基于图注意力网络的风电机组健康评估与维护方法和装置与流程

本技术涉及风力发电智能运维，尤其涉及一种基于图注意力网络的风电机组健康评估与维护方法和装置。

背景技术：

1、随着在役风电机组逐步进入运行中后期，齿轮箱断裂、主轴轴承磨损、发电机绝缘老化等故障频发，运维成本在度电成本中的占比显著上升。运行年限较长的风电机组占比逐年攀升，设备可靠性下降带来的运维压力日益增大。如何将运维模式从“事后维修”和“定期检修”升级为“预测性维护”，已成为行业降本增效的核心课题。

2、现有技术主要面临以下技术瓶颈：现有健康评估方法主要依赖scada系统中的温度、功率等慢变信号，而振动信号中蕴含的峭度突增、边带能量上升等异常特征未被有效利用，导致输出的部件健康指数无法全面反映部件实际运行状态。同时，少数基于图神经网络的方法虽尝试建模部件间关系，但图拓扑预先固定，不随运行工况变化，大风/重载工况下传动链各部件耦合作用显著增强而固定图结构无法准确反映真实的退化耦合强度。此外，现有方法仅输出健康评估结果或健康指数，未提供维护决策建议，维护计划仍需人工根据经验制定，智能化程度低。

3、针对上述问题，目前尚未提出有效的解决方案。

技术实现思路

1、本技术实施例提供了一种基于图注意力网络的风电机组健康评估与维护方法和装置，以解决现有技术中图结构固定无法响应载荷变化、输出的健康指数无法全面反映部件实际运行状态、健康评估与维护决策割裂的技术问题。

2、第一方面，本技术实施例提供了一种基于图注意力网络的风电机组健康评估与维护方法，包括：

3、获取风电机组中各关键部件的运行数据和振动数据，所述运行数据至少包括风速和有功功率；

4、以各关键部件为图节点、以关键部件间的耦合关系为基底边构建部件关系图，基于所述风速和所述有功功率确定载荷传递系数，基于目标关键部件的所述振动数据偏离其健康基准振动特征向量的程度确定异常传播系数，根据所述载荷传递系数、所述异常传播系数和所述部件关系图，生成表示关键部件间退化影响强度的动态邻接矩阵；

5、将所述运行数据、所述振动数据和所述动态邻接矩阵输入至图注意力网络，所述图注意力网络用于基于所述动态邻接矩阵对所述运行数据和所述振动数据进行加权融合，输出各关键部件的健康指数；

6、基于所述健康指数在连续多个历史时刻的健康指数历史变化序列，预测各关键部件的剩余使用寿命；

7、根据所述健康指数和所述剩余使用寿命，确定各关键部件的维护动作，所述维护动作用于指导风电机组的维护操作。

8、在一些实施例中，所述关键部件至少包括叶片、主轴轴承、齿轮箱、发电机和变流器；所述关键部件间的耦合关系至少包括物理传动连接关系；所述目标关键部件为异常传播的发送端部件，用于向与其耦合的其他关键部件传播振动异常信息，所述其他关键部件为异常传播的接收端部件。

9、在一些实施例中，所述基于所述风速和所述有功功率确定载荷传递系数，包括：

10、按照以下公式确定载荷传递系数：

11、

12、其中，f载荷(t)为时刻t的载荷传递系数；为载荷调制强度系数；为sigmoid函数；v(t)为时刻t的风速；vrated为额定风速；p(t)为时刻t的有功功率；prated为额定有功功率。

13、在一些实施例中，所述振动数据至少包括振动特征向量；相应地，所述基于目标关键部件的所述振动数据偏离其健康基准振动特征向量的程度确定异常传播系数，包括：

14、按照以下公式确定异常传播系数：

15、

16、其中，为时刻t发送端部件q向接收端部件p传播振动异常信息的强度，作为时刻t的异常传播系数；exp为以自然常数为底的指数函数；kq(t)为发送端部件q在时刻t的振动特征向量；为发送端部件q的健康基准振动特征向量；为带宽参数；为振动特征向量与健康基准振动特征向量之间的向量范数，用于表征发送端部件q的振动特征向量偏离其健康基准振动特征向量的程度。

17、在一些实施例中，所述根据所述载荷传递系数、所述异常传播系数和所述部件关系图，生成表示关键部件间退化影响强度的动态邻接矩阵，包括：

18、根据所述载荷传递系数构建载荷传递矩阵，根据所述异常传播系数构建振动异常传播矩阵；

19、根据所述部件关系图中各基底边的权重，构建物理连接基底矩阵；

20、对所述物理连接基底矩阵、所述载荷传递矩阵和所述异常传播矩阵进行逐元素相乘运算，生成所述动态邻接矩阵。

21、在一些实施例中，所述对所述物理连接基底矩阵、所述载荷传递矩阵和所述异常传播矩阵进行逐元素相乘运算，生成所述动态邻接矩阵，包括：

22、按照以下公式生成所述动态邻接矩阵：

23、

24、其中，w(t)为时刻t的动态邻接矩阵；wbase为物理连接基底矩阵；为逐元素相乘运算；f载荷(t)为时刻t的载荷传递矩阵；wvib(t)为时刻t的振动异常传播矩阵。

25、在一些实施例中，所述图注意力网络用于基于所述动态邻接矩阵对所述运行数据和所述振动数据进行加权融合，输出各关键部件的健康指数，包括：

26、将各关键部件的运行数据和振动数据进行拼接，经线性投影得到各关键部件的初始节点特征；

27、对于所述部件关系图中的各基底边，将基底边对应的两个关键部件互为邻居关键部件，基于各关键部件的初始节点特征、其邻居关键部件的初始节点特征，以及所述动态邻接矩阵中对应基底边的权重，计算各关键部件对其邻居关键部件的注意力分数；

28、对所述注意力分数进行归一化处理，得到各关键部件对其邻居关键部件的归一化注意力权重；

29、按照所述归一化注意力权重，对各关键部件的邻居关键部件的初始节点特征进行加权聚合，得到聚合特征，并将所述聚合特征与经残差变换后的各关键部件的变换特征进行残差连接，得到各关键部件的融合特征；其中，所述图注意力网络包含至少两层图注意力层，将各关键部件的融合特征作为下一层图注意力层的输入，重复执行注意力分数计算、归一化处理、加权聚合与残差连接的操作，直至完成预设层数的图注意力计算，得到各关键部件在最后一层的融合特征；

30、将各关键部件在最后一层的融合特征经全连接层和激活函数映射至健康指数取值区间，输出各关键部件的健康指数。

31、在一些实施例中，所述计算各关键部件对其邻居关键部件的注意力分数，包括：

32、对于每个关键部件及其邻居关键部件，将关键部件的初始节点特征和其邻居关键部件的初始节点特征分别进行线性变换，得到关键部件的查询特征和其邻居关键部件的键特征；

33、将所述查询特征、所述键特征和物理偏置分量相加，经非线性激活函数后，与注意力向量进行内积运算，得到关键部件对其邻居关键部件的注意力分数；其中，所述物理偏置分量根据所述动态邻接矩阵中关键部件与其邻居关键部件之间连接关系的权重确定。

34、在一些实施例中，所述将所述查询特征、所述键特征和物理偏置分量相加，经非线性激活函数后，与注意力向量进行内积运算，得到关键部件对其邻居关键部件的注意力分数，包括：

35、按照以下公式计算注意力分数：

36、

37、其中，

e

ij为关键部件i对其邻居关键部件j的注意力分数；为注意力向量的转置；leakyrelu为非线性激活函数；wquery为查询变换矩阵，用于对关键部件i的初始节点特征进行线性变换，得到关键部件i的查询特征；wkey为键变换矩阵，用于对邻居关键部件j的初始节点特征进行线性变换，得到邻居关键部件j的键特征；为查询特征；为键特征；wij(t)为时刻t动态邻接矩阵中关键部件i与其邻居关键部件j之间基底边的权重；为物理偏置分量。

38、在一些实施例中，所述按照所述归一化注意力权重，对各关键部件的邻居关键部件的初始节点特征进行加权聚合，得到聚合特征，并将所述聚合特征与经残差变换后的各关键部件的变换特征进行残差连接，得到各关键部件的融合特征，包括：

39、按照以下公式进行加权聚合与残差连接：

40、

41、其中，为关键部件i经过一层图注意力网络处理后的融合特征；为关键部件i的初始节点特征；为邻居关键部件j的初始节点特征；为关键部件i对其邻居关键部件j的归一化注意力权重；wres为残差变换矩阵；w

v为值变换矩阵；为变换特征；为聚合特征；n(i)为关键部件i的邻居关键部件集合；elu为激活函数。

42、在一些实施例中，所述将各关键部件在最后一层的融合特征经全连接层和激活函数映射至健康指数取值区间，输出各关键部件的健康指数，包括：

43、按照以下公式输出各关键部件的健康指数：

44、

45、其中，hii(t)为关键部件i在时刻t的健康指数，健康指数取值区间为[0,1]；为图注意力网络第l层输出的关键部件i的融合特征；whi为全连接层的权重矩阵；bhi为全连接层的偏置项；sigmoid为激活函数。

46、在一些实施例中，所述方法还包括：

47、获取各关键部件的当前峭度值，所述当前峭度值从所述振动数据中提取；

48、当所述当前峭度值大于健康基准峭度值时，根据所述当前峭度值与所述健康基准峭度值之间的偏差，确定振动修正量；

49、将所述振动修正量从所述健康指数中扣除，得到修正后的健康指数。

50、在一些实施例中，所述根据所述当前峭度值与所述健康基准峭度值之间的偏差，确定振动修正量，包括：

51、按照以下公式确定振动修正量：

52、

53、其中，为关键部件i在时刻t的振动修正量；为最大修正幅度控制参数，用于限定振动修正量的上限；为峭度偏差缩放系数，用于控制峭度偏差达到饱和的快慢；为关键部件i在时刻t的当前峭度值；为关键部件i的健康基准峭度值；tanh为双曲正切函数；max为取最大值函数。

54、在一些实施例中，所述方法还包括：

55、获取各关键部件在连续多个历史时刻的融合特征，构成融合特征历史序列；

56、获取各关键部件在连续多个历史时刻的运行工况，构成历史运行工况序列；

57、获取各关键部件在连续多个历史时刻的振动特征向量，构成振动特征向量历史序列；

58、相应地，所述预测各关键部件的剩余使用寿命，包括：

59、基于所述健康指数历史变化序列、融合特征历史序列、历史运行工况序列和所述振动特征向量历史序列，预测各关键部件的剩余使用寿命。

60、在一些实施例中，所述基于所述健康指数历史变化序列、融合特征历史序列、历史运行工况序列和所述振动特征向量历史序列，预测各关键部件的剩余使用寿命，包括：

61、将所述健康指数历史变化序列、融合特征历史序列、历史运行工况序列和振动特征向量历史序列输入门控循环单元编码器，通过所述门控循环单元编码器将输入信息压缩为上下文向量；

62、通过门控循环单元解码器以所述上下文向量为初始状态，结合预测工况信息，生成未来预设时间窗口内各时刻的预测健康指数均值；

63、将所述预测健康指数均值与预设失效阈值逐时刻进行比较，将所述预测健康指数均值首次低于所述预设失效阈值的时刻确定为剩余使用寿命。

64、在一些实施例中，所述将所述健康指数历史变化序列、融合特征历史序列、历史运行工况序列和振动特征向量历史序列输入门控循环单元编码器，通过所述门控循环单元编码器将输入信息压缩为上下文向量，包括：

65、按照以下公式，通过门控循环单元编码器将输入信息压缩为上下文向量：

66、

67、其中，ci为关键部件i的上下文向量；gruenc为门控循环单元编码器；为关键部件i从时刻t-t到时刻t的健康指数历史变化序列；为关键部件i从时刻t-t到时刻t的融合特征历史序列；为关键部件i从时刻t-t到时刻t的历史运行工况序列；为关键部件i从时刻t-t到时刻t的振动特征向量历史序列。

68、在一些实施例中，所述通过门控循环单元解码器以所述上下文向量为初始状态，结合预测工况信息，生成未来预设时间窗口内各时刻的预测健康指数均值，包括：

69、按照以下公式，通过门控循环单元解码器生成预测健康指数均值：

70、

71、其中，为关键部件i在未来时刻t+τ的预测健康指数均值；为关键部件i在未来时刻t+τ的预测健康指数标准差；grudec为门控循环单元解码器；ci为关键部件i的上下文向量；为未来时刻t+τ的预测工况信息。

72、在一些实施例中，所述将所述预测健康指数均值与预设失效阈值逐时刻进行比较，将所述预测健康指数均值首次低于所述预设失效阈值的时刻确定为剩余使用寿命，包括：

73、按照以下公式确定剩余使用寿命：

74、

75、其中，ruli为关键部件i的剩余使用寿命；为关键部件i在未来时刻t+τ的预测健康指数均值；为关键部件i的预设失效阈值；为从当前时刻起向后预测的时间步长；tmax为最大预测步数；min为取最小值函数。

76、在一些实施例中，所述方法还包括：

77、获取实时运行工况、振动告警状态、维护历史信息、备件库存信息和天气窗口信息；

78、相应地，所述根据各关键部件的健康指数和剩余使用寿命，确定各关键部件的维护动作，包括：

79、将各关键部件的健康指数、剩余使用寿命、实时运行工况、振动告警状态、维护历史信息、备件库存信息和天气窗口信息作为状态向量输入至强化学习网络，输出维护动作；其中，所述维护动作至少包括继续运行、计划维护和紧急维护；所述强化学习网络在训练过程中基于奖励函数进行优化，所述奖励函数根据可靠性惩罚项、运行惩罚项、过度维护惩罚项和振动告警收益项确定。

80、在一些实施例中，所述奖励函数根据可靠性惩罚项、运行惩罚项、过度维护惩罚项和振动告警收益项确定，包括：

81、按照以下公式确定奖励函数：

82、

83、其中，r(st,at)为在状态向量st下执行维护动作at的总奖励；rrel(st,at)为在状态向量st下执行维护动作at的可靠性惩罚项；rrun(st,at)为在状态向量st下执行维护动作at的运行惩罚项；rpen(st,at)为在状态向量st下执行维护动作at的过度维护惩罚项；rvib(st,at)为在状态向量st下执行维护动作at的振动告警收益项；

84、其中，所述可靠性惩罚项按照以下公式确定：

85、

86、其中，为关键部件i的故障严重性权重；hii(t)为关键部件i在时刻t的健康指数；为关键部件i的预设失效阈值；为示性函数，表示当健康指数低于预设失效阈值时取值为1，否则取值为0；k为关键部件总数；

87、所述运行惩罚项按照以下公式确定：

88、

89、其中，为维护动作at对应的维护成本；为维护动作at对应的停机发电损失；

90、所述过度维护惩罚项按照以下公式确定：

91、

92、其中，为过度维护惩罚系数；为关键部件i的剩余使用寿命均值；rulthr为预设维护计划寿命阈值；表示当维护动作at为紧急维护时取值为1，否则取值为0；k为关键部件总数；

93、所述振动告警收益项按照以下公式确定：

94、其中，wvib为振动告警收益系数；ki(t)为关键部件i的峭度值；kthr为预设峭度阈值；eratio,i(t)为高频能量比；ethr为预设高频能量比阈值；表示当维护动作at为计划维护，且关键部件的峭度值大于预设峭度阈值或高频能量比大于预设高频能量比阈值时取值为1，否则取值为0。

95、在一些实施例中，所述方法还包括：

96、实时监测各关键部件的振动特征向量；

97、当任一关键部件的振动特征向量超过预设振动告警阈值时，强制将关键部件的维护动作确定为计划维护。

98、在一些实施例中，所述方法还包括：

99、采集维护前的设备状态信息、执行的动作类型、维护后的设备状态信息、维护后设备实际安全运行时长以及维护前后的振动特征向量，构建经验样本；

100、将所述经验样本存入经验回放池；

101、每隔预设时间间隔，从所述经验回放池采样经验样本进行增量微调，以更新图注意力网络的网络参数和/或强化学习网络的网络参数，更新后的参数用于后续的健康评估、剩余使用寿命预测及维护动作的确定。

102、第二方面，本技术实施例提供了一种基于图注意力网络的风电机组健康评估与维护装置，包括：

103、获取模块，用于获取风电机组中各关键部件的运行数据和振动数据，所述运行数据至少包括风速和有功功率；

104、部件关系图构建模块，用于以各关键部件为图节点、以关键部件间的耦合关系为基底边构建部件关系图，基于所述风速和所述有功功率确定载荷传递系数，基于目标关键部件的所述振动数据偏离其健康基准振动特征向量的程度确定异常传播系数，根据所述载荷传递系数、所述异常传播系数和所述部件关系图，生成表示关键部件间退化影响强度的动态邻接矩阵；

105、健康指数输出模块，用于将所述运行数据、所述振动数据和所述动态邻接矩阵输入至图注意力网络，所述图注意力网络用于基于所述动态邻接矩阵对所述运行数据和所述振动数据进行加权融合，输出各关键部件的健康指数；

106、剩余使用寿命预测模块，用于基于所述健康指数在连续多个历史时刻的健康指数历史变化序列，预测各关键部件的剩余使用寿命；

107、维护决策模块，用于根据所述健康指数和所述剩余使用寿命，确定各关键部件的维护动作，所述维护动作用于指导风电机组的维护操作。

108、第三方面，本技术实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序/指令，所述处理器执行所述计算程序/指令以实现上述一种基于图注意力网络的风电机组健康评估与维护方法的步骤。

109、第四方面，本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述一种基于图注意力网络的风电机组健康评估与维护方法的步骤。

110、第五方面，本技术实施例还提供了一种计算机程序产品，所述计算机程序/指令被处理器执行时实现上述一种基于图注意力网络的风电机组健康评估与维护方法的步骤。

111、本技术实施例提供了一种基于图注意力网络的风电机组健康评估与维护方法和装置，通过获取风电机组中各关键部件的运行数据和振动数据，所述运行数据至少包括风速和有功功率，实现了对风电机组多源异构数据的全面感知，为后续的健康评估提供了数据基础。通过以各关键部件为图节点、以关键部件间的耦合关系为基底边构建部件关系图，基于所述风速和所述有功功率确定载荷传递系数，基于目标关键部件的所述振动数据偏离其健康基准振动特征向量的程度确定异常传播系数，根据所述载荷传递系数、所述异常传播系数和所述部件关系图，生成表示关键部件间退化影响强度的动态邻接矩阵，实现了图结构随风速、有功功率和振动数据的变化而动态调整，有效解决了现有技术中图结构固定无法响应载荷变化的问题，使得部件间的退化耦合强度能够随实际运行数据和振动异常状态实时变化。通过将所述运行数据、所述振动数据和所述动态邻接矩阵输入至图注意力网络，所述图注意力网络用于基于所述动态邻接矩阵对所述运行数据和所述振动数据进行加权融合，输出各关键部件的健康指数，实现了将运行数据（慢变信号）与振动数据（快变信号/振动信号）的深度融合，使得各关键部件的健康指数综合反映自身状态及与其耦合的其他关键部件的退化影响，有效解决了现有技术中输出的健康指数无法全面反映部件实际运行状态的问题。通过基于所述健康指数在连续多个历史时刻的健康指数历史变化序列，预测各关键部件的剩余使用寿命，实现了对关键部件未来健康状态的量化预测，为维护决策提供了时间维度信息。通过根据所述健康指数和所述剩余使用寿命，确定各关键部件的维护动作，所述维护动作用于指导风电机组的维护操作，实现了将健康评估结果与剩余寿命预测结果共同用于维护决策，有效解决了现有技术中健康评估与维护决策割裂的问题。通过上述方案，有效解决了现有技术中图结构固定无法响应载荷变化、输出的健康指数无法全面反映部件实际运行状态、健康评估与维护决策割裂的技术问题，能够在多部件耦合场景下准确评估各关键部件的健康状态，量化预测各关键部件的剩余使用寿命，并输出指导实际维护操作的动作。