一种海上风电叶片健康监测方法及系统与流程

本发明涉及海上风电叶片健康监测，更具体地说，它涉及一种海上风电叶片健康监测方法及系统。

背景技术：

1、随着全球能源需求的持续增长和环境保护意识的提高，海上风力发电作为一种清洁、可再生的能源形式，正受到广泛关注，相比于陆地风电场，海上风力发电具有年平均风速更高、风速更稳定的优势。然而，海上风力发电长期暴露在高湿度、强海风、盐雾腐蚀和极端温度变化之下，加速了风力发电叶片的老化和损坏，风力发电叶片作为风力发电机组中关键的结构部件，其运行状态直接影响发电效率和设备安全。因此，为了保障风力发电机组的安全运行，海上风电叶片的健康监测显得尤为重要。

2、现有通过振动传感器采集叶片表面的振动信号来分析叶片是否存在故障，然而，强风或者浪涌引起的振动与叶片故障振动信号存在一定的相似性，积冰或者覆雪也会对叶片的振动产生影响，容易造成误判；此外，还有通过高清摄像机采集叶片表面的图像数据来分析叶片是否存在故障，然而，图像数据只能捕捉叶片表面的缺陷信息，难以发现叶片内部的隐性故障（例如内部裂纹、连接松动等）。

3、因此，亟须一种海上风电叶片健康监测方法以解决上述问题。

技术实现思路

1、本发明提供一种海上风电叶片健康监测方法及系统，解决上述背景技术中的技术问题。

2、本发明提供了一种海上风电叶片健康监测方法，包括以下步骤：

3、步骤s101，采集海上风电叶片所在处的环境数据，并采集海上风电叶片上m个点位的振动数据；

4、环境数据包括：温度、降雨量、降雪量、风速、风向与叶片朝向的夹角；

5、m个点位的振动数据均通过k个时间点的加速度值表示；

6、步骤s102，通过环境数据和m个点位的振动数据对第一神经网络模型进行训练；

7、第一神经网络模型的输入为m个点位的振动数据，输出为海上风电叶片的第一健康状态，第一健康状态包括：叶片正常、叶片积冰和连接松动；

8、步骤s103，在预设时间段t内，按照预设时间间隔t采集海上风电叶片的普通图像和红外图像；

9、步骤s104，对海上风电叶片的普通图像和红外图像进行预处理获得图像序列；

10、图像序列包括n个序列单元，每个序列单元由预处理后的普通图像和红外图像组成，其中n=t/t；

11、步骤s105，将训练完成的第一神经网络模型迁移至第二神经网络模型，并通过图像序列对第二神经网络模型进行训练；

12、第二神经网络模型的输入包括第一神经网络模型的输入，还包括图像序列和环境数据，输出为海上风电叶片的第二健康状态，第二健康状态包括：第一健康状态、表面污渍、表面裂纹、表面腐蚀和内部裂纹；

13、步骤s106，将环境数据、m个点位的振动数据和图像序列输入到训练完成的第二神经网络模型，输出海上风电叶片的第二健康状态。

14、进一步地，点位数量m、振动数据的时间点数量k、预设时间段t和预设时间间隔t均为自定义参数。

15、进一步地，对海上风电叶片的普通图像和红外图像进行预处理获得图像序列，包括以下步骤：

16、步骤s201，将普通图像进行灰度化，并将其与红外图像缩放到统一的预设尺寸，其中预设尺寸为自定义参数；

17、步骤s202，通过高斯滤波对普通图像和红外图像进行降噪处理；

18、步骤s203，通过语义分割模型去除普通图像和红外图像的背景；

19、步骤s204，通过min-max方法对普通图像和红外图像进行归一化处理；

20、步骤s205，随机选择一种数据增强方法对普通图像和红外图像进行数据增强，其中数据增强方法包括：旋转、翻转和平移。

21、进一步地，第一神经网络模型由m个转换层、m个特征提取层、1个序列构建层和1个时序分析层组成；

22、m个转换层用于将m个点位的振动数据转换为马尔可夫矩阵；

23、m个特征提取层用于对m个马尔可夫矩阵进行特征提取获得特征向量，并且m个特征提取层共享权重参数；

24、序列构建层用于将m个特征向量进行拼接获得特征序列，特征序列包括m个序列单元，每个序列单元对应一个特征向量；

25、时序分析层用于对特征序列进行时序分析获得更新向量，时序分析层基于transformer模型构建，并且更新向量的维度数量为自定义参数；

26、在第一神经网络模型的训练过程中，将更新向量输入到第一分类器，第一分类器的分类空间表示海上风电叶片的第一健康状态，用于训练第一神经网络模型的训练样本的样本标签通过人工标注获得。

27、进一步地，转换层将振动数据转换为马尔可夫矩阵，包括以下步骤：

28、步骤s301，通过min-max方法对振动数据进行归一化处理；

29、将k个时间点的加速度值的值域控制在0到1之间；

30、步骤s302，将归一化后的振动数据进行离散化处理获得状态序列；

31、将归一化后的加速度值的值域均匀划分为q个不重叠的状态区间，每个状态区间都对应一个取值范围在1到q之间的递增状态值，再确定归一化后的k个时间点的加速度值所在的状态区间获得状态序列，其中q为自定义的正整数；

32、步骤s303，统计状态序列中不同状态值出现的总次数，并遍历状态序列中相邻状态值的转移次数来构建马尔可夫转移矩阵；

33、马尔可夫转移矩阵的大小为q×q，第a行第b列的元素值表示第a个状态值到第b个状态值的转移概率，其中1≤a≤q，1≤b≤q；

34、第a个状态值转移到第b个状态值的概率的计算公式如下：

35、，其中表示第a个状态值转移到第b个状态值的次数，表示第a个状态值出现的总次数；

36、步骤s304，根据状态序列和马尔可夫转移矩阵构建马尔可夫矩阵；

37、马尔可夫矩阵的大小为k×k，第c行第d列的元素值表示状态序列的第c个状态值转移到第d个状态值的概率，其中1≤c≤k，1≤d≤k。

38、进一步地，特征提取层的计算公式如下：

39、；

40、其中vector表示特征提取层输出的特征向量，mtf表示特征提取层输入的马尔可夫矩阵，、和表示卷积核的大小均为3×3且卷积核的数量分别为32、64和128的卷积操作，表示卷积核的大小为1×1且卷积核的数量为256的卷积操作，表示池化窗口的大小为2×2的最大池化操作，和表示卷积核的大小为3×3且卷积核的数量为64，膨胀率分别为2和4的膨胀卷积操作，globalmaxpooling表示全局最大池化操作，dense表示全连接层；

41、定义：卷积操作和膨胀卷积操作的填充方式均为same，并且卷积核的步长均为1，卷积操作和膨胀卷积操作的激活函数均为relu激活函数；最大池化操作的池化窗口的步长均为2；全连接层的激活函数为swish激活函数。

42、进一步地，在对第一神经网络模型训练之前，先对其进行预训练，在第一神经网络模型的预训练过程中，将更新向量输入到第二分类器、第三分类器、第四分类器、第五分类器和第六分类器，上述分类器的分类空间分别表示温度、降雨量、降雪量、风速、风向与叶片朝向的夹角。

43、进一步地，第二神经网络模型由训练完成的第一神经网络模型、n个第一卷积层、n个第二卷积层、拼接层、隐藏层、提取层和第七分类器组成；

44、第一卷积层用于对预处理后的普通图像进行特征提取获得第一向量，第一向量的维度数量为自定义参数；

45、第二卷积层用于对预处理后的红外图像进行特征提取获得第二向量，第二向量的维度数量为自定义参数；

46、拼接层用于将训练完成的第一神经网络模型输出的更新向量与环境数据、第一向量和第二向量进行拼接获得组合向量，将图像序列的每个序列单元转换为组合向量表示；

47、隐藏层包括n个隐藏单元，第n个隐藏单元输入图像序列的第n个序列单元对应的组合向量，输出隐藏向量，其中1≤n≤n；

48、提取层用于提取第n个隐藏单元输出的隐藏向量，并将其输入到第七分类器，第七分类器的分类空间表示海上风电叶片的第二健康状态，用于训练第二神经网络模型的训练样本的样本标签通过人工标注获得。

49、进一步地，第n个隐藏单元的计算公式包括：

50、；

51、；

52、其中和分别表示第n个隐藏单元和第n-1个隐藏单元输出的隐藏向量，赋值为0，表示第n个隐藏单元输入的图像序列的第n个序列单元对应的组合向量，表示第n个隐藏单元的门控向量，其大小与隐藏向量的大小相同，和分别表示第n个隐藏单元对应的第一权重参数和第二权重参数，和分别表示第n个隐藏单元对应的第一偏置参数和第二偏置参数，表示逐元素相乘，swish表示swish激活函数，sigmoid表示sigmoid激活函数。

53、本发明提供一种海上风电叶片健康监测系统，包括：

54、数据采集模块，其用于采集海上风电叶片所在处的环境数据，并采集海上风电叶片上m个点位的振动数据；

55、第一训练模块，其用于通过环境数据和m个点位的振动数据对第一神经网络模型进行训练；

56、图像采集模块，其用于在预设时间段t内，按照预设时间间隔t采集海上风电叶片的普通图像和红外图像；

57、图像处理模块，其用于对海上风电叶片的普通图像和红外图像进行预处理获得图像序列；

58、第二训练模块，其用于将训练完成的第一神经网络模型迁移至第二神经网络模型，并通过图像序列对第二神经网络模型进行训练；

59、风电叶片健康监测模块，其用于将环境数据、m个点位的振动数据和图像序列输入到训练完成的第二神经网络模型，输出海上风电叶片的第二健康状态。

60、本发明的有益效果在于：本发明通过第一神经网络模型对多个点位的振动数据进行特征提取和融合，将第一神经网络模型迁移至第二神经网络模型对普通图像和红外图像进行特征提取和融合，从而实现海上风电叶片的健康监测，并且将环境数据作为预训练的目标，从而降低环境数据对健康监测的干扰，提高模型的监测精度。