System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及海上风机的智能检测领域,具体涉及一种运行状态下海上风机的系统自振频率分析系统及其方法。
技术介绍
1、近年来,随着传统能源的日益匮乏和环境条件的不断恶化,可再生能源的开发与利用已成为各国研究发展的重点,而海上风能作为绿色可再生能源是现在的研究热点之一。与陆上风能相比,海上风能具有风速高、有效发电时间长和不占用陆地资源等优势。
2、海上风机设计时应考虑荷载激励频率与结构自振频率的关系,保证系统自振频率避开荷载激励频率。海上风机在运营期间会承受上风、浪的荷载,风浪荷载会引起风机系统的水平侧移;随着水平侧移的增大,风机基础的刚度会降低,从而导致系统频率的偏移。风机系统基频降低过大可能会造成风机系统频率与风机运行荷载频率接近,从而造成风机结构反应过大。
3、因此,急需一种用于海上风机的系统自振频率分析技术来对海上风机的系统自振频率进行及时准确地检测分析。
技术实现思路
1、本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本专利技术提供了一种运行状态下海上风机的系统自振频率分析系统及其方法,主要目的在于提高海上风机的系统自振频率分析的准确性和时效性。
2、根据本专利技术的第一方面实施例,提供了一种运行状态下海上风机的系统自振频率分析方法,包括:
3、获取训练数据,所述训练数据包括海上风机的多项参数,将所述训练数据输入上下文编码器得到训练参数特征向量,基于所述训练参数特征向量获得训练参数特征矩阵,将所述训练参数特征
4、将所述训练解码特征图输入解码器得到解码损失函数值,计算所述训练参数特征矩阵的参数间聚合损失函数值,利用所述解码损失函数值和所述参数间聚合损失函数值的加权和作为训练过程的损失函数值对所述上下文编码器和所述第一卷积神经网络进行训练,从而获得训练好的上下文编码器和训练好的第一卷积神经网络;
5、实时获取待检测海上风机的多项参数,所述待检测海上风机的多项参数的参数种类与所述训练数据中的参数种类一致;
6、将所述待检测海上风机的多项参数输入训练好的上下文编码器得到参数特征向量,基于所述参数特征向量获得参数特征矩阵,将所述参数特征矩阵输入训练好的第一卷积神经网络得到解码特征图,将所述解码特征图输入解码器得到解码值,所述解码值为海上风机的系统自振频率值。
7、在本专利技术的一个实施例中,所述上下文编码器包含嵌入层,所述将所述训练数据输入上下文编码器得到训练参数特征向量,包括:使用所述上下文编码器的嵌入层分别将所述海上风机的多项参数转化为输入向量以获得输入向量的序列;使用所述上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个训练参数特征向量。
8、在本专利技术的一个实施例中,所述第一卷积神经网络的相邻层使用互为转置的卷积核,所述将所述训练参数特征矩阵输入第一卷积神经网络得到训练解码特征图,包括:从所述第一卷积神经网络的第m层提取浅层特征图,m是偶数;从所述第一卷积神经网络的第n层提取深层特征图,其中,n为偶数,且n大于m的2倍;以及融合所述浅层特征图和所述深层特征图以生成所述训练解码特征图。
9、在本专利技术的一个实施例中,所述将所述训练解码特征图输入解码器得到解码损失函数值,包括:使用所述解码器通过公式(ⅰ)对所述训练解码特征图进行解码回归以获得解码值,其中,公式(ⅰ)为:
10、
11、式中,x是所述训练解码特征图,y是所述解码值,w是权重矩阵,表示矩阵乘;计算所述解码值和真实值之间的方差获得所述解码损失函数值。
12、在本专利技术的一个实施例中,所述计算所述训练参数特征矩阵的参数间聚合损失函数值,包括:通过公式(ⅱ)计算所述训练参数特征矩阵的参数间聚合损失函数值,其中,公式(ⅱ)为:
13、
14、式中,mi,表示所述训练参数特征矩阵的第i行第j列的特征值,τ是惩罚因数,relu表示激活函数,||·||2表示向量的二范数,表示参数间聚合损失函数值。
15、在本专利技术的一个实施例中,所述多项参数包括轮毅中心到海平面的高度、塔筒高度、水深、塔筒材料密度、桩体材料密度、弹性模量、剪切模量、吊篮的质量、转子的质量、塔顶直径、塔底直径、塔顶厚度、塔底厚度、桩的直径、桩的厚度、桩基入土深度、桩-土体系的等效弹簧系数和侧向位移。
16、根据本专利技术的第二方面实施例,还提供了一种运行状态下海上风机的系统自振频率分析系统,包括:
17、训练模块,用于获取训练数据,所述训练数据包括海上风机的多项参数,将所述训练数据输入上下文编码器得到训练参数特征向量,基于所述训练参数特征向量获得训练参数特征矩阵,将所述训练参数特征矩阵输入第一卷积神经网络得到训练解码特征图;将所述训练解码特征图输入解码器得到解码损失函数值,计算所述训练参数特征矩阵的参数间聚合损失函数值,利用所述解码损失函数值和所述参数间聚合损失函数值的加权和作为训练过程的损失函数值对所述上下文编码器和所述第一卷积神经网络进行训练,从而获得训练好的上下文编码器和训练好的第一卷积神经网络;
18、推断模块,用于实时获取待检测海上风机的多项参数,所述待检测海上风机的多项参数的参数种类与所述训练数据中的参数种类一致;将所述待检测海上风机的多项参数输入训练好的上下文编码器得到参数特征向量,基于所述参数特征向量获得参数特征矩阵,将所述参数特征矩阵输入训练好的第一卷积神经网络得到解码特征图,将所述解码特征图输入解码器得到解码值,所述解码值为海上风机的系统自振频率值。
19、在本专利技术的一个实施例中,所述训练模块包括上下文编码单元,所述上下文编码单元包括上下文编码器,所述上下文编码器包含嵌入层,所述上下文编码单元具有用于:使用所述上下文编码器的嵌入层分别将所述海上风机的多项参数转化为输入向量以获得输入向量的序列;使用所述上下文编码器的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个训练参数特征向量。
20、在本专利技术的一个实施例中,所述训练模块包括特征提取单元,所述特征提取单元包括相邻层使用互为转置的卷积核的第一卷积神经网络,所述特征提取单元具有用于:从所述第一卷积神经网络的第m层提取浅层特征图,m是偶数;从所述第一卷积神经网络的第n层提取深层特征图,其中,n为偶数,且n大于m的2倍;融合所述浅层特征图和所述深层特征图以生成所述训练解码特征图。
21、在本专利技术的一个实施例中,所述训练模块包括参数间聚合损失函数值计算单元,所述参数间聚合损失函数值计算单元具有用于:通过公式(ⅱ)计算所述训练参数特征矩阵的参数间聚合损失函数值,其中,公式(ⅱ)为:
22、
23、式中,mi,表示所述训练参数特征矩阵的第i行第j列的特征值,τ是惩罚因数,relu表示激活函数,||·||2表示向量的二范数,表示参数间聚合损失函数值。
24、在本本文档来自技高网...
【技术保护点】
1.一种运行状态下海上风机的系统自振频率分析方法,其特征在于,包括:
2.根据权利要求1所述的运行状态下海上风机的系统自振频率分析方法,其特征在于,所述上下文编码器包含嵌入层,所述将所述训练数据输入上下文编码器得到训练参数特征向量,包括:
3.根据权利要求2所述的运行状态下海上风机的系统自振频率分析方法,其特征在于,所述第一卷积神经网络的相邻层使用互为转置的卷积核,所述将所述训练参数特征矩阵输入第一卷积神经网络得到训练解码特征图,包括:
4.根据权利要求3所述的运行状态下海上风机的系统自振频率分析方法,其特征在于,所述将所述训练解码特征图输入解码器得到解码损失函数值,包括:使用所述解码器通过公式(Ⅰ)对所述训练解码特征图进行解码回归以获得解码值,其中,公式(Ⅰ)为:
5.根据权利要求4所述的运行状态下海上风机的系统自振频率分析方法,其特征在于,所述计算所述训练参数特征矩阵的参数间聚合损失函数值,包括:通过公式(Ⅱ)计算所述训练参数特征矩阵的参数间聚合损失函数值,其中,公式(Ⅱ)为:
6.根据权利要求5所述的运行状态下海上
7.一种运行状态下海上风机的系统自振频率分析系统,其特征在于,包括:
8.根据权利要求7所述的运行状态下海上风机的系统自振频率分析系统,其特征在于,所述训练模块包括上下文编码单元,所述上下文编码单元包括上下文编码器,所述上下文编码器包含嵌入层,所述上下文编码单元具有用于:
9.根据权利要求8所述的运行状态下海上风机的系统自振频率分析系统,其特征在于,所述训练模块包括特征提取单元,所述特征提取单元包括相邻层使用互为转置的卷积核的第一卷积神经网络,所述特征提取单元具有用于:
10.根据权利要求9所述的运行状态下海上风机的系统自振频率分析系统,其特征在于,所述训练模块包括参数间聚合损失函数值计算单元,所述参数间聚合损失函数值计算单元具有用于:通过公式(Ⅱ)计算所述训练参数特征矩阵的参数间聚合损失函数值,其中,公式(Ⅱ)为:
...【技术特征摘要】
1.一种运行状态下海上风机的系统自振频率分析方法,其特征在于,包括:
2.根据权利要求1所述的运行状态下海上风机的系统自振频率分析方法,其特征在于,所述上下文编码器包含嵌入层,所述将所述训练数据输入上下文编码器得到训练参数特征向量,包括:
3.根据权利要求2所述的运行状态下海上风机的系统自振频率分析方法,其特征在于,所述第一卷积神经网络的相邻层使用互为转置的卷积核,所述将所述训练参数特征矩阵输入第一卷积神经网络得到训练解码特征图,包括:
4.根据权利要求3所述的运行状态下海上风机的系统自振频率分析方法,其特征在于,所述将所述训练解码特征图输入解码器得到解码损失函数值,包括:使用所述解码器通过公式(ⅰ)对所述训练解码特征图进行解码回归以获得解码值,其中,公式(ⅰ)为:
5.根据权利要求4所述的运行状态下海上风机的系统自振频率分析方法,其特征在于,所述计算所述训练参数特征矩阵的参数间聚合损失函数值,包括:通过公式(ⅱ)计算所述训练参数特征矩阵的参数间聚合损失函数值,其中,公式(ⅱ)为:
6.根据权利要求5所述的运行状态下海上风机的系统自振频率分析方法,其...
【专利技术属性】
技术研发人员:韩健,杨政厚,马羽龙,陈志文,段选锋,伟特,
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。