一种海上风电升压站结构监测预警方法及系统与流程

本发明涉及海上风电升压站结构健康监测与安全预警，具体涉及一种海上风电升压站结构监测预警方法及系统。

背景技术：

1、海上风电升压站长期处于海风、波浪、盐雾、海流等复杂海洋环境中，同时受风机运行振动、电能传输电磁干扰等因素影响，其结构损伤初期仅表现为应变微小增量、自振频率微小偏移、振型微弱变化等微弱特征，这些特征信号幅值小、辨识度低，极易被强环境干扰淹没。及时识别此类微弱损伤特征，是实现海上风电升压站结构早期预警、避免结构失效的关键。

2、现有海上风电升压站结构监测预警技术存在诸多不足，难以满足工程实际需求：

3、第一，传统时域分析方法仅能提取信号的统计特征，无法反映信号的频率随时间的变化规律，对频率微小偏移、振型微弱变化的识别能力不足；常规傅里叶变换为全局频域分析，无时间分辨率，无法捕捉非平稳监测信号中局部的、瞬时的微弱损伤特征。

4、第二，现有时频分析与机器学习结合的方法，需人工对时频特征进行筛选与降维，难以挖掘时频图谱中隐藏的深度微弱损伤信息，且泛化能力差，无法适配海上风电升压站风速、波高变化带来的工况动态调整。

5、第三，现有深度学习监测方法直接对原始时域数据建模，未将信号转换为更易被网络识别的时频图谱，模型训练难度大，对微弱特征的提取效率低，且模型结构复杂，算力消耗大，无法在海上边缘监测设备上实现实时推理。

6、第四，现有预警机制未结合海上风电升压站的结构运行机理，多采用固定阈值进行预警，易受海洋环境载荷、风机运行状态影响，导致预警误报率、漏报率偏高，无法实现对早期微弱损伤的精准判别与分级预警。

7、因此，亟需一种具备高时间 - 频率分辨率、能有效提取非平稳信号微弱时频特征、适配边缘端实时运行且结合结构机理的海上风电升压站结构监测预警方法，解决现有技术中微弱损伤识别精度低、预警响应慢、环境适应性差、模型部署难的问题。

技术实现思路

1、本发明的目的在于提供一种海上风电升压站结构监测预警方法，以解决现有技术中‌海上风电升压站结构健康监测中应变微小增量、频率微小偏移、振型微弱变化等微弱损伤特征易被海洋环境干扰淹没的问题。

2、为了解决上述问题，本发明提出了一种海上风电升压站结构监测预警方法，所采用的技术方案是：

3、一种海上风电升压站结构监测预警方法，包括以下步骤：

4、同步采集海上风电升压站的关键结构的应变时序数据和三轴加速度时序数据，并对应变时序数据和三轴加速度时序数据进行预处理，得到标准化时序数据；同时，同步采集海洋环境数据；

5、采用短时傅里叶变换对标准化时序数据进行时频域转换，生成时频图谱；对时频图谱进行增强处理后，针对应变微小增量、频率微小偏移、振型微弱变化，提取关键时频特征参数；

6、构建轻量化卷积神经网络模型，以增强处理后的时频图谱为模型输入进行训练，使模型输出海上风电升压站结构的运行状态分类结果，所述运行状态包括正常状态、微弱损伤状态、损伤发展状态；

7、基于实时采集的海洋环境数据设置动态分级预警阈值；同时，结合海上风电升压站结构力学特性与动力学仿真结果，建立关键时频特征参数与运行状态中结构损伤程度的定量映射关系，进而建立动态分级预警机制；

8、对训练完成的轻量化卷积神经网络模型进行量化压缩，部署至海上边缘监测终端，实现本地化轻量化卷积神经网络模型实时推理，并基于动态分级预警机制输出分级预警信息；同时，输出应变时序数据和三轴加速度时序数据。

9、进一步地，所述同步采集海上风电升压站的关键结构的监测响应数据，包括：

10、在海上风电升压站的塔架底部、塔架中部、基础法兰、舱体与塔架连接部、母线支架关键结构薄弱点布置应变传感器与三轴加速度传感器，同步采集应变时序数据和三轴加速度时序数据；

11、所述应变传感器的采样频率为 2-10hz，测量精度为 ±0.001με；所述三轴加速度传感器的采样频率为 50-100hz，测量范围为 ±2g；所述应变传感器和三轴加速度传感器的时间同步误差小于 1ms。

12、进一步地，预处理包括：

13、依次采用中值滤波法剔除信号尖峰与毛刺，采用多项式拟合进行基线校正以消除趋势项，采用巴特沃斯带通滤波器保留有效频率成分，并将数据归一化处理至 [0,1] 区间；

14、所述巴特沃斯带通滤波器的带通滤波的频率范围为 0.05-60hz。

15、进一步地，所述采用短时傅里叶变换对标准化时序数据进行时频域转换，生成时频图谱，包括：

16、采用汉宁窗作为窗函数，窗长为 256-512 点，窗口重叠率为 40%-60%；

17、对标准化时序数据进行短时傅里叶变换，计算汉宁窗中的每个时间窗口内信号的时频分布；

18、将短时傅里叶变换得到的时频分布转换为幅值谱，构建频率维度为 h、时间维度为 w 的二维时频图谱，该时频图谱的频率范围覆盖 0.05-60hz；

19、所述关键时频特征参数包括应变幅值谱增量、频率谱峰位置偏移量、各监测点加速度时频图谱的幅值比与相位差。

20、进一步地，所述轻量化卷积神经网络模型依次包括输入层、2-3 层卷积层、最大池化层、1-2 层全连接层以及输出层；

21、所述输入层的输入维度为h×w×1，h≥128，w≥256；

22、所述卷积层的卷积核尺寸为 3×3，卷积核数量为 16-32；

23、所述最大池化层的池化核尺寸为 2×2，步长为 2，数量与卷积层的对应；

24、全连接层的神经元数量为 64-128，激活函数采用 relu；

25、输出层采用 softmax 激活函数，输出维度为 3，对应海上风电升压站结构的运行状态。

26、进一步地，所述海上风电升压站结构监测预警方法还包括轻量化卷积神经网络模型性能验证，具体包括：

27、采集海上风电升压站结构的正常状态、模拟微弱损伤状态以及模拟损伤发展状态下的应变时序数据和三轴加速度时序数据，所述模拟微弱损伤状态包括微裂纹、连接件轻微松动、基础微小沉降三类场景；

28、将采集的各状态下的应变时序数据和三轴加速度时序数据依次经预处理与短时傅里叶变换处理，得到各状态下的时频图谱；

29、基于各状态下的时频图谱划分并构建训练集、验证集与测试集；其中，训练集、验证集与测试集的样本数量比例为 7:2:1；各状态下的数据集总样本数不少于 6000 组，微弱损伤状态对应的数据集样本数占比不低于 30%；

30、基于训练集对轻量化卷积神经网络模型进行训练；

31、使用验证集与测试集对训练后的轻量化卷积神经网络模型进行海上风电升压站结构的运行状态识别性能验证。

32、进一步地，所述动态分级预警机制为：

33、0级预警对应正常状态，关键时频特征参数处于正常运行阈值范围内；

34、一级预警对应微弱损伤状态，检测到应变微小增量、频率微小偏移及振型微弱变化，关键时频特征参数超出正常运行阈值但未达损伤发展阈值，输出黄色预警并提示损伤疑似位置；

35、二级预警对应损伤发展状态，关键时频特征参数达到损伤发展阈值，输出红色预警并将预警信息推送至远程运维平台；

36、其中，正常运行阈值和损伤发展阈值基于风速、波高、环境温度数据自适应动态调整。

37、进一步地，所述量化压缩采用int8 量化处理，所述int8 量化处理后，

38、轻量化卷积神经网络模型参数压缩率≥65%，轻量化卷积神经网络模型体积≤5mb；

39、轻量化卷积神经网络模型推理速度提升≥4 倍，单张时频图谱的推理时间＜0.2s；

40、轻量化卷积神经网络模型精度损失≤1%。

41、进一步地，所述海上风电升压站结构监测预警方法还包括边缘和云端协同的模型迭代步骤，具体包括：

42、构建边缘和云端协同体系，包括边缘终端和云端；

43、边缘终端实时执行应变时序数据和三轴加速度时序数据采集、轻量化卷积神经网络模型推理以及预警分析，并向云端回传应变时序数据和三轴加速度时序数据、时频图谱以及预警信息；

44、云端实时接收边缘终端上传的应变时序数据和三轴加速度时序数据、时频图谱、推理结果以及预警信息，并进行大数据存储与分析；定期构建增量数据集对轻量化卷积神经网络模型进行在线微调，并将更新后的轻量化卷积神经网络模型下发至边缘终端。本发明还提出了一种用于执行海上风电升压站结构监测预警方法的系统，包括：

45、传感器采集模块，用于布置于海上风电升压站关键结构薄弱点，同步采集海上风电升压站的关键结构的应变时序数据、三轴加速度时序数据以及海洋环境数据；

46、数据预处理模块，用于对应变时序数据和三轴加速度时序数据进行预处理，得到标准化时序数据；

47、stft 时频图谱构建模块，用于采用短时傅里叶变换对标准化时序数据进行时频域转换，生成时频图谱；对时频图谱进行增强处理后，针对应变微小增量、频率微小偏移、振型微弱变化，提取关键时频特征参数；

48、轻量化 cnn 模型构建模块，用于构建轻量化卷积神经网络模型，以增强处理后的时频图谱为模型输入进行训练，使模型输出海上风电升压站结构的运行状态分类结果，所述运行状态包括正常状态、微弱损伤状态、损伤发展状态；

49、动态分级预警机制建立模块，用于实时采集的海洋环境数据设置动态分级预警阈值；同时，结合海上风电升压站结构力学特性与动力学仿真结果，建立关键时频特征参数与结构损伤程度的定量映射关系，进而建立动态分级预警机制；

50、分级预警输出模块，用于对训练完成的轻量化卷积神经网络模型进行量化压缩，部署至海上边缘监测终端，实现本地化轻量化卷积神经网络模型实时推理，并基于动态分级预警机制输出分级预警信息；同时，输出应变时序数据和三轴加速度时序数据。

51、与现有技术相比，本技术具有以下的有益效果：

52、本发明为改进型发明，本发明利用短时傅里叶变换实现监测信号的时频特征可视化，精准提取不同时间窗口内关键时频特征参数对应的应变微小增量、频率微小偏移、振型微弱变化，结合卷积神经网络的深度特征学习能力，实现对结构损伤状态的自动、精准识别；通过轻量化卷积神经网络模型设计适配海上边缘端算力约束，结合结构机理设置动态分级预警阈值，实现实时、精准、低延迟的结构安全预警，无需停站测试，支持在线长期监测，实现对升压站结构应变、振动微弱变化的精准识别与早期预警，适用于各类海上风电升压站塔架、基础、舱体连接部、母线支架等关键结构的实时在线监测，提升海上风电升压站结构监测的智能化水平。

53、卷积神经网络对二维图像特征具备优异的提取与识别能力，将短时傅里叶变换得到的时频图谱作为网络输入，网络可自动挖掘时频图谱中隐藏的深度微弱损伤特征，无需人工设计特征量，大幅提升对微弱损伤的识别精度与效率。

54、采用轻量化卷积神经网络模型设计，降低模型复杂度与算力消耗，经量化后可部署于海上边缘监测设备，实现实时推理与低延迟预警。将量化后的轻量化模型部署至海上风电升压站的边缘监测终端（嵌入式控制器、fpga、工业网关），边缘终端具备数据采集、预处理、stft、模型推理、预警输出的全功能，无需依赖云端算力，实现本地化实时推理，监测预警全流程响应延迟＜1s，满足海上实时监测的低延迟要求，较传统方法提升识别精度12-18 个百分点，无需停站测试，为海上风电升压站结构的长期安全运行与智能化运维提供可靠技术保障。

55、结合海上风电升压站关键结构的力学特性、动力学仿真结果与现场运行数据，建立时频特征参数与结构损伤程度的映射关系，设置基于环境工况的动态分级预警阈值，消除环境载荷、风机运行状态对预警结果的影响，提升预警的准确性与合理性。通过建立环境因素与特征参数的关联模型，修正不同环境工况下的预警阈值，使预警结果更贴合结构实际运行状态，将误报率控制在 2% 以内，漏报率控制在 1% 以内。

56、所述采用短时傅里叶变换对标准化时序数据进行时频域转换，生成时频图谱，包括：

57、采用汉宁窗作为窗函数，窗长为 256-512 点，窗口重叠率为 40%-60%；

58、对标准化时序数据进行短时傅里叶变换，计算汉宁窗中的每个时间窗口内信号的时频分布；

59、将短时傅里叶变换得到的时频分布转换为幅值谱，构建频率维度为 h、时间维度为 w 的二维时频图谱，该时频图谱的频率范围覆盖 0.05-60hz，时间范围对应滑窗长度10s；

60、所述关键时频特征参数包括应变幅值谱增量、频率谱峰位置偏移量、各监测点加速度时频图谱的幅值比与相位差。短时傅里叶变换通过加窗将非平稳的应变、加速度时域信号划分为多个连续的时间窗口，对每个时间窗口内的信号进行傅里叶变换，得到信号的时频图谱，既保留了频率分辨率，又具备时间分辨率，能够精准捕捉不同时间窗口内的频率微小偏移、应变微小增量、振型微弱变化，实现微弱损伤特征的可视化与有效提取。

61、所述轻量化卷积神经网络模型依次包括输入层、2-3 层卷积层、最大池化层、1-2层全连接层以及输出层；

62、所述输入层的输入维度为h×w×1，h≥128，w≥256；

63、所述卷积层的卷积核尺寸为 3×3，首层卷积核数量为 16，后续卷积层卷积核数量依次为 32；

64、所述最大池化层的池化核尺寸为 2×2，步长为 2，数量与卷积层的对应；

65、全连接层的神经元数量为 64-128，激活函数采用 relu；

66、输出层采用 softmax 激活函数，输出维度为 3，对应海上风电升压站结构的运行状态；

67、所述海上风电升压站结构的运行状态包括：正常状态、微弱损伤状态、损伤发展状态。采用轻量化卷积神经网络模型设计，通过减少卷积核数量、降低网络层数、引入池化操作等方式，降低模型复杂度与算力消耗，经量化后可部署于海上边缘监测设备，实现实时推理与低延迟预警。

68、所述海上风电升压站结构监测预警方法还包括边缘和云端协同的模型迭代步骤，具体包括：

69、边缘终端实时执行应变时序数据和三轴加速度时序数据采集、轻量化卷积神经网络模型推理以及预警分析，并向云端回传应变时序数据和三轴加速度时序数据、时频图谱以及预警信息；

70、云端实时接收边缘终端上传的应变时序数据和三轴加速度时序数据、时频图谱、推理结果以及预警信息，并进行大数据存储与分析；定期构建增量数据集对轻量化卷积神经网络模型进行在线微调，并将更新后的轻量化卷积神经网络模型下发至边缘终端。构建边缘-云端协同的模型迭代机制，边缘终端实时采集数据并推理，云端平台定期收集数据进行模型在线微调，实现模型对海上工况变化的自适应调整，保证长期监测的精度与稳定性。