【技术实现步骤摘要】
本申请涉及海上浮式风机的智能监测，尤其涉及一种海上浮式风机的可靠性监测方法和系统。
技术介绍
1、新能源的开发与规模化应用是“碳平衡”目标实现的根本保证。在陆地资源的有限性、能源开发的经济性与可持续性的共同限制下，新能源开发者将目光逐步投向开发潜力更大的海洋。在此背景下，海上风能应运而生。特别地，海上浮式风能因其巨大的开发潜力和丰富的资源储量被认为是风电的发展方向之一。然而，作为海上浮式风能开发主力装备的海上浮式风机，其开发与运营受到多方面的制约，如海上浮式风能项目总体成本高，以及可靠性、可用性等指标差等。因此，开展海上浮式风机可靠性分析研究以提高其经济性势在必行。
2、海上浮式风机的可靠性分析研究在风能市场爆发式扩张的强劲推动下已逐步开展，但该类研究仍存在诸如认识不足、数据积累少、模型精细化程度低等难点问题亟待攻克。
技术实现思路
1、本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本申请的第一个目的在于提出一种海上浮式风机的可靠性监测方法，解决了现有海上浮式风机可靠性分析研究数据积累少、模型精细化程度低的技术问题，通过使用深度神经网络模型来对于海上浮式风机各个模块的多个故障因素进行深层的隐含关联特征挖掘，以综合各个模块的故障因素特征信息之间的关联来对于海上浮式风机的可靠性进行准确地判断，进而保证海上浮式风机的正常运行。
3、本申请的第二个目的在于提出一种海上浮式风机的可靠性监测系统。
4、为达上述目的，本申请第
5、可选地，在本申请的一个实施例中，上下文编码器包含嵌入层，将各个模块的多个故障的文本描述输入上下文编码器，得到对应于各个模块的多个故障事件文本特征向量，包括：
6、对各个模块的多个故障的文本描述进行分词处理以将各个模块的多个故障的文本描述转化为由多个词组成的词序列；
7、使用上下文编码器的嵌入层将词序列中各个词映射到词向量，得到词向量序列；
8、使用上下文编码器的转化器对词向量序列进行基于全局的上下文语义编码，获得对应于各个模块的多个故障事件文本特征向量。
9、可选地，在本申请的一个实施例中，基于各个模块的多个故障的故障率，分别对各个模块的多个故障事件文本特征向量进行校正，得到各个模块的多个校正后故障事件文本特征向量，包括：
10、根据各个模块的多个故障的故障率得到权重，基于权重分别对各个模块的多个故障事件文本特征向量进行加权，得到各个模块的多个校正后故障事件文本特征向量。
11、可选地，在本申请的一个实施例中，根据各个模块的多个故障的故障率得到权重，基于权重分别对各个模块的多个故障事件文本特征向量进行加权，得到各个模块的多个校正后故障事件文本特征向量，包括：
12、将各个模块的多个故障的故障率排列为输入向量后输入一维卷积层，得到故障率特征向量；
13、将故障率特征向量输入类softmax函数，得到概率化故障率特征向量；
14、将概率化故障率特征向量中各个位置的特征值作为权重，分别对各个模块的多个故障事件文本特征向量进行加权以得到对应于各个模块的多个校正后故障事件文本特征向量。
15、可选地，在本申请的一个实施例中，第一卷积神经网络的各层在层的正向传递中分别进行，将各个模块的多个校正后故障事件文本特征向量排列为二维特征矩阵后分别输入第一卷积神经网络进行过滤，得到第一至第五故障特征向量，包括：
16、对输入数据进行卷积处理以得到卷积特征图；
17、对卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；
18、对池化特征图进行非线性激活以得到激活特征图；
19、其中，第一卷积神经网络的最后一层的输出为第一至第五故障特征向量，第一卷积神经网络的第一层的输入为二维特征矩阵。
20、可选地，在本申请的一个实施例中，特征分布校正的计算公式表示为：
21、
22、其中，v′表示校正后第一至第五故障特征向量，v表示第一至第五故障特征向量，vmax-1表示向量中的最大特征值的倒数，⊙表示按位置点乘。
23、可选地，在本申请的一个实施例中，将校正后第一至第五故障特征向量排列为二维特征矩阵后输入第二卷积神经网络进行特征提取，得到分类特征图，包括：
24、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以由第二卷积神经网络的最后一层生成分类特征图，其中，第二卷积神经网络的第一层的输入为二维特征矩阵。
25、可选地，在本申请的一个实施例中，将分类特征图输入分类器得到分类结果，并根据分类结果判断海上浮式风机的可靠性是否满足预定标准，包括：
26、分类器通过公式对分类特征图进行处理以生成分类结果；
27、其中，公式表示为：
28、softmax{(wn，bn)：...：(w1，b1)|project(f)}
29、其中，project(f)表示将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。
30、可选地，在本申请的一个实施例中，支撑结构模块的多个故障，包括：系泊系统故障、塔架故障、浮式基础故障、设备故障、极端海况、环境引起倒塌、坠落物撞击、密封故障、其他设备故障、管道连接故障、导缆器故障、锚链断裂、锚链破损、锚链磨损、累加器故障、人因故障、共振、焊接缺钱、材料疲劳、立柱损坏、倾覆、锚故障和恶劣操作环境；
31、变桨模块的多个故障，包括液压系统故障、预警单元故障、攻角错误、润滑油故障、电源故障、气象单元故障、液压马达故障、压力超标；
32、齿轮箱模块的多个故障，包括润滑故障、齿轮异常、轴承故障、齿轮磨损、齿轮裂纹、齿轮偏置、过滤器故障、润滑油质量差、润滑油污染、异常振动和齿轮胶合；
33、发电机模块的多个故障，包括定子和转子故障、轴承故障本文档来自技高网...
【技术保护点】
1.一种海上浮式风机的可靠性监测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述上下文编码器包含嵌入层，所述将所述各个模块的多个故障的文本描述输入上下文编码器，得到对应于各个模块的多个故障事件文本特征向量，包括：
3.如权利要求2所述的方法，其特征在于，所述基于所述各个模块的多个故障的故障率，分别对所述各个模块的多个故障事件文本特征向量进行校正，得到各个模块的多个校正后故障事件文本特征向量，包括：
4.如权利要求3所述的方法，其特征在于，所述根据所述各个模块的多个故障的故障率得到权重，基于所述权重分别对所述各个模块的多个故障事件文本特征向量进行加权，得到所述各个模块的多个校正后故障事件文本特征向量，包括：
5.如权利要求1所述的方法，其特征在于，所述第一卷积神经网络的各层在层的正向传递中分别进行，所述将所述各个模块的多个校正后故障事件文本特征向量排列为二维特征矩阵后分别输入第一卷积神经网络进行过滤，得到第一至第五故障特征向量，包括：
6.如权利要求1所述的方法，其特征在于，所述特征分布校正的计算公式
7.如权利要求1所述的方法，其特征在于，所述将所述校正后第一至第五故障特征向量排列为二维特征矩阵后输入第二卷积神经网络进行特征提取，得到分类特征图，包括：
8.如权利要求1所述的方法，其特征在于，所述将所述分类特征图输入分类器得到分类结果，并根据所述分类结果判断海上浮式风机的可靠性是否满足预定标准，包括：
9.如权利要求1所述的方法，其特征在于，所述支撑结构模块的多个故障，包括：系泊系统故障、塔架故障、浮式基础故障、设备故障、极端海况、环境引起倒塌、坠落物撞击、密封故障、其他设备故障、管道连接故障、导缆器故障、锚链断裂、锚链破损、锚链磨损、累加器故障、人因故障、共振、焊接缺钱、材料疲劳、立柱损坏、倾覆、锚故障和恶劣操作环境；
10.一种海上浮式风机的可靠性监测系统，其特征在于，包括：
...【技术特征摘要】
1.一种海上浮式风机的可靠性监测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述上下文编码器包含嵌入层，所述将所述各个模块的多个故障的文本描述输入上下文编码器，得到对应于各个模块的多个故障事件文本特征向量，包括：
3.如权利要求2所述的方法，其特征在于，所述基于所述各个模块的多个故障的故障率，分别对所述各个模块的多个故障事件文本特征向量进行校正，得到各个模块的多个校正后故障事件文本特征向量，包括：
4.如权利要求3所述的方法，其特征在于，所述根据所述各个模块的多个故障的故障率得到权重，基于所述权重分别对所述各个模块的多个故障事件文本特征向量进行加权，得到所述各个模块的多个校正后故障事件文本特征向量，包括：
5.如权利要求1所述的方法，其特征在于，所述第一卷积神经网络的各层在层的正向传递中分别进行，所述将所述各个模块的多个校正后故障事件文本特征向量排列为二维特征矩阵后分别输入第一卷积神经网络进...
【专利技术属性】
技术研发人员：陈兆圣，杨政厚，韩健，陈志文，王兵，许庆现，
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。