一种融合知识图谱与图注意力的风机导管架损伤定位方法

摘要: 本发明涉及海上风电结构健康监测,特别是一种融合知识图谱与图注意力的风机导管架损伤定位方法。背景技术:1、导管架式支撑结构具有承载刚度大、稳定性好和适用水深范围广...
一种融合知识图谱与图注意力的风机导管架损伤定位方法

本发明涉及海上风电结构健康监测,特别是一种融合知识图谱与图注意力的风机导管架损伤定位方法。

背景技术:

1、导管架式支撑结构具有承载刚度大、稳定性好和适用水深范围广等特点,是海上风电机组常用的基础形式。导管架由主支撑、斜撑和连接节点组成复杂空间杆系,长期承受风、浪、流、腐蚀和循环载荷作用,局部杆件及连接位置易发生疲劳损伤、截面削弱和刚度退化。损伤在早期通常较为隐蔽,并可能经节点连接和相邻杆件耦合影响多个测点的动力响应,因此及时、可靠地定位局部损伤对保障海上风电机组全寿命安全运行具有重要意义。

2、现有导管架损伤识别方法主要包括基于模态参数的模型更新方法、基于时频信号特征的机器学习方法以及深度学习方法。传统方法往往需要建立精细有限元模型、选取损伤敏感指标或反复迭代求解;纯数据驱动方法虽然能够直接学习响应与损伤类别之间的映射,但容易受到测量噪声、工况变化、损伤程度差异和标注样本数量的影响。

3、图神经网络能够将多传感器响应和结构拓扑共同表示为图数据,图注意力网络还可以根据节点特征学习不同测点的贡献权重。然而,现有图注意力损伤定位方法的注意力权重主要由训练样本决定。当实际损伤程度与训练阶段不同,或者每类仅具有少量标注样本时,传感器响应分布及其与候选损伤区域之间的统计关联容易变化,导致注意力分配不稳定、类别边界偏移甚至类别塌陷。

4、另一方面,导管架中的传感器布置、节点连接、杆件邻接以及杆件与候选损伤区域之间存在明确且相对稳定的结构关系。这些关系可作为损伤定位的先验知识,但现有模型通常仅以普通邻接矩阵表示测点之间的连接,难以统一描述传感器、节点、杆件和损伤区域等异构对象,也难以将多跳语义路径转换为可参与注意力计算的区域级先验。

5、因此,需要一种能够组织导管架异构结构知识、建立传感器至候选损伤区域的结构先验,并根据当前响应样本自适应调节先验作用强度的损伤定位方法,以提高损伤程度变化和有限标注条件下的定位泛化能力、稳定性及可解释性。

技术实现思路

1、本发明的目的在于解决现有数据驱动图注意力模型过度依赖训练样本统计映射、难以充分利用导管架结构知识,并在损伤程度变化或标注样本有限时出现注意力不稳定和类别混淆的问题,提供一种融合知识图谱与图注意力的风机导管架损伤定位方法。

2、一种融合知识图谱与图注意力的风机导管架损伤定位方法,包括以下步骤:

3、s1、获取海上风电导管架的多传感器动力响应数据和结构拓扑信息;

4、s2、构建海上风电导管架结构知识图谱;

5、s3、基于所述结构知识图谱生成传感器至候选损伤区域的结构关联矩阵;

6、s4、构建传感器节点特征矩阵;

7、s5、构建传感器至候选损伤区域图注意力网络;

8、s6、计算知识增强注意力;

9、s7、训练所述图注意力网络并进行损伤定位。

10、优选的,步骤s1包括:利用设置于海上风电导管架不同监测位置的多个传感器同步采集连续动力响应;获取传感器布置、结构节点连接、杆件连接、杆件邻接以及候选损伤区域定义信息。

11、优选的,步骤s2中包括:

12、s2.1、将导管架结构及其包含的结构层、传感器、结构节点、杆件和候选损伤区域进行实体化表示;以三元组形式记录导管架与结构层之间的包含关系、结构层与传感器或节点或杆件之间的包含关系、传感器与节点之间的安装邻近关系、传感器与杆件之间的杆件邻近关系、节点与杆件之间的连接关系、杆件与候选损伤区域之间的隶属关系以及杆件之间的邻接关系;

13、s2.2、将实体、实体属性和语义关系写入图数据库;每个传感器实体至少记录传感器编号和监测位置,每个节点实体至少记录节点编号,每个杆件实体至少记录杆件编号和端点节点,每个候选损伤区域实体至少记录区域编号及其包含的杆件集合,图数据库据此生成可查询的知识三元组。

14、优选的,步骤3中沿传感器、安装邻近的结构节点、与所述结构节点连接的杆件及其所属候选损伤区域形成节点连接路径;沿传感器、邻近杆件及其所属候选损伤区域形成杆件邻近路径;

15、s3.1、沿节点连接路径、杆件邻近路径和杆件邻接路径执行语义推理,得到各传感器与各候选损伤区域之间的结构语义相关分量;

16、节点连接、杆件邻近和杆件邻接三类结构语义相关分量分别由下式计算:

17、;

18、式中,为节点连接相关分量;为结构节点总数,为杆件总数;表示第j个结构节点,表示第个杆件;为传感器与结构节点的安装邻近关系矩阵元素;为结构节点与杆件的连接关系矩阵元素;为杆件与候选损伤区域的隶属关系矩阵元素;下标s、j、m、p分别表示传感器、结构节点、杆件和候选损伤区域;

19、杆件邻近相关分量计算:

20、;

21、式中,为传感器与杆件的邻近关系矩阵元素;为杆件与候选损伤区域的隶属关系矩阵元素;

22、;

23、式中,为杆件邻接相关分量;和分别表示第个和第个杆件;为杆件与杆件的邻接关系矩阵元素;为传感器与杆件的邻近关系矩阵元素;为杆件与候选损伤区域的隶属关系矩阵元素;

24、三类相关分量采用非负权重系数进行融合,得到传感器与候选损伤区域之间的综合结构语义相关分数:

25、;

26、式中,为传感器与候选损伤区域的综合结构语义相关分数;、和分别为节点连接、杆件邻近和杆件邻接相关分量的非负权重系数;

27、s3.2、对不同结构语义相关分量进行加权融合、幂次调节和归一化,得到结构关联矩阵;

28、;

29、式中,为候选损伤区域与第个传感器的结构语义关联权重;和分别为相应的综合结构语义相关分数;γ为幂次调节系数;为数值稳定项;为传感器总数;为第k个候选损伤区域。

30、优选的,步骤5中,将标准化后的传感器节点特征输入节点编码器得到隐层表示,并将所述隐层表示映射为键表示和值表示;为各候选损伤区域设置查询向量,根据所述查询向量与键表示之间的缩放内积获得数据驱动注意力得分,对所述数据驱动注意力得分在传感器维度进行归一化,并按所得注意力权重聚合值表示,得到候选损伤区域特征和预测概率;

31、传感器至候选损伤区域的注意力权重:

32、;

33、式中,为未引入知识图谱约束时传感器至候选损伤区域的归一化注意力权重;和分别为第个和第j个传感器相对于区域的数据驱动注意力得分;

34、根据注意力权重对传感器值表示进行加权聚合,得到候选损伤区域特征:

35、;

36、式中,为候选损伤区域的聚合特征;为第个传感器的值表示;为传感器至候选损伤区域的归一化注意力权重;

37、将候选损伤区域特征输入共享区域分类器,得到区域分类得分:

38、;

39、式中,为共享区域分类函数;为候选损伤区域的分类得分;为候选损伤区域的聚合特征;

40、对全部候选损伤区域的分类得分进行softmax归一化,得到样本属于各候选损伤区域的预测概率:

41、;

42、式中,为输入样本属于候选损伤区域的预测概率;为候选损伤区域总数;和分别为第个和第个候选损伤区域的分类得分;

43、基础传感器至区域图注意力网络采用交叉熵分类损失:

44、;

45、式中,为候选损伤区域分类损失,即分类;为真实标签独热编码的第个分量,样本属于时,否则=0;为候选损伤区域的预测概率;为避免对数计算数值不稳定的极小正数,log函数底数为e。

46、优选的,步骤s6中,在所述结构关联矩阵基础上设置可学习校准矩阵,在原始结构权重的对数域叠加校准量,并经温度系数归一化得到校准结构权重:

47、;

48、式中,为校准后候选损伤区域对应第个传感器的结构权重;和分别为校准前第个和第个传感器的结构语义关联权重;和分别为可学习校准矩阵δ中第行第列和第行第列的元素,所述校准矩阵的维度为,为候选损伤区域总数;为结构权重校准温度系数;为数值稳定项,log函数底数为e。

49、优选的,根据当前响应样本的传感器隐层表示,通过显著性映射和传感器维度归一化得到样本级传感器显著性,对所述显著性进行均匀平滑,并将所述校准结构权重与平滑后的传感器显著性结合,形成样本自适应结构权重:

50、;

51、式中,为输入窗口样本条件下候选损伤区域对应第个传感器的样本自适应结构权重;和分别为第个和第个传感器的校准结构权重;和分别为样本中第个和第个传感器平滑后的样本级显著性;ξ为样本自适应调节系数;

52、基于全部传感器隐层表示的池化结果和门控映射计算取值为0至1的样本级门控系数,并采用随训练轮次逐步增大的知识偏置强度。

53、优选的,将所述样本自适应结构权重的对数值、样本级门控系数和当前训练轮次的知识偏置强度共同作为偏置项加入所述数据驱动注意力得分,得到知识增强注意力得分:

54、;

55、式中,为候选损伤区域与第个传感器之间的知识增强注意力得分;为对应的数据驱动注意力得分;为第个训练轮次采用的知识偏置强度;为输入窗口样本x的知识参与门控系数;为样本自适应结构权重;为数值稳定项;log函数底数为e;

56、对所述知识增强注意力得分在传感器维度进行归一化,得到知识增强注意力权重,并根据所述知识增强注意力权重聚合传感器值表示。

57、优选的,步骤s7中的联合训练目标包括损伤区域分类损失、注意力一致性损失、结构先验保持损失和门控约束损失,模型总损失为:

58、;

59、;

60、;

61、;

62、式中,为模型总损失;为损伤区域分类损失;为注意力一致性损失,用于约束真实损伤区域对应的知识增强注意力分布与样本自适应结构权重分布保持一致;为结构先验保持损失,用于限制校准结构权重过度偏离原始结构关联矩阵;为门控约束损失,用于约束样本级门控系数的平均激活水平;和分别为第t个训练轮次采用的注意力一致性损失权重和结构先验保持损失权重;为门控约束损失权重;为真实损伤区域对应的样本自适应结构权重分布;为真实损伤区域对应的知识增强注意力分布;为kullback-leibler散度;为第b个输入样本;为第b个样本的真实损伤区域索引;和分别为第k个候选损伤区域对应的原始结构先验分布和校准后结构权重分布;为候选损伤区域总数;为第b个样本的知识参与门控系数,为预设门控均值;b为训练批次所含的样本数。

63、优选的,训练过程中保持原始结构关联矩阵固定,更新节点编码器、键映射、值映射、候选损伤区域查询向量、可学习校准矩阵、显著性映射、样本级门控和区域分类器的参数;待定位阶段对待测连续响应采用与训练阶段相同的信号切分、特征提取和标准化处理,将预测概率最大的候选损伤区域确定为损伤区域,并输出知识增强注意力权重作为传感器贡献信息。

64、本发明的有益效果是:

65、(1)通过知识图谱统一组织传感器、结构节点、杆件和候选损伤区域等异构对象,将节点连接、杆件邻近和杆件邻接多跳语义路径转换为传感器至候选损伤区域的显式结构先验,突破仅依赖样本统计关联或同构邻接矩阵的限制。

66、(2)采用传感器至候选损伤区域的注意力映射,各候选损伤区域具有独立查询向量,能够直接学习每个传感器对不同区域的贡献,与普通图注意力网络仅在传感器节点之间传播特征相比,更符合区域级损伤定位任务。

67、(3)固定结构先验经过可学习校准、样本级显著性调节、平滑处理和门控控制后再参与注意力计算,使知识先验能够随当前响应样本动态调整,避免过强或失衡的固定知识偏置压制有效数据证据。

68、(4)注意力一致性损失、结构先验保持损失和门控约束损失从不同层面限制知识利用过程,结合逐步引入策略,可提高模型训练稳定性,减少有限样本条件下的类别塌陷和损伤程度变化条件下的类别偏置。