【技术实现步骤摘要】
本申请涉及海上风机智能监测领域，尤其涉及一种海上风机的腐蚀状态监测方法及装置。
技术介绍
1、单桩基础是浅至中等水深海上风电场中最常用的风机基础类型。在全球应对气候变化的政策背景下，随着海上风电技术日益成熟、海上风电度电成本大幅下降，特别是“碳达峰”、“碳中和”双碳目标计划的提出，预计会有越来越多的海上风电场建设项目付诸实施，单桩基础的应用场景也将越来越多。
2、然而海上风电机组所处的环境远比陆上风电复杂和严酷。海面大气区的高湿度、高盐度，飞溅区、潮差区的干湿交替、浸没区的海水浸泡和海生物附着等严苛的腐蚀环境均会对海上风机的单桩基础造成严重的腐蚀危害。
3、因此，需要对海上风电单桩基础的腐蚀状态进行监测以进行风险预警。
技术实现思路
1、针对上述问题，提出了一种海上风机的腐蚀状态监测方法及装置，通过采用人工智能的监测技术，使用基于深度学习的卷积神经网络模型来挖掘出海上风机的单桩基础的多个侧面图像的局部隐含关联特征，并通过计算符号化函数的距离式联合来促进高维流形的节俭分解，以提高各个腐蚀转移矩阵的高维流形之间的维度单调性，进而提高了分类效果，对于单桩基础腐蚀状态进行准确地监测，以提前预警避免造成腐蚀危害。
2、本申请第一方面提出了一种海上风机的腐蚀状态监测方法，包括：
3、获取由水下摄像头采集的海上风机单桩基础的侧面图像；
4、将所述侧面图像通过作为过滤器的第一卷积神经网络以得到侧面腐蚀特征向量，将所述侧面腐蚀特征向量通过多
5、计算所述多尺度侧面腐蚀特征向量间的转移矩阵以得到腐蚀转移矩阵，对所述腐蚀转移矩阵进行特征值校正以得到校正后腐蚀转移矩阵；
6、将所述校正后腐蚀转移矩阵排列为三维输入张量后通过作为特征提取器的第二卷积神经网络以得到分类特征图；
7、将所述分类特征图通过分类器以得到分类结果，其中，所述分类结果用于表示单桩基础腐蚀状态。
8、可选的，所述将所述侧面图像通过作为过滤器的第一卷积神经网络以得到侧面腐蚀特征向量，包括：
9、对输入数据进行卷积处理以得到第一卷积特征图；
10、对所述第一卷积特征图进行基于局部特征矩阵的均值池化以得到第一池化特征图；
11、对所述第一池化特征图进行非线性激活以得到激活特征图；
12、其中，所述第一卷积神经网络最后一层的输出为所述侧面腐蚀特征向量，所述第一卷积神经网络第一层的输入为所述侧面图像。
13、可选的，所述将所述侧面腐蚀特征向量通过多尺度邻域特征提取模块以得到多尺度侧面腐蚀特征向量，包括:
14、使用所述多尺度邻域特征提取模块的第一卷积层以第一一维卷积核对所述侧面腐蚀特征向量并进行一维卷积编码，以得到第一尺度侧面腐蚀特征向量；
15、使用所述多尺度邻域特征提取模块的第二卷积层以第二一维卷积核对所述侧面腐蚀特征向量并进行一维卷积编码，以得到第二尺度侧面腐蚀特征向量，其中，所述第一一维卷积核的尺寸与所述第二一维卷积核的尺寸不同；
16、将所述第一尺度侧面腐蚀特征向量和所述第二尺度侧面腐蚀特征向量进行级联以得到所述多尺度侧面腐蚀特征向量。
17、可选的，以如下公式计算所述多尺度侧面腐蚀特征向量间的转移矩阵以得到腐蚀转移矩阵，所述公式为：
18、v1＝m*v2，
19、其中m表示所述腐蚀转移矩阵，v1和v2分别表示所述多尺度侧面腐蚀特征向量中每两个多尺度侧面腐蚀特征向量。
20、可选的，所述对所述腐蚀转移矩阵进行特征值校正以得到校正后腐蚀转移矩阵，包括:
21、计算所述腐蚀转移矩阵的对象节俭分解鼓励因数，其中，所述对象节俭分解鼓励因数与以所述腐蚀转移矩阵中各个列向量中各个位置的特征值的负值为幂的自然指数函数值的加权和有关；
22、以所述腐蚀转移矩阵的对象节俭分解鼓励因数作为权重，分别对所述腐蚀转移矩阵中各个腐蚀转移矩阵进行加权以得到所述校正后腐蚀转移矩阵。
23、可选的，以如下公式计算所述腐蚀转移矩阵的对象节俭分解鼓励因数，所述公式为：
24、
25、其中mj,k∈mi，mj,k是所述腐蚀转移矩阵中第i个腐蚀转移矩阵的特征值，τi是所述腐蚀转移矩阵中第i个腐蚀转移矩阵对应的惩罚因子，||·||2表示特征矩阵的二范数。
26、可选的，所述将所述校正后腐蚀转移矩阵排列为三维输入张量后通过作为特征提取器的第二卷积神经网络以得到分类特征图，包括：
27、所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、池化处理和激活处理，所述第二卷积神经网络的最后一层生成所述分类特征图，其中，所述第二卷积神经网络的第一层的输入为所述三维输入张量。
28、可选的，所述将所述分类特征图通过分类器以得到分类结果，其中，所述分类结果用于表示单桩基础腐蚀状态，包括:
29、所述分类器以如下公式对所述分类特征图进行处理以生成分类结果，其中，所述公式为：
30、softmax{(wn,bn):…:(w1,b1)|project(f)}，
31、其中project(f)表示将所述分类特征图投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
32、本申请第二方面提出了一种海上风机的腐蚀状态监测装置，包括：
33、图像数据获取单元，用于获取由水下摄像头采集的海上风机单桩基础的侧面图像；
34、第一特征提取单元，用于将所述侧面图像通过作为过滤器的第一卷积神经网络以得到侧面腐蚀特征向量；
35、多尺度领域单元，用于将所述侧面腐蚀特征向量通过多尺度邻域特征提取模块以得到多尺度侧面腐蚀特征向量；
36、转移矩阵计算单元，用于计算所述多尺度侧面腐蚀特征向量间的转移矩阵以得到腐蚀转移矩阵；
37、校正单元，用于对所述腐蚀转移矩阵进行特征值校正以得到校正后腐蚀转移矩阵；
38、第二特征提取单元，用于将所述校正后腐蚀转移矩阵排列为三维输入张量后通过作为特征提取器的第二卷积神经网络以得到分类特征图；
39、分类单元，用于将所述分类特征图通过分类器以得到分类结果，其中，所述分类结果用于表示单桩基础腐蚀状态。
40、本申请第三方面，提出一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述第一方面中任一所述的方法。
41、本申请的实施例提供的技术方案至少带来以下有益效果：
42、通过采用人工智能的监测技术，使用基于深度学习的卷积神经网络模型来挖掘出海上风机的单桩基础的多个侧面图像的局部隐含关联特征，并通过计算符号化函数的距离式联合来促进高维流形的节俭分本文档来自技高网...
【技术保护点】
1.一种海上风机的腐蚀状态监测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述侧面图像通过作为过滤器的第一卷积神经网络以得到侧面腐蚀特征向量，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述侧面腐蚀特征向量通过多尺度邻域特征提取模块以得到多尺度侧面腐蚀特征向量，包括:
4.根据权利要求1所述的方法，其特征在于，以如下公式计算所述多尺度侧面腐蚀特征向量间的转移矩阵以得到腐蚀转移矩阵，所述公式为：
5.根据权利要求1所述的方法，其特征在于，所述对所述腐蚀转移矩阵进行特征值校正以得到校正后腐蚀转移矩阵，包括:
6.根据权利要求5所述的方法，其特征在于，以如下公式计算所述腐蚀转移矩阵的对象节俭分解鼓励因数，所述公式为：
7.根据权利要求1所述的方法，其特征在于，所述将所述校正后腐蚀转移矩阵排列为三维输入张量后通过作为特征提取器的第二卷积神经网络以得到分类特征图，包括：
8.根据权利要求1所述的方法，其特征在于，所述将所述分类特征图通过分类器以得到分类结果，其中，所
9.一种海上风机的腐蚀状态监测装置，其特征在于，包括：
10.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-8中任一所述的方法。
...【技术特征摘要】
1.一种海上风机的腐蚀状态监测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述侧面图像通过作为过滤器的第一卷积神经网络以得到侧面腐蚀特征向量，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述侧面腐蚀特征向量通过多尺度邻域特征提取模块以得到多尺度侧面腐蚀特征向量，包括:
4.根据权利要求1所述的方法，其特征在于，以如下公式计算所述多尺度侧面腐蚀特征向量间的转移矩阵以得到腐蚀转移矩阵，所述公式为：
5.根据权利要求1所述的方法，其特征在于，所述对所述腐蚀转移矩阵进行特征值校正以得到校正后腐蚀转移矩阵，包括:
6.根据权利要求5所述的方法，其特征...
【专利技术属性】
技术研发人员：陈卓，杨政厚，马羽龙，陈志文，段选锋，伟特，张琪，
申请(专利权)人：北京华能新锐控制技术有限公司，
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。