一种基于深度学习技术实现风电设备的服役状态监测方法技术

本发明专利技术涉及状态监测领域，揭露一种基于深度学习技术实现风电设备的服役状态监测方法，包括：查询待评估风电设备的质量评价指标，并识别质量评价指标在待评估风电设备中的关联因子；获取待评估风电设备的历史状态数据，基于历史状态数据，识别关联因子的统计特征，根据统计特征，构建关联因子的因子等级；根据因子等级，对关联因子进行三次筛选，得到降维关联因子；计算历史状态数据对应降维关联因子的因子状态数据，根据因子状态数据，确定待评估风电设备的状态监测模型；获取待评估风电设备的实时状态数据，根据实时状态数据，利用状态监测模型，确定待评估风电设备的实时服役状态。本发明专利技术可以提高风电设备服役状态监测的准确性。确性。确性。

【技术实现步骤摘要】
一种基于深度学习技术实现风电设备的服役状态监测方法


[0001]本专利技术涉及状态监测领域，尤其涉及一种基于深度学习技术实现风电设备的服役状态监测方法。

技术介绍

[0002]目前，风电设备故障主要通过建立设备及子部件物理模型的方法来检测，但由于风能的随机性和风电设备复杂的故障机理，导致设备参数的多元耦合建模困难，从而极大的降低了风电设备服役状态监测的准确性。

技术实现思路

[0003]本专利技术提供一种基于深度学习技术实现风电设备的服役状态监测方法，其主要目的在于提高风电设备服役状态监测的准确性。
[0004]为实现上述目的，本专利技术提供的一种基于深度学习技术实现风电设备的服役状态监测方法，包括：查询所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标，并识别所述质量评价指标在所述待评估风电设备中的关联因子；获取所述待评估风电设备的历史状态数据，基于所述历史状态数据，识别所述关联因子的统计特征，根据所述统计特征，构建所述关联因子关于所述质量评价指标的因子等级；根据所述因子等级，对所述关联因子进行筛选，得到初始关联因子，对所述初始关联因子进行过滤，得到过滤关联因子，对所述过滤关联因子进行降维处理，得到降维关联因子；计算所述历史状态数据对应所述降维关联因子的因子状态数据，根据因子状态数据，确定所述待评估风电设备的状态监测模型；获取所述待评估风电设备的实时状态数据，根据所述实时状态数据，利用所述状态监测模型，确定所述待评估风电设备的实时服役状态。
[0005]可选地，所述查询所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标，包括：识别所述待评估风电设备的业务场景，根据所述业务场景，分析所述待评估风电设备的业务需求，并对所述业务需求进行关键词提取，得到需求关键词；提取所述服役质量评价体系中的体系质量指标，分别对所述体系质量指标和所述需求关键词进行向量转换，得到指标转换向量和需求转换向量；根据所述需求转换向量和所述指标转换向量，计算所述业务需求与所述体系质量指标之间的语义相似度，根据所述语义相似度，确定所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标。
[0006]可选地，所述对所述业务需求进行关键词提取，得到需求关键词，包括：
对所述业务需求进行文本分词处理，得到需求分词，识别所述需求分词之间的共现关系，映射所述需求分词为图节点，映射所述共现关系为图边；根据所述图节点和所述图边，构建所述需求分词的连接图，基于所述连接图，构建所述需求分词的邻接矩阵，并对所述邻接矩阵进行标准化处理，得到标准转移矩阵；根据所述标准转移矩阵，计算所述需求分词的目标权重向量，提取所述目标权重向量的权重分量，对所述权重分量进行降序排列，得到降序权重序列，选取所述降序权重序列中的前面预设数量阈值的权重分量对应的所述需求分词，根据所述需求分词，确定所述需求关键词。
[0007]可选地，所述根据所述标准转移矩阵，计算所述需求分词的目标权重向量，包括：利用下述公式计算所述需求分词的迭代权重向量：；其中，表示第次迭代权重向量，表示阻尼系数，表示标准转移矩阵，表示第
‑
1次迭代权重向量，表示迭代次数，另外，可初始化为形式：），也可设定为其他形式；在所述迭代权重向量达到预设迭代条件时，将所述迭代权重向量确定为所述需求分词的目标权重向量。
[0008]可选地，所述根据所述需求转换向量和所述指标转换向量，计算所述业务需求与所述体系质量指标之间的语义相似度，包括：利用下述公式计算所述业务需求与所述体系质量指标之间的语义相似度：；其中，表示业务需求与体系质量指标之间的语义相似度，表示第个需求转换向量，表示第个指标转换向量，体系质量指标，表示业务需求，表示需求转换向量的序号，表示需求转换向量的数量，表示体系质量指标的序号，表示体系质量指标的数量，表示余弦函数符号，表示条件概率符号。
[0009]可选地，所述识别所述质量评价指标在所述待评估风电设备中的关联因子，包括：识别所述待评估风电设备的关键部件，提取所述关键部件的关键影响因子，获取所述质量评价指标和所述关键影响因子一一对应的指标数据样本和因子数据样本；对所述指标数据样本和所述因子数据样本进行等级划分，得到指标等级数据和因子等级数据，根据所述指标等级数据和所述因子等级数据，计算所述质量评价指标与所述关键影响因子之间的等级相关系数；根据所述等级相关系数，确定与所述质量评价指标相关的所述关联因子。
[0010]可选地，所述对所述初始关联因子进行过滤，得到过滤关联因子，包括：获取所述初始关联因子在预设状态数据库中的初始因子样本，从所述初始因子样本中随机选择一个随机样本，识别与所述随机样本相同的同类样本及与所述随机样本不相同的不同类样本；配置所述初始关联因子的初始因子权重，分别从所述同类样本和所述不同类样本
中提取预设个数的同类近邻样本和不同类近邻样本，根据所述初始因子权重、所述随机样本、所述同类近邻样本及所述不同类近邻样本，计算所述初始关联因子的关联因子权重；在所述关联因子权重不小于预设阈值时，确定所述关联因子权重对应的所述初始关联因子为所述过滤关联因子。
[0011]可选地，所述根据所述初始因子权重、所述随机样本、所述同类近邻样本及所述不同类近邻样本，计算所述初始关联因子的关联因子权重，包括：利用下述公式计算所述初始关联因子的关联因子权重：；；其中，表示关联因子权重，表示初始因子权重，表示第个初始关联因子，表示随机样本，表示随机样本的第个同类近邻样本，表示样本和同类近邻样本在特征上的差，表示样本抽样次数，抽取近邻样本的预设个数，表示样本的所属类别，表示类样本在总样本中所占比例，表示样本和不同类近邻样本在特征上的差，表示样本和样本在特征上的差，分别表示样本、在特征上的值，表示差分函数符号。
[0012]可选地，所述对所述过滤关联因子进行降维处理，得到降维关联因子，包括：获取所述过滤关联因子对应的过滤状态数据，对所述过滤状态数据进行随机加噪处理，得到加噪数据；将所述加噪数据输入到预设特征提取模型中的特征编码器，利用下述公式计算所述加噪数据的编码的编码特征数据：；其中，表示编码特征数据，表示sigmoid函数，表示编码权重矩阵，表示加噪数据，表示编码偏置向量；将所述编码特征数据输入到所述预设特征提取模型中的特征解码器，利用下述公式计算所述编码特征数据的编码的解码特征数据：；其中，表示解码特征数据，表示sigmoid函数，表示解码权重矩阵，表示编码特征数据，表示解码偏置向量；利用下述公式计算所述过滤状态数据和所述解码特征数据之间重构误差：；其中，表示重构误差，表示第个解码特征数据，表示第个过滤状态数据，
表示过滤状态数据的数量，表示过滤状态数据的序号；基于所述重构误差，调整所述预设特征提取模型的模型参数，得到最优模型参数，根据所述最优模型参数，确定训练好的特征提取模型；识别所述训练好的特征提取模型中的所述特征编码器的编码关系，根据所述编码关系，确定所述过滤关联因子的降维关联因子。
[0013]可选地，所述根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习技术实现风电设备的服役状态监测方法，其特征在于，所述方法包括：查询所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标，并识别所述质量评价指标在所述待评估风电设备中的关联因子；获取所述待评估风电设备的历史状态数据，基于所述历史状态数据，识别所述关联因子的统计特征，根据所述统计特征，构建所述关联因子关于所述质量评价指标的因子等级；根据所述因子等级，对所述关联因子进行筛选，得到初始关联因子，对所述初始关联因子进行过滤，得到过滤关联因子，对所述过滤关联因子进行降维处理，得到降维关联因子；计算所述历史状态数据对应所述降维关联因子的因子状态数据，根据因子状态数据，确定所述待评估风电设备的状态监测模型；获取所述待评估风电设备的实时状态数据，根据所述实时状态数据，利用所述状态监测模型，确定所述待评估风电设备的实时服役状态。2.如权利要求1所述的一种基于深度学习技术实现风电设备的服役状态监测方法，其特征在于，所述查询所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标，包括：识别所述待评估风电设备的业务场景，根据所述业务场景，分析所述待评估风电设备的业务需求，并对所述业务需求进行关键词提取，得到需求关键词；提取所述服役质量评价体系中的体系质量指标，分别对所述体系质量指标和所述需求关键词进行向量转换，得到指标转换向量和需求转换向量；根据所述需求转换向量和所述指标转换向量，计算所述业务需求与所述体系质量指标之间的语义相似度，根据所述语义相似度，确定所述待评估风电设备在预构建的服役质量评价体系中的质量评价指标。3.如权利要求2所述的一种基于深度学习技术实现风电设备的服役状态监测方法，其特征在于，所述对所述业务需求进行关键词提取，得到需求关键词，包括：对所述业务需求进行文本分词处理，得到需求分词，识别所述需求分词之间的共现关系，映射所述需求分词为图节点，映射所述共现关系为图边；根据所述图节点和所述图边，构建所述需求分词的连接图，基于所述连接图，构建所述需求分词的邻接矩阵，并对所述邻接矩阵进行标准化处理，得到标准转移矩阵；根据所述标准转移矩阵，计算所述需求分词的目标权重向量，提取所述目标权重向量的权重分量，对所述权重分量进行降序排列，得到降序权重序列，选取所述降序权重序列中的前面预设数量阈值的权重分量对应的所述需求分词，根据所述需求分词，确定所述需求关键词。4.如权利要求3所述的一种基于深度学习技术实现风电设备的服役状态监测方法，其特征在于，所述根据所述标准转移矩阵，计算所述需求分词的目标权重向量，包括：利用下述公式计算所述需求分词的迭代权重向量：；其中，表示第次迭代权重向量，表示阻尼系数，表示标准转移矩阵，表示第
‑
1次迭代权重向量，表示迭代次数，另外，可初始化为形式：），也
可设定为其他形式；在所述迭代权重向量达到预设迭代条件时，将所述迭代权重向量确定为所述需求分词的目标权重向量。5.如权利要求2所述的一种基于深度学习技术实现风电设备的服役状态监测方法，其特征在于，所述根据所述需求转换向量和所述指标转换向量，计算所述业务需求与所述体系质量指标之间的语义相似度，包括：利用下述公式计算所述业务需求与所述体系质量指标之间的语义相似度：；其中，表示业务需求与体系质量指标之间的语义相似度，表示第个需求转换向量，表示第个指标转换向量，体系质量指标，表示业务需求，表示需求转换向量的序号，表示需求转换向量的数量，表示体系质量指标的序号，表示体系质量指标的数量，表示余弦函数符号，表示条件概率符号。6.如权利要求1所述的一种基于深度学习技术实现风电设备的服役状态监测方法，其特征在于，所述识别所述质量评价指标在所述待评估风电设备中的关联因子，包括：识别所述待评估风电设备的关键部件，提取所述关键部件的关键影响因子，获取所述质量评价指标和所述关键影响因子一一对应的指标数据样本和因子数据样本；对所述指标数据样本和所述因子数据样本进行等级划...

【专利技术属性】
技术研发人员：王思思，向德，柏文琦，刘良江，
申请(专利权)人：湖南省计量检测研究院，
类型：发明
国别省市：