本發(fā)明涉及風(fēng)電場監(jiān)控，具體地說，特別涉及一種風(fēng)電場監(jiān)控圖像自動解析及故障預(yù)測方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、風(fēng)力發(fā)電是一種清潔、可再生的能源,在全球能源結(jié)構(gòu)轉(zhuǎn)型的背景下,風(fēng)電產(chǎn)業(yè)得到了快速發(fā)展。為了保證風(fēng)電場的安全、穩(wěn)定、高效運行,對風(fēng)電機組進(jìn)行實時監(jiān)控和故障診斷至關(guān)重要。傳統(tǒng)的風(fēng)電機組監(jiān)控主要依賴于監(jiān)測風(fēng)速、風(fēng)向、轉(zhuǎn)速、溫度等scada系統(tǒng)數(shù)據(jù),以及振動、油液等單一模態(tài)的傳感器數(shù)據(jù)。然而,風(fēng)電機組作為一個復(fù)雜的機電耦合系統(tǒng),其運行狀態(tài)受到多種因素的影響,單一模態(tài)的數(shù)據(jù)難以全面反映其健康狀況。

2、近年來,隨著傳感器技術(shù)、數(shù)據(jù)采集與傳輸技術(shù)的進(jìn)步,風(fēng)電機組的多模態(tài)監(jiān)控數(shù)據(jù)日益豐富,包括高清圖像、聲音、振動、scada系統(tǒng)數(shù)據(jù)等。如何有效融合這些異構(gòu)數(shù)據(jù),挖掘其中蘊含的故障特征,是風(fēng)電機組智能監(jiān)控亟需解決的問題。

3、目前,針對風(fēng)電機組的多模態(tài)監(jiān)控數(shù)據(jù)分析與故障診斷已經(jīng)開展了一些研究,主要采用人工特征提取和淺層機器學(xué)習(xí)模型,如支持向量機、隨機森林等。這些方法在特定工況下取得了一定的診斷效果,但在實際應(yīng)用中仍然存在以下不足:

4、1)特征提取和融合方式較為簡單,難以充分利用多模態(tài)數(shù)據(jù)的互補信息；

5、2)缺乏領(lǐng)域知識的有效表示和推理機制,難以應(yīng)對復(fù)雜工況；

6、3)診斷模型的泛化性和魯棒性有待提升；

7、4)缺乏人機交互和可解釋性分析,不便于工程應(yīng)用。

8、為了進(jìn)一步提升風(fēng)電機組故障診斷的智能化水平,亟需開發(fā)一種基于多模態(tài)監(jiān)控數(shù)據(jù)的風(fēng)電機組故障診斷方法,能夠自適應(yīng)地提取和融合不同模態(tài)數(shù)據(jù)的特征,引入領(lǐng)域知識增強數(shù)據(jù)驅(qū)動建模,提高診斷模型的泛化性和魯棒性,同時兼顧可解釋性和人機交互,以期獲得更加準(zhǔn)確、高效、可靠的風(fēng)電機組故障診斷結(jié)果,為風(fēng)電場的智能運維提供決策支持。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種風(fēng)電場監(jiān)控圖像自動解析及故障預(yù)測方法、系統(tǒng)、設(shè)備及介質(zhì)，解決了現(xiàn)有的風(fēng)電場故障檢測存在的準(zhǔn)確度不高的缺陷。

2、為了達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是：

3、本發(fā)明提供的一種風(fēng)電場監(jiān)控圖像自動解析及故障預(yù)測方法，包括以下步驟：

4、步驟1，采集風(fēng)電場的圖像數(shù)據(jù)、聲音數(shù)據(jù)、振動數(shù)據(jù)、scada系統(tǒng)數(shù)據(jù)和環(huán)境數(shù)據(jù)，形成多模態(tài)數(shù)據(jù)；

5、步驟2，對得到的多模態(tài)數(shù)據(jù)進(jìn)行預(yù)處理；

6、步驟3，從預(yù)處理后的多模態(tài)數(shù)據(jù)中提取特征并進(jìn)行融合，得到融合后的特征；

7、步驟4，基于融合后的特征進(jìn)行風(fēng)機故障診斷和預(yù)測，得到故障診斷與預(yù)測結(jié)果。

8、優(yōu)選地，步驟3中，從預(yù)處理后的多模態(tài)數(shù)據(jù)中提取特征并進(jìn)行融合，得到融合后的特征，具體方法是：

9、從預(yù)處理后的多模態(tài)數(shù)據(jù)中分別提取圖像特征、聲音特征、振動特征和scada系統(tǒng)數(shù)據(jù)特征；

10、將提取到的圖像特征、聲音特征、振動特征和scada系統(tǒng)數(shù)據(jù)特征進(jìn)行融合，得到融合后的特征。

11、優(yōu)選地，步驟4中，基于融合后的特征進(jìn)行風(fēng)機故障診斷和預(yù)測，得到故障診斷與預(yù)測結(jié)果，具體方法是：

12、將不確定性感知的多任務(wù)學(xué)習(xí)框架與融合后的特征相結(jié)合，得到故障診斷與預(yù)測結(jié)果，其中：

13、不確定性感知的多任務(wù)學(xué)習(xí)框架的損失函數(shù)為：

14、

15、其中，lt是每個任務(wù)的損失函數(shù)；σt為每個任務(wù)引入可學(xué)習(xí)的不確定性參數(shù)。

16、一種風(fēng)電場監(jiān)控圖像自動解析及故障預(yù)測系統(tǒng)，包括：

17、所述多模態(tài)數(shù)據(jù)采集模塊，用于采集風(fēng)電場的圖像數(shù)據(jù)、聲音數(shù)據(jù)、振動數(shù)據(jù)、scada系統(tǒng)數(shù)據(jù)和環(huán)境數(shù)據(jù)，形成多模態(tài)數(shù)據(jù)；

18、數(shù)據(jù)預(yù)處理模塊，用于對得到的多模態(tài)數(shù)據(jù)進(jìn)行預(yù)處理；

19、特征提取與融合模塊，用于從預(yù)處理后的多模態(tài)數(shù)據(jù)中提取特征并進(jìn)行融合，得到融合后的特征；

20、故障診斷與預(yù)測模塊，用于基于融合后的特征進(jìn)行風(fēng)機故障診斷和預(yù)測，得到故障診斷與預(yù)測結(jié)果。

21、優(yōu)選地，所述多模態(tài)數(shù)據(jù)采集模塊包括：

22、圖像數(shù)據(jù)采集單元，用于采集風(fēng)電場的圖像數(shù)據(jù)；

23、聲音數(shù)據(jù)采集單元，用于采集風(fēng)電場的聲音數(shù)據(jù)；

24、振動數(shù)據(jù)采集單元，用于采集風(fēng)電場的振動數(shù)據(jù)；

25、所述scada系統(tǒng)數(shù)據(jù)采集單元，用于采集風(fēng)電場的scada系統(tǒng)數(shù)據(jù)；

26、所述環(huán)境數(shù)據(jù)采集單元，用于采集風(fēng)電場的環(huán)境數(shù)據(jù)。

27、優(yōu)選地，還包括知識圖譜推理模塊，用于構(gòu)建風(fēng)電場領(lǐng)域知識圖譜并進(jìn)行推理，得到知識推理結(jié)果；

28、維護(hù)決策優(yōu)化模塊，用于基于故障診斷與預(yù)測結(jié)果以及知識推理結(jié)果生成最優(yōu)維護(hù)決策。

29、優(yōu)選地，知識圖譜推理模塊包括：

30、知識圖譜構(gòu)建單元，用于構(gòu)建實體及其關(guān)系的知識圖譜；

31、知識圖譜嵌入單元，用于學(xué)習(xí)實體和及其關(guān)系的低維嵌入表示；

32、規(guī)則推理單元，用于概率推理和軟規(guī)則學(xué)習(xí)；

33、知識增強的注意力機制單元，用于利用知識圖譜中的實體關(guān)系增強特征提取過程中的注意力權(quán)重計算。

34、一種計算機設(shè)備，包括：

35、處理器，適用于執(zhí)行計算機程序；

36、計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有計算機程序，所述計算機程序被所述處理器執(zhí)行時，執(zhí)行所述的方法。

37、一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述的方法。

38、一種計算機程序產(chǎn)品，所述計算機程序產(chǎn)品包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述的方法。

39、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

40、本發(fā)明提供的一種風(fēng)電場監(jiān)控圖像自動解析及故障預(yù)測系統(tǒng)，采用多模態(tài)數(shù)據(jù)采集單元，同步獲取風(fēng)電機組的振動、聲音、溫度等多源異構(gòu)數(shù)據(jù)，通過特征提取與融合技術(shù)實現(xiàn)跨模態(tài)數(shù)據(jù)的關(guān)聯(lián)挖掘，充分利用不同物理量之間的互補關(guān)系，全面刻畫風(fēng)電機組的健康狀態(tài)；利用多任務(wù)學(xué)習(xí)策略，將故障診斷與預(yù)測統(tǒng)一在同一個深度學(xué)習(xí)框架下，實現(xiàn)故障類型識別和嚴(yán)重程度評估的端到端訓(xùn)練，不僅提高了診斷和預(yù)測的準(zhǔn)確性，還大幅降低了人工處理的工作量。

41、進(jìn)一步的，本發(fā)明引入強化學(xué)習(xí)理論，將運維決策建模為馬爾可夫決策過程，通過深度強化學(xué)習(xí)算法自主探索最優(yōu)維護(hù)策略，在保障風(fēng)電機組可靠性的同時，最大化風(fēng)電場的長期經(jīng)濟效益，實現(xiàn)從被動維修到主動運維的轉(zhuǎn)變。

42、進(jìn)一步的，本發(fā)明構(gòu)建風(fēng)電機組部件的知識圖譜，將專家經(jīng)驗形式化為可計算的知識庫，利用知識推理技術(shù)輔助故障溯源和影響分析，提高故障診斷的可解釋性和可信度，有利于人機協(xié)同和知識的累積迭代。

43、進(jìn)一步的，本發(fā)明開發(fā)了web端的可視化交互平臺，對風(fēng)電場的運行狀態(tài)、故障預(yù)警等信息進(jìn)行直觀展示，并提供數(shù)據(jù)查詢、趨勢分析等輔助決策功能，使管理人員能夠及時洞察風(fēng)電場的全貌，做出正確的管理決策。

44、綜上所述，本發(fā)明融合人工智能、大數(shù)據(jù)分析、知識工程等前沿技術(shù)，為風(fēng)電機組的全生命周期管理提供了行之有效的解決方案，在提升風(fēng)電場智能化水平、保障風(fēng)電機組可靠運行、促進(jìn)風(fēng)電產(chǎn)業(yè)高質(zhì)量發(fā)展等方面具有重要意義，展現(xiàn)了廣闊的應(yīng)用前景和市場價值。