[發明專利]一種風機結冰檢測模型的構建方法及其應用

在審

• 申請號: 202110245929.0
• 申請日: 2021-03-05
• 公開（公告）號: CN113095360A
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 袁燁;姜文倩;葉紫璇;江一諾;金駿陽
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 祝丹晴

1.一種風機結冰檢測模型的構建方法，其特征在于，包括以下步驟：

S1、基于不同環境溫度和風力輸出條件下對不同風機采集到的風機監測數據構建訓練樣本集；其中，所述訓練樣本集包括帶標簽的樣本和不帶標簽的樣本；所述帶標簽的樣本構成源域數據集，所述不帶標簽的樣本構成目標域數據集；所述標簽用于表示樣本所對應的風機是否結冰；

S2、構造風機結冰檢測模型的結構；所述風機結冰檢測模型包括第一GAN模型、第二GAN模型、融合層、CNN模型、第一域自適應網絡和第二域自適應網絡；所述第一GAN模型和所述第二GAN模型相互并聯，且均通過所述融合層與所述CNN模型連接；所述CNN模型中的批歸一化層以及第一全連接層分別與所述第一域自適應網絡和所述第二域自適應網絡相連；

S3、采用所述源域數據集中的非結冰樣本訓練所述第一GAN模型；采用所述源域數據集中的結冰樣本訓練所述第二GAN模型；

S4、以最小化源域數據集中各樣本的預測標簽和真實標簽的差異、最大化源域數據集中結冰樣本與非結冰樣本的分布差異以及最小化源域數據與目標域數據的分布差異為目標，采用所述訓練樣本集訓練所述風機結冰檢測模型。

2.根據權利要求1所述的風機結冰檢測模型的構建方法，其特征在于，所述風力輸出小于或等于預設風力輸出；

所述風機監測數據包括：工況參數、環境參數和狀態參數；

所述工況參數包括：葉片角度、葉片速度、變槳電機溫度、發電機轉速、網側有功功率、機艙溫度、充電器溫度、充電器直流電流、風機軸承振動的軸向加速度以及與軸向方向垂直的水平加速度；

所述環境參數包括：風速、25秒平均風向角、風機偏航位置、風機偏航速度和環境溫度；

所述狀態參數包括：風機在結冰期間顯示增長趨勢的第一比率、第二比率和第三比率、以及風機機艙艙內溫度和環境溫度之差、發電機扭矩、發電機功率系數、發電機推力系數、以及發電機速度與風速的比值；

其中，所述第一比率所述第二比率所述第三比率κ_w2gs＝(κ_w2p+1)(κ_w2gs+1)-1；v_ws為風速，p為發電機功率，v_gs為發電機速度；所述發電機扭矩所述發電機功率系數所述發電機推力系數

3.根據權利要求1所述的風機結冰檢測模型的構建方法，其特征在于，所述步驟S4中訓練所述風機結冰檢測模型的方法，包括：

S41、將所述源域數據集中的樣本分別輸入到所述第一GAN模型和所述第二GAN模型中，同時將所述目標域數據集中的樣本分別輸入到所述第一GAN模型和所述第二GAN模型中；

S42、基于所述第一GAN模型分別獲取所述源域數據集和所述目標域數據集中樣本的非結冰分布特征，并輸出到所述融合層中；

基于所述第二GAN模型獲取所述源域數據集和所述目標域數據集中樣本的結冰分布特征，并輸出到所述融合層中；

S43、基于所述融合層將所述源域數據集中樣本的非結冰分布特征和結冰分布特征進行融合，并輸出到所述CNN模型中進行深層次的特征提取，得到源域數據集中樣本的深層特征，并進一步得到源域數據集中樣本的預測標簽，進而得到源域數據集中樣本的預測標簽和真實標簽的差異；將所述源域數據集中樣本的深層特征分別輸出到所述第一域自適應網絡中和所述第二域自適應網絡中；

基于所述融合層將目標域數據集中樣本的非結冰分布特征和結冰分布特征進行融合，并輸出到所述CNN模型中進行深層次的特征提取，得到目標域數據集中樣本的深層特征，并分別輸出到所述第二域自適應網絡中；

S44、基于源域數據集中結冰樣本和非結冰樣本的深層特征，采用所述第一域自適應網絡計算源域數據集中結冰樣本與非結冰樣本的分布差異距離；

基于源域數據集和目標域數據集中樣本的深層特征，采用所述第二域自適應網絡計算源域數據與目標域數據的分布差異距離；

S45、基于所述源域數據集中樣本的預測標簽和真實標簽的差異、所述源域數據集中結冰樣本與非結冰樣本的分布差異距離和源域數據與所述目標域數據的分布差異距離計算風機結冰檢測模型的損失值；

S46、基于所述風機結冰檢測模型的損失值對所述風機結冰檢測模型中的參數進行更新；

S47、重復步驟S41-S46，直至所述風機結冰檢測模型的損失值最小，此時所述風機結冰檢測模型訓練完成。