基于门控融合Transformer的风机叶片开裂故障检测方法技术

本发明专利技术公开了一种基于门控融合Transformer的风机叶片开裂故障检测方法，该方法包括采用门控残差神经网络对风机叶片数据进行特征提取并强化关键特征的表达，接着通过融合模块进行风机数据在同一特征的不同通道以及不同特征的同一通道上的信息融合，并将融合后的特征向量输入至Transformer(一种深度学习模型)中进行特征学习，增强重要特征信息的影响力，提高模型的抗噪能力。本发明专利技术利用基于门控融合Transformer的深度模型可以挖掘风机叶片数据的深层信息，与传统的故障诊断方法相比，重点关注了数据中各特征之间的内在联系，提升了故障检测的精度。提升了故障检测的精度。提升了故障检测的精度。

【技术实现步骤摘要】
基于门控融合Transformer的风机叶片开裂故障检测方法


[0001]本专利技术涉及机械设备故障诊断
，具体来讲是一种基于门控融合Transformer的风机叶片开裂故障检测方法。

技术介绍

[0002]随着工业和科技的发展，传统化石能源日益枯竭。风能凭借清洁环保、可持续而被广泛使用。得益于风能的优势，风力发电技术开始成为新的技术增长点并进入高速发展阶段。然而由于风力发电机工作环境的恶劣，大型风力发电机组的容量不断增大，风机结构日趋复杂，风力发电机极易出现故障，不利于风机的正常工作。
[0003]叶片是风力发电机的主要部件之一，叶片的安全有效的工作对整个风电机组的稳定运行有着重要的影响。然而恶劣的工作环境，不间断的工作以及叶片与其他机组不见的磨损会累计潜在的故障，容易导致风力发电机叶片开裂损伤。根据某公司统计，风机运行8年中，由于叶片开裂而导致的风电机组停机超过7天及以上的事故占风电机组发生事故的30%。叶片开裂危害风电机组轴系、塔筒等机组部件，如果不进行处理，将会致使事故的发生。而叶片开裂的维修所需的费用和时间成本都非常高昂。因此，检测叶片的状态，特别是在复杂的工况下叶片出现裂纹时快速而准确地判断出叶片损伤状态，对于确保风电机组的整机效率和安全可靠性，减少企业损失、提高企业经济效益都有着至关重要的作用。
[0004]尽管目前已出现一些基于数据分析的风机叶片故障检测方法，但目前常用的基于决策树模型的风机叶片故障检测方法不能有效地学习离散型特征变量，且容易忽略数据中各特征之间的相互关联，模型的准确性和泛化性能较差。
[0005]为解决以上问题，本专利技术提出了一种基于门控融合Transformer的风机叶片开裂故障检测方法，采用门控残差神经网络去除特征变量的冗余信息，强化关键特征的表达，利用特征融合模块对同一特征变量的不同通道及不同特征变量的同一通道进行深层信息融合，提高了模型的检测性能；最后，利用Transformer对风机叶片数据施加注意力机制，增强重要信息的影响力，增强模型的抗噪声能力, 从而提高模型的检测准确率。

技术实现思路

[0006]本专利技术的目的是提供一种基于门控融合Transformer的风机叶片开裂故障检测方法，改善目前风机叶片开裂故障检测方法中容易忽略数据中各特征之间的相互关联的问题，具有故障检测精度高的优点。
[0007]为解决上述目的，本专利技术提供如下方案：本专利技术提供一种基于门控融合Transformer的风机叶片开裂故障检测方法，包括以下步骤。
[0008]步骤1、对SCADA系统采集的风机叶片数据进行数据清洗。
[0009]步骤2、采用门控残差神经网络对数据进行特征提取。
[0010]步骤3、将步骤2处理后的特征向量通过融合模块实现特征列之间与特征通道间的信息融合。
[0011]步骤4、将步骤3获取的特征向量输入Transformer网络进行特征学习。
[0012]步骤5、对步骤4输出的特征进行分类，得到分类结果，实现风机叶片开裂故障检测。
[0013]所述步骤1中包括对风机叶片数据进行清洗，解决由于传感器错误，线路等问题导致的部分特征数据缺失或不合理等问题。
[0014]所述步骤2中采用门控神经网络对风机叶片进行特征提取，并强化了关键特征地表达。具体来说，首先将每个特征通过多层感知机映射为一维特征向量，其中一维向量的长度为C，并将风机叶片的每个特征通过特征映射得到的特征向量组合得到大小为S*C的二维向量，其中S为特征数量，最后将二维特征向量输入门控线性单元，并将原始的二维向量输入添加到门控线性单元的输出以执行跳跃（残差）连接。门控机制可以确保有效数据在网络的通过，降低噪声数据对实验结果的干扰。残差网络可以防止神经网络出现梯度消失或是梯度爆炸的问题，同时可以有效保护风机叶片数据的完整性。
[0015]所述步骤3采用融合模块对步骤2输出地向量进行特征融合。具体来说，首先将步骤2输出地向量进行层归一化，并输入多层感知机，以此构成Channel
‑
mixing MLP对二维数据的列（叶片数据的通道信息）进行特征融合。接着，将Channel
‑
mixing MLP的输出向量进行转置，并输出多层感知机，以此构成Column
‑
mixing MLP对二维数据的行（风机数据的列）进行特征融合。最后，将输出的向量再次进行转置并添加步骤2的输出向量以执行跳跃连接，保护数据的完整性。Channel
‑
mixing MLP和Channel
‑
mixing MLP交替对风机叶片二维数据进行特征提取，从而进行不同维度信息融合。
[0016]所述步骤4通过Transformer进行特征学习，增强重要特征信息的影响力，增强模型地抗噪能力。具体来说，本专利技术的Transformer实质是Transformer网络的编码器，包括多头注意力层和前馈神经网络，两层网络后面都接上残差计算。通过注意力机制对模型的输入特征赋予不同的权重，聚焦于分类检测地关键性特征信息，突出更关键的影响因素，帮助模型做出更加准确的判断。
[0017]所述步骤5将步骤4的输出向量展平为一维特征向量，并采用Softmax函数对风机叶片特征进行分类。本专利技术模型学习所采用的损失函数为交叉熵损失函数，其计算方法如下：式中，表示第n个风机叶片数据样本的标签，正类为0，负类为1；表示预测第n个样本为正类的概率。
[0018]本专利技术利用训练好的深度模型对风机叶片数据进行状态分类，并按F1
‑
score、Accuracy、Recall以及Precision对网络模型进行评估。
[0019]本专利技术提供一种基于门控融合Transformer的风机叶片开裂故障检测方法，与现有方法相比，本专利技术采用门控残差神经网络对风机叶片特征进行信息过滤，并强化了关键特征的表达，使用Transformer对风机数据施加注意力机制, 增强重要信息的影响力, 增强模型的抗噪声能力, 从而提高模型的检测准确率。此外，本专利技术提出了融合模块，融合模块包括Channel
‑
mixing MLP和Column
‑
mixing MLP。通过以此使用Channel
‑
mixing MLP和Column
‑
mixing MLP对风机叶片二维向量的列(作用于数据通道)、行(作用于数据特征列)进行映射，实现空间域和通道域的信息融合。由于模块中的MLP在二维向量的不同列、行的
映射过程中共享权重，极大减少了参数的个数，降低了网络的复杂性。实验结果表明，本专利技术提供一种基于门控融合Transformer的风机叶片开裂故障检测方法与现有的方法相比, 具有更好的检测效果, 可以更好的满足实际风机维护需求。同时, 本专利技术也为表格数据处理提供了一种新的解决思路。
附图说明
[0020]为了更清楚地说明本专利技术实施例或现有技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于门控融合Transformer的风机叶片开裂故障检测方法，其特征在于，包括如下步骤：S1,构建门控残差神经网络对风机叶片数据进行特征提取；S2,构建融合模块实现特征列之间与特征通道间的信息融合；S3,构建Transformer网络对信息融合后的特征向量进行学习；S4,结合S1、S2和S3的网络模型构建基于门控融合Transformer的深度模型对风机叶片开裂故障进行检测。2.如权利要求1所述的一种基于门控融合Transformer的风机叶片开裂故障检测方法，其特征在于，所述S1的具体过程为：每个特征通过多层感知机映射为一维特征向量，其中一维向量的长度为C，并将风机叶片的每个特征通过特征映射得到的特征向量组合得到大小为S*C的二维向量，其中S为特征数量，最后将二维特征向量输入门控线性单元，并将原始的二维向量输入添加到门控线性单元的输出以执行跳跃（残差）连接。3.如权利要求1所述的一种基于门控融合Transformer的风机叶片开裂故障检测方法，其特征在于，所述S2中融合模块先后使用Cha...

【专利技术属性】
技术研发人员：汤文阳，张波，刘聪，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：