【技术实现步骤摘要】
本专利技术涉及水工闸门，特别是一种基于transformer模型的水工闸门剩余寿命预测方法。
技术介绍
1、水工闸门作为水库大坝的重要组成部分，在连接上下游的同时，兼顾调节水流进出量，合理分配水资源，防洪排涝等作用，其运行状况严重影响着整个坝体的安全稳定，因此，需要准确地对闸门剩余寿命进行预测。对水工闸门进行寿命预测的意义在于，通过对闸门剩余寿命进行预测，能够提前预知故障的发生，在故障造成更大影响前安排维护和修复工作，降低闸门因磨损或老化而发生故障的风险，实现对闸门故障的早期预警和预防。其次，根据预测结果，采取维修或更换措施，避免因闸门故障导致的水库漏水、洪水失控等问题，保障水利工程的安全性和运行效率。另外，通过寿命预测，可以合理规划闸门的使用寿命，避免过早更换或过度维修，从而提高资源利用效率。
2、近年来，随着互联网数字化信息化技术的发展，深度学习算法引起了越来越多研究人员的兴趣，并在相关寿命预测领域展现出广阔的应用前景。与传统的原型监测法、模型实验法和数据分析法等方法相比，深度学习算法不需要手动设计和选择特征，能够直接从原始数据中自动学习有用的特征表示。然而在实际工作环境中，闸门受水流冲击时长以及水压大小等条件不断变化，常用的方法也难以表示其中复杂的非线性关系，如何从这些复杂特征中充分提取能够表征寿命的信息，完成闸门寿命预测任务就显得尤其重要。
技术实现思路
1、本专利技术的目的在于克服上述不足，提供一种基于transformer模型的水工闸门剩余寿命预测方法，以解
2、为解决上述技术问题，本专利技术所采用的技术方案是：
3、一种基于transformer模型的水工闸门剩余寿命预测方法，它包括如下步骤：
4、s1、数据归一化：收集传感器监测得到的闸门振动信号，对数据进行最大最小值归一化，将数据压缩到[0，1]之间；
5、s2、emd分解：对上述归一化数据进行经验模态分解(emd)，将分解后得到的多个本征模分量作为预测模型的输入量；
6、s3、闸门模型寿命预测：建立transformer预测模型，将上述得到的分量分别输入模型中，得到各个分量的性能退化指标，并将所有退化指标加权叠加得到最终的寿命预测结果；
7、s4、闸门安全评估：当模型训练次数达到设定最大值时，将模型输出预测值与设计标准进行对比，以评价模型性能，最终得到闸门的安全评估结果。
8、进一步地，所述步骤s1中对监测所得闸门振动信号进行最大最小值归一化的步骤如下：
9、
10、其中，x和分别为归一化前后数据，xmin和xmax分别为数据集中的最小值和最大值。
11、进一步地，所述步骤s2中对上述归一化数据进行经验模态分解的步骤如下：
12、s2.1、计算出原始数据x(t)的极大值和极小值，并利用三次样条插值法拟合上包络线e1和下包络线e2；
13、s2.2、计算上下包络的均值m(t)：
14、m(t)＝(e1+e2)/2
15、s2.3、用原始序列样本数据减去包络线均值，得到中间序列h(t)：
16、h(t)＝x(t)-m(t)
17、s2.4、判断h(t)是否满足imf条件，若满足则输出原始序列的第一个分量imf1，若不满足则重复上述步骤直至满足条件；
18、s2.5、将h(t)作为imf1，x(t)与imf1之间的差值为残余分量r，不断重复上述步骤s2.1～s2.4，符合步骤s2.4中判断条件得到一个imf，直到残余分量r是单调函数或常量时，完成emd分解过程。
19、进一步地，所述步骤s3中对分解后的分量利用transformer模型计算性能退化指标，过程如下：
20、a.输入层：由于注意力机制无法直接捕捉输入顺序，所以通过位置编码引入序列位置信息；使用正弦和余弦函数分别对样本的偶数奇数维度交替进行编码，计算过程如下：
21、
22、其中，pos表示输入样本位置，i表示维度，2i和2i+1表示偶数和奇数维度，dmodel表示输入特征的维数；
23、b.编码器层：每个编码器层由一个多头自注意力层和前馈层组成，并在其中采取了残差连接和层归一化处理，多头自注意力层的核心原理为自注意力机制；首先，对维度为dmodel的输入特征进行线性变换，通过与对应权重矩阵相乘得到三个矩阵查询矩阵q、键矩阵k和值矩阵v；然后通过缩放点积来计算查询矩阵q和键矩阵k的相关性，通过softmax函数进行归一化处理，再与值矩阵v相乘，其计算过程如下：
24、q＝wqx
25、k＝wkx
26、v＝wvx
27、
28、其中，x为特征矩阵，wq、wk、wv分别表示q、k、v的权重矩阵，dk表示k的维数；
29、多头自注意力本质是通过多个自注意力并联，将计算得到的输出矩阵拼接在一起后经过全连接层输出，最终得到多头注意力值，计算过程如下：
30、
31、其中，h表示多头注意力头数，headi表示第i个注意力系数，wiq、wik、wiv为第i个注意力头q、k、v的权重矩阵，w表示多头注意力权重矩阵；
32、前馈层由两层全连接层构成，中间使用relu函数激活，计算过程如下：
33、
34、其中，为经过层归一化后的输出矩阵，w为权重向量，b为偏置项；
35、残差连接位于编码器和解码器的每个子模块之间，能够保留数据初始特征，缓解随着网络深度增加带来的退化问题；同时为了减少过拟合，将残差连接后的结果进行层归一化处理，计算过程如下：
36、xb＝ln(xa+multihead(xa))
37、xc＝ln(xb+ffn(xb))
38、其中，xa为编码器层的输入矩阵，xb为前馈层输入矩阵，xc为编码器层的输出矩阵，ln为层归一化函数；
39、c.解码器层：每个解码器层由一个遮挡多头自注意力层、多头自注意力层和前馈层组成，同样在其中采取了残差连接和层归一化处理；遮挡多头自注意力相较于多头自注意力另加入了遮挡操作，为了防止每个时间步提前学习未来的序列信息；遮挡操作是指在进行缩放点积时引入一个下三角单位矩阵m和q·kt相乘，使得未来序列信息清零，计算过程如下：
40、
41、而后依次经过多头注意力层与前馈层的特征提取，最后通过全连接层得到输出结果，计算过程如下：
42、y＝wx+b
43、其中，x为编码器输出，w为权重向量，b为偏置项。
44、进一步地，所述步骤s3中将所有退化指标加权叠加得到最终的寿命预测结果的计算过程如下：
45、y＝y1+y2+…+yn+yr
46、其中，y为预测结果，yn为第n个退化指标，yr为残余分量的退化指标。
<本文档来自技高网...【技术保护点】
1.一种基于Transformer模型的水工闸门剩余寿命预测方法，其特征在于：它包括如下步骤：
2.根据权利要求1所述的一种基于Transformer模型的水工闸门剩余寿命预测方法，其特征在于：所述步骤S1中对监测所得闸门振动信号进行最大最小值归一化的步骤如下：
3.根据权利要求1所述的一种基于Transformer模型的水工闸门剩余寿命预测方法，其特征在于：所述步骤S2中对上述归一化数据进行经验模态分解的步骤如下：
4.根据权利要求1所述的一种基于Transformer模型的水工闸门剩余寿命预测方法，其特征在于：所述步骤S3中对分解后的分量利用Transformer模型计算性能退化指标，过程如下：
5.根据权利要求1所述的一种基于Transformer模型的水工闸门剩余寿命预测方法，其特征在于：所述步骤S3中将所有退化指标加权叠加得到最终的寿命预测结果的计算过程如下：
6.根据权利要求1所述的一种基于Transformer模型的水工闸门剩余寿命预测方法，其特征在于：所述步骤S3中，Transformer模型包含一个编码
7.根据权利要求6所述的一种基于Transformer模型的水工闸门剩余寿命预测方法，其特征在于：Transformer模型采用模拟大坝闸门运行环境的方式，构建闸门实体模型，以5000Hz的采样频率采集闸门的振动信号，采样间隔为一天，每次采样时长为1s，即每次采样5000个数据样本点，累计采样时长为闸门投入运行至损坏的全寿命周期。
...【技术特征摘要】
1.一种基于transformer模型的水工闸门剩余寿命预测方法，其特征在于：它包括如下步骤：
2.根据权利要求1所述的一种基于transformer模型的水工闸门剩余寿命预测方法，其特征在于：所述步骤s1中对监测所得闸门振动信号进行最大最小值归一化的步骤如下：
3.根据权利要求1所述的一种基于transformer模型的水工闸门剩余寿命预测方法，其特征在于：所述步骤s2中对上述归一化数据进行经验模态分解的步骤如下：
4.根据权利要求1所述的一种基于transformer模型的水工闸门剩余寿命预测方法，其特征在于：所述步骤s3中对分解后的分量利用transformer模型计算性能退化指标，过程如下：
5.根据权利要求1所述的一种基于transformer模型的水工闸门剩余寿命预测方法，其特征在于...
【专利技术属性】
技术研发人员：王凯伦，高峰，肖琦，王明仁，刘畅，丁凯，李家乐，
申请(专利权)人：中国长江电力股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。