本發明涉及海上風電葉片健康監測，更具體地說，它涉及一種海上風電葉片健康監測方法及系統。

背景技術：

1、隨著全球能源需求的持續增長和環境保護意識的提高，海上風力發電作為一種清潔、可再生的能源形式，正受到廣泛關注，相比于陸地風電場，海上風力發電具有年平均風速更高、風速更穩定的優勢。然而，海上風力發電長期暴露在高濕度、強海風、鹽霧腐蝕和極端溫度變化之下，加速了風力發電葉片的老化和損壞，風力發電葉片作為風力發電機組中關鍵的結構部件，其運行狀態直接影響發電效率和設備安全。因此，為了保障風力發電機組的安全運行，海上風電葉片的健康監測顯得尤為重要。

2、現有通過振動傳感器采集葉片表面的振動信號來分析葉片是否存在故障，然而，強風或者浪涌引起的振動與葉片故障振動信號存在一定的相似性，積冰或者覆雪也會對葉片的振動產生影響，容易造成誤判；此外，還有通過高清攝像機采集葉片表面的圖像數據來分析葉片是否存在故障，然而，圖像數據只能捕捉葉片表面的缺陷信息，難以發現葉片內部的隱性故障（例如內部裂紋、連接松動等）。

3、因此，亟須一種海上風電葉片健康監測方法以解決上述問題。

技術實現思路

1、本發明提供一種海上風電葉片健康監測方法及系統，解決上述背景技術中的技術問題。

2、本發明提供了一種海上風電葉片健康監測方法，包括以下步驟：

3、步驟s101，采集海上風電葉片所在處的環境數據，并采集海上風電葉片上m個點位的振動數據；

4、環境數據包括：溫度、降雨量、降雪量、風速、風向與葉片朝向的夾角；

5、m個點位的振動數據均通過k個時間點的加速度值表示；

6、步驟s102，通過環境數據和m個點位的振動數據對第一神經網絡模型進行訓練；

7、第一神經網絡模型的輸入為m個點位的振動數據，輸出為海上風電葉片的第一健康狀態，第一健康狀態包括：葉片正常、葉片積冰和連接松動；

8、步驟s103，在預設時間段t內，按照預設時間間隔t采集海上風電葉片的普通圖像和紅外圖像；

9、步驟s104，對海上風電葉片的普通圖像和紅外圖像進行預處理獲得圖像序列；

10、圖像序列包括n個序列單元，每個序列單元由預處理后的普通圖像和紅外圖像組成，其中n=t/t；

11、步驟s105，將訓練完成的第一神經網絡模型遷移至第二神經網絡模型，并通過圖像序列對第二神經網絡模型進行訓練；

12、第二神經網絡模型的輸入包括第一神經網絡模型的輸入，還包括圖像序列和環境數據，輸出為海上風電葉片的第二健康狀態，第二健康狀態包括：第一健康狀態、表面污漬、表面裂紋、表面腐蝕和內部裂紋；

13、步驟s106，將環境數據、m個點位的振動數據和圖像序列輸入到訓練完成的第二神經網絡模型，輸出海上風電葉片的第二健康狀態。

14、進一步地，點位數量m、振動數據的時間點數量k、預設時間段t和預設時間間隔t均為自定義參數。

15、進一步地，對海上風電葉片的普通圖像和紅外圖像進行預處理獲得圖像序列，包括以下步驟：

16、步驟s201，將普通圖像進行灰度化，并將其與紅外圖像縮放到統一的預設尺寸，其中預設尺寸為自定義參數；

17、步驟s202，通過高斯濾波對普通圖像和紅外圖像進行降噪處理；

18、步驟s203，通過語義分割模型去除普通圖像和紅外圖像的背景；

19、步驟s204，通過min-max方法對普通圖像和紅外圖像進行歸一化處理；

20、步驟s205，隨機選擇一種數據增強方法對普通圖像和紅外圖像進行數據增強，其中數據增強方法包括：旋轉、翻轉和平移。

21、進一步地，第一神經網絡模型由m個轉換層、m個特征提取層、1個序列構建層和1個時序分析層組成；

22、m個轉換層用于將m個點位的振動數據轉換為馬爾可夫矩陣；

23、m個特征提取層用于對m個馬爾可夫矩陣進行特征提取獲得特征向量，并且m個特征提取層共享權重參數；

24、序列構建層用于將m個特征向量進行拼接獲得特征序列，特征序列包括m個序列單元，每個序列單元對應一個特征向量；

25、時序分析層用于對特征序列進行時序分析獲得更新向量，時序分析層基于transformer模型構建，并且更新向量的維度數量為自定義參數；

26、在第一神經網絡模型的訓練過程中，將更新向量輸入到第一分類器，第一分類器的分類空間表示海上風電葉片的第一健康狀態，用于訓練第一神經網絡模型的訓練樣本的樣本標簽通過人工標注獲得。

27、進一步地，轉換層將振動數據轉換為馬爾可夫矩陣，包括以下步驟：

28、步驟s301，通過min-max方法對振動數據進行歸一化處理；

29、將k個時間點的加速度值的值域控制在0到1之間；

30、步驟s302，將歸一化后的振動數據進行離散化處理獲得狀態序列；

31、將歸一化后的加速度值的值域均勻劃分為q個不重疊的狀態區間，每個狀態區間都對應一個取值范圍在1到q之間的遞增狀態值，再確定歸一化后的k個時間點的加速度值所在的狀態區間獲得狀態序列，其中q為自定義的正整數；

32、步驟s303，統計狀態序列中不同狀態值出現的總次數，并遍歷狀態序列中相鄰狀態值的轉移次數來構建馬爾可夫轉移矩陣；

33、馬爾可夫轉移矩陣的大小為q×q，第a行第b列的元素值表示第a個狀態值到第b個狀態值的轉移概率，其中1≤a≤q，1≤b≤q；

34、第a個狀態值轉移到第b個狀態值的概率的計算公式如下：

35、，其中表示第a個狀態值轉移到第b個狀態值的次數，表示第a個狀態值出現的總次數；

36、步驟s304，根據狀態序列和馬爾可夫轉移矩陣構建馬爾可夫矩陣；

37、馬爾可夫矩陣的大小為k×k，第c行第d列的元素值表示狀態序列的第c個狀態值轉移到第d個狀態值的概率，其中1≤c≤k，1≤d≤k。

38、進一步地，特征提取層的計算公式如下：

39、；

40、其中vector表示特征提取層輸出的特征向量，mtf表示特征提取層輸入的馬爾可夫矩陣，、和表示卷積核的大小均為3×3且卷積核的數量分別為32、64和128的卷積操作，表示卷積核的大小為1×1且卷積核的數量為256的卷積操作，表示池化窗口的大小為2×2的最大池化操作，和表示卷積核的大小為3×3且卷積核的數量為64，膨脹率分別為2和4的膨脹卷積操作，globalmaxpooling表示全局最大池化操作，dense表示全連接層；

41、定義：卷積操作和膨脹卷積操作的填充方式均為same，并且卷積核的步長均為1，卷積操作和膨脹卷積操作的激活函數均為relu激活函數；最大池化操作的池化窗口的步長均為2；全連接層的激活函數為swish激活函數。

42、進一步地，在對第一神經網絡模型訓練之前，先對其進行預訓練，在第一神經網絡模型的預訓練過程中，將更新向量輸入到第二分類器、第三分類器、第四分類器、第五分類器和第六分類器，上述分類器的分類空間分別表示溫度、降雨量、降雪量、風速、風向與葉片朝向的夾角。

43、進一步地，第二神經網絡模型由訓練完成的第一神經網絡模型、n個第一卷積層、n個第二卷積層、拼接層、隱藏層、提取層和第七分類器組成；

44、第一卷積層用于對預處理后的普通圖像進行特征提取獲得第一向量，第一向量的維度數量為自定義參數；

45、第二卷積層用于對預處理后的紅外圖像進行特征提取獲得第二向量，第二向量的維度數量為自定義參數；

46、拼接層用于將訓練完成的第一神經網絡模型輸出的更新向量與環境數據、第一向量和第二向量進行拼接獲得組合向量，將圖像序列的每個序列單元轉換為組合向量表示；

47、隱藏層包括n個隱藏單元，第n個隱藏單元輸入圖像序列的第n個序列單元對應的組合向量，輸出隱藏向量，其中1≤n≤n；

48、提取層用于提取第n個隱藏單元輸出的隱藏向量，并將其輸入到第七分類器，第七分類器的分類空間表示海上風電葉片的第二健康狀態，用于訓練第二神經網絡模型的訓練樣本的樣本標簽通過人工標注獲得。

49、進一步地，第n個隱藏單元的計算公式包括：

50、；

51、；

52、其中和分別表示第n個隱藏單元和第n-1個隱藏單元輸出的隱藏向量，賦值為0，表示第n個隱藏單元輸入的圖像序列的第n個序列單元對應的組合向量，表示第n個隱藏單元的門控向量，其大小與隱藏向量的大小相同，和分別表示第n個隱藏單元對應的第一權重參數和第二權重參數，和分別表示第n個隱藏單元對應的第一偏置參數和第二偏置參數，表示逐元素相乘，swish表示swish激活函數，sigmoid表示sigmoid激活函數。

53、本發明提供一種海上風電葉片健康監測系統，包括：

54、數據采集模塊，其用于采集海上風電葉片所在處的環境數據，并采集海上風電葉片上m個點位的振動數據；

55、第一訓練模塊，其用于通過環境數據和m個點位的振動數據對第一神經網絡模型進行訓練；

56、圖像采集模塊，其用于在預設時間段t內，按照預設時間間隔t采集海上風電葉片的普通圖像和紅外圖像；

57、圖像處理模塊，其用于對海上風電葉片的普通圖像和紅外圖像進行預處理獲得圖像序列；

58、第二訓練模塊，其用于將訓練完成的第一神經網絡模型遷移至第二神經網絡模型，并通過圖像序列對第二神經網絡模型進行訓練；

59、風電葉片健康監測模塊，其用于將環境數據、m個點位的振動數據和圖像序列輸入到訓練完成的第二神經網絡模型，輸出海上風電葉片的第二健康狀態。

60、本發明的有益效果在于：本發明通過第一神經網絡模型對多個點位的振動數據進行特征提取和融合，將第一神經網絡模型遷移至第二神經網絡模型對普通圖像和紅外圖像進行特征提取和融合，從而實現海上風電葉片的健康監測，并且將環境數據作為預訓練的目標，從而降低環境數據對健康監測的干擾，提高模型的監測精度。