权利要求书: 1.一种基于行列和张量积的风机叶片开裂故障预测方法,其特征在于,将基于行列和张量积的降维方法、三维卷积神经网络以及Squeeze?Excitation注意力机制进行结合,用于风机叶片开裂故障预测,能够快速、准确地预测风机叶片一周内是否发生开裂故障以及防止风机叶片因为存在隐患仍继续运行而出现严重的损坏;在使用过程中的步骤为:步骤(1):对利用数据采集与监视控制系统采集到的风机多维度数据进行数据清理,对错误数据的删除、重复数据的清除以及去掉不变的特征维度,并对剩余数据进行数据归一化;数据采集与监视控制系统共对R台风机进行数据采集,剩余数据共有I个特征维度,每个特征维度下采样次数共T次;特征维度表示数据采集与监视控制系统采集到的数据种类;风机多维度数据具体为:数据采集与监视控制系统分别对R台风机每10分钟采样一次的数据以及数据的标注信息;在标注信息中,0表示该风机叶片开裂故障样本对应风机一周内未发生开裂故障,1表示该风机叶片开裂故障样本对应的风机在一周内发生开裂故障;对剩余数据进行数据归一化的方法为:v’r,i,t=(vr,i,t?vr,i,tmin)/(vr,i,tmax?vr,i,tmin)(1)其中,vr,i,t为第r台风机第i特征维度下第t次采样获得的风机叶片数据,vr,i,tmax和vr,i,tmin分别是第r台风机第i特征维度下的风机叶片数据最大值和最小值;v’r,i,t为归一化后的第r台风机第i特征维度下第t次采样获得的风机叶片数据;步骤(2):在进行数据清理后,采用基于行列和张量积的降维方法对清理后的数据进行降维;基于行列和张量积的降维方法为:U2=sumrow(v’1,i,t)?sumcol(v’2,i,t)(2)U3=sumrow(U2)?sumcol(v’3,i,t)(3)UR=sumrow(UR?1)?sumcol(v’R,i,t)(4)其中,v’1,i,t表示数据采集与监视控制系统在第1台风机采集到的数据归一化后的数据,v’2,i,t表示数据采集与监视控制系统在第2台风机采集到的数据归一化后的数据,v’3,i,t表示数据采集与监视控制系统在第3台风机采集到的数据归一化后的数据,以此类推,v’R,i,t表示数据采集与监视控制系统在第R台风机采集到的数据归一化后的数据,皆为I×T的矩
声明:
“基于行列和张量积的风机叶片开裂故障预测方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)