存在隐患仍继续运行而出现严重的损坏；在使用过程中的步骤为：步骤1：对利用数据采集与监视控制系统采集到的风机多维度数据进行数据清理，包括：格式标准化，错误数据的删除，重复数据的清除以及去掉不变的特征维度；步骤2：在进行数据清理后，将数据清理后的风机多维度数据按不同模态分为多颗粒度、多时间尺度、多源、多层次、多运行工况这5种类型，若经过数据清理和分类后的风机数据维度为m，则选取风机10分钟内产生的实时多维度数据数量为m，生成m×m图像，再缩放为299×299图像，最后将299×299图像与自身叠加以获得299×299×3图像；所述风机多维度数据按模态不同分为多颗粒度、多时间尺度、多源、多层次和多运行工况这5大类，具体分类包括：按多颗粒度分为：叶尖颗粒化数据、叶片外壳颗粒化数据和叶片主梁颗粒化数据；按多时间尺度分为：未来一天每小时精度数据、未来一天每30分钟精度数据和未来一天每10分钟精度数据；按多源分为：叶片状态数据，变频器状态数据，发电机状态数据，变桨电机状态数据，轮毂、驱动和主轴承状态数据以及其他状态参数；按多层次分为：风相关数据、能量相关数据和温度相关数据；按多运行工况分为：停机状态数据、低速状态数据、高速状态数据、最佳叶尖速比阶段数据、恒转速数据和恒功率数据；步骤3：在生成图像后，将图像输入预设的网络模型进行训练，使用均方根传递梯度下降算法对网络模型损失函数的权重w和偏置b进行更新，当误差或迭代次数达到阈值时训练停止，再将测试样本代入训练好的网络，再将5种模态结果加权融合，得出预测结果；所述预设的网络模型包括Inception-ResnetV2模型与SelfAttention机制，所述Inception-ResnetV2用于提取所述生成的299×299×3图像特征；所述SelfAttention机制，用于计算所述图像特征中的权重，得到更新后的图像特征；所述预设的网络模型的具体内容为：输入为299×299×3图像；接入1个Stem模块；再接入5个Inception-Resnet-A模块；再分为2个分支：分支1为1个SelfAttention机制；分支2为未经处理直接输出；再分支1与分支2相乘输出；再接入1个Reduction-A模块；再接入10个Inception-Resnet-B；再分为2个分支：分支1为1个SelfAttention机制；分支2为未经处理直接输出；再分支1与分支2相乘输出；再接入1个Reduction-B模块；再接入1个Inception-Resnet-C模块；再分为2个分支：分支1为1个SelfAttention机制；分支2为未经处理直接输出；再分支1与分支2相乘输出；再依次接入1个AveragePooling层、1个Dropout层、1个Softmax层；最后接入1个classification层，输出预测结果；所述Stem模块结构的具体内容为：输入为299×299×3图像；经过三次3×3的卷积处理；再分为2个分支：分支1为一次3×3的卷积处理；分支2为一次3×3的最大池化处理；分支1与分支2合并；再分为2个分支：分支1为依次经过一次1×1的32通道的卷积处理和一次3×3的32通道的卷积处理；分支2为依次经过一次1×1的64通道的卷积处理、一次7×1的64通道的卷积处理、一次1×7的64通道的卷积处理和一次3×3的96通道的卷积处理；再分支1与分支2合并；再分为2个分支：分支1为一次3×3卷积处理；分支2为一次最大池化处理；最后2分支合并输出；所述Inception-Resnet-A模块结构的具体内容为：输入后分为4个分支：分支1为未经处理直接输出；分支2为一次1×1的32通道的卷积处理；分支3为依次经过一次1×1的32通道的卷积处理和一次3×3的32通道的卷积处理；分支4为依次经过一次1×1的32通道的卷积处理、一次3×3的48通道和一次3×3的64通道卷积处理；再分支2、3、4的结果堆叠后进行一次卷积，与分支1的结果相加；最后输出；所述Reduction-A模块结构的具体内容为：输入后分为3个分支：分支1为一次3×3的最大池化处理；分支2为一次3×3的卷积处理；分支3为依次经过一次1×1的256通道的卷积处理、一次3×3的256通道的卷积处理和一次3×3的卷积处理；再分支1、2、3的结果相加；最后输出；所述Inception-Resnet-B模块结构的具体内容为：输入后分为3个分支：分支1为未经处理直接输出；分支2为一次1×1的192通道的卷积处理；分支3为依次经过一次1×1的128通道的卷积处理、一次1×7的160通道的卷积处理和一次7×1的192通道的卷积处理；再分支2、3的结果堆叠后进行一次卷积，并与分支1的结果相加；最后输出；所述Reduction-B模块结构的具体内容为：输入后分为4个分支：分支1为一次3×3的最大池化处理；分支2为依次经过一次1×1的256通道的卷积处理和一次3×3的卷积处理；分支3为依次经过一次1×1的256通道的卷积处理和一次3×3的卷积处理；分支4为依次经过一次1×1的256通道的卷积处理、一次1×7的256通道和一次7×1的卷积处理；再分支1、2、3、4的结果相加；最后输出；所述Inception-Resnet-C模块结构的具体内容为：输入后分为3个分支：分支1为未经处理直接输出；分支2为一次1×1的192通道的卷积处理；分支3为依次经过一次1×1的192通道的卷积处理、一次1×3的224通道的卷积处理和一次3×1的256通道的卷积处理；再分支2、3的结果堆叠后进行一次卷积，并与分支1的结果相加；最后输出；所述SelfAttention机制结构具体内容为：对于输入的向量X，分别乘上三个通过学习得到的矩阵WQ、WK和WV，得到的Q、K、V三个变量的计算公式分别为：Q＝WQX1K＝WKX2V＝WVX3其中，Q、K和V分别表示Query、Key和Value；Query相当于一个要查询的信息，Key相当于所查询的数据库，Value是查询得到的值；利用softmax得到权重矩阵α的计算公式为： 其中，dK是Key的维度，KT是矩阵K的转置矩阵；用权重矩阵α和V进行加权，得到更新后的图像特征的权重AttentionQ,K,V的计算公式为： 所述的损失函数为均方根误差损失函数，均方根误差损失函数L的计算公式为： 其中，k为样本个数，yi和yi′分别表示第i个样本的真实值和预测值；损失函数的值越小，意味着网络的真实值和预测值越接近；所述均方根传递梯度下降算法的前t次迭代过程累积的权重的梯度平方加权平均第t次迭代更新的权重wt、前t次迭代过程累积的偏置的梯度平方加权平均和第t次迭代更新的偏置bt的计算公式分别为： 其中，t是迭代步数，是前t-1次迭代过程累积的权重的梯度平方加权平均，是前t-1次迭代过程累积的偏置的梯度平方加权平均，α是学习率，是第t-1次迭代的权重的梯度，是第t-1次迭代的偏置的梯度，ε是为了维持数值稳定性而添加的常数，wt-1是第t-1次迭代更新的权重，bt-1是第t-1次迭代更新的偏置，β是衰减因子，代表过去梯度对当前梯度的影响；步骤4：在得到预测结果后，建立4个与风机叶片开裂故障预测实际系统结构一致但网络参数不一样的风机叶片开裂故障预测人工系统；这4个风机叶片开裂故障预测人工系统与风机叶片开裂故障预测实际系统共同构成平行风机叶片开裂故障预测系统；通过风机叶片开裂故障预测人工系统的计算实验，引导风机叶片开裂故障预测实际系统场景的发展和演化，并将风机叶片开裂故障预测实际系统场景的变化实时反馈到风机叶片开裂故障预测人工系统，选取其中获得最优预测结果的风机叶片开裂故障预测人工系统与风机叶片开裂故障预测实际系统比较运行的差异，再调整优化风机叶片开裂故障预测实际系统的参数，获取更加优化的故障预测结果；所述风机叶片开裂故障预测实际系统包括，对利用数据采集与监视控制系统采集到的风机多维度数据进行数据清洗；在进行数据清洗后，将数据清理后的风机多维度数据按不同模态分为5类生成图像；在生成图像后，将图像输入预设的网络模型，得出预测结果。

全文数据：

权利要求：

百度查询： 广西大学 一种基于平行系统的风机叶片开裂故障预测方法