本發明涉及風力發電結構健康監測，尤其涉及用于風機塔筒的結構智能安全預警方法及系統。
背景技術：
1、現有的風機塔筒結構安全監測系統主要采用單一傳感器閾值判斷方法，即當某個傳感器數據超過預設閾值時觸發報警。這種方法存在明顯局限性：一是固定閾值無法適應不同環境條件下的結構正常響應差異，導致誤報率高；二是單一傳感器監測缺乏整體性，無法捕捉結構響應的空間關聯性；三是簡單的閾值判斷無法區分瞬時環境擾動和真正的結構安全隱患，缺乏預見性。
2、現有技術中的監測系統通常依賴于風機scada（supervisory?control?and?dataacquisition，數據采集與監視控制）系統提供的數據，這使得監測結果容易受到主控系統自身故障的影響，且難以作為獨立的第三方安全評估依據。此外，由于風機塔筒倒塌事故樣本較少，傳統的數據驅動方法難以有效學習識別倒塌前兆特征，無法實現早期預警。
3、因此，有必要提供用于風機塔筒的結構智能安全預警方法及系統解決上述技術問題。
技術實現思路
1、為解決上述技術問題，本發明提供用于風機塔筒的結構智能安全預警方法及系統，用于解決現有風機塔筒結構安全監測系統中存在的固定閾值適應性差、單一傳感器監測缺乏整體性、無法區分環境擾動和結構隱患、缺乏預見性以及倒塌樣本稀缺的問題。
2、本發明提供的用于風機塔筒的結構智能安全預警方法，所述方法包括：
3、采集風機塔筒的物理感知數據和環境激發數據，其中所述物理感知數據包括三維位移時間序列、多層級三軸傾角數據、沉降差數據、低頻振動加速度數據、微應變數據，所述環境激發數據包括風速風向數據、環境溫度數據；
4、對采集的所述物理感知數據和所述環境激發數據進行預處理，依次完成時間同步、滑動窗口構建、異常值清洗去噪、歸一化處理，并匯總得到標準化結構數據；
5、構建cnn-lstm-attention雙通道路徑神經網絡模型，將所述標準化結構數據輸入所述cnn-lstm-attention雙通道路徑神經網絡模型，通過空間幾何特征提取層和時序演化特征提取層分別提取結構空間幾何特征和結構時序演化特征，經注意力機制加權融合后輸出結構健康響應預測值；
6、獲取所述風機塔筒的實測結構健康值，通過比對所述結構健康響應預測值與所述實測結構健康值得到結構健康響應殘差；
7、結合環境激發數據構建動態殘差閾值，通過比對所述結構健康響應殘差與所述動態殘差閾值進行結構預警判定，再通過特征貢獻度分析進行結構故障歸因，輸出包含結構健康度指數、異常事件類型及概率、剩余安全窗口的綜合結構預警信息。
8、優選的，所述采集風機塔筒的物理感知數據和環境激發數據，其中所述物理感知數據包括三維位移時間序列、多層級三軸傾角數據、沉降差數據、低頻振動加速度數據、微應變數據，所述環境激發數據包括風速風向數據、環境溫度數據，具體包括：
9、在所述風機塔筒的頂部及關鍵節點處，部署導航衛星系統定位裝置采集所述三維位移時間序列；
10、在所述風機塔筒的頂部、中部、底部三個層級均部署三軸傾角傳感器，采集所述多層級三軸傾角數據；
11、在所述風機塔筒的基礎環或承臺位置處，部署連通管式靜力水準儀采集所述沉降差數據；
12、在所述風機塔筒的頂部及中部，部署低頻加速度計采集所述低頻振動加速度數據；
13、在所述風機塔筒的塔基法蘭及關鍵焊縫處，部署光纖光柵或電阻式應變片采集所述微應變數據；
14、在所述風機塔筒的機艙頂部，部署超聲波風速儀采集所述風速風向數據；
15、在所述風機塔筒的塔壁表面粘貼溫度傳感器、在所述風機塔筒的周邊環境部署氣溫傳感器，采集所述環境溫度數據；
16、設定所述三維位移時間序列的采樣率為1hz至10hz，所述多層級三軸傾角數據采樣率與所述三維位移時間序列采樣率適配，所述沉降差數據的采樣率為0.1hz至1hz，所述低頻振動加速度數據的采樣率為50hz至100hz，所述微應變數據的采樣率根據結構響應監測靈敏度需求進行設定；
17、將所述三維位移時間序列、所述多層級三軸傾角數據、所述沉降差數據、所述低頻振動加速度數據、所述微應變數據按照傳感器類型分類整合，形成所述物理感知數據；將所述風速風向數據、所述環境溫度數據按照傳感器類型分類整合，形成所述環境激發數據。
18、優選的，通過空間幾何特征提取層提取結構空間幾何特征，具體包括：
19、從所述標準化結構數據中提取同一時刻的所述三維位移時間序列、所述多層級三軸傾角數據、所述沉降差數據，并按照各傳感器在所述風機塔筒上的部署位置順序排列，形成結構狀態圖譜；
20、將所述結構狀態圖譜輸入所述空間幾何特征提取層中的3層堆疊的一維卷積神經網絡，輸出結構特征圖；
21、其中，3層堆疊的一維卷積神經網絡中的卷積核大小為3，第一層濾波器數量為64，第二層濾波器數量為128，第三層濾波器數量為256，激活函數采用leakyrelu；
22、引入se-block通道注意力機制，對所述結構特征圖進行全局平均池化壓縮，得到各傳感器通道的結構特征向量；
23、對于每個傳感器通道，將所述結構特征向量輸入所述空間幾何特征提取層中的2個全連接層，第1個全連接層將所述結構特征向量的維度壓縮至原維度的，第2個全連接層將所述結構特征向量的維度恢復至原維度，生成結構權重，n表示傳感器通道的總數；
24、將各傳感器通道的所述結構特征圖與所述結構權重進行逐通道相乘，輸出所述結構空間幾何特征。
25、優選的，通過時序演化特征提取層提取結構時序演化特征，具體包括：
26、從所述標準化結構數據中選取所述三維位移時間序列、所述多層級三軸傾角數據、所述沉降差數據、所述低頻振動加速度數據、所述微應變數據、所述風速風向數據、所述環境溫度數據對應的時間序列數據，截取各時間序列數據中過去g個時間步長的滑動窗口數據，其中g為滑動窗口內的采樣點數量，，匯總各滑動窗口數據形成時序輸入數據；
27、構建所述時序演化特征提取層，包括2層雙向長短期記憶網絡，其中每層雙向長短期記憶網絡的隱藏單元數為128，在2層雙向長短期記憶網絡之間加入dropout層，dropout系數為0.2；
28、將所述時序輸入數據輸入所述時序演化特征提取層，對于每層雙向長短期記憶網絡，通過遺忘門過濾所述時序輸入數據中的高頻隨機噪聲，遺忘門的計算公式為，其中表示遺忘門的輸出值；表示sigmoid激活函數；表示遺忘門的權重矩陣；表示上一時刻t-1的時序輸入數據的隱藏狀態；表示當前時刻t的時序輸入數據；表示遺忘門的偏置項；通過輸入門捕捉所述時序輸入數據中的長期累積效應，輸入門的計算公式為，其中表示輸入門的輸出值；表示輸入門的權重矩陣；表示輸入門的偏置項；更新所述時序輸入數據的細胞狀態，對應計算公式為，其中表示當前時刻t的時序輸入數據的細胞狀態；表示上一時刻t-1的時序輸入數據的細胞狀態；表示元素-wise乘法；表示雙曲正切激活函數；表示細胞狀態的權重矩陣；表示細胞狀態的偏置項；輸出所述時序輸入數據的隱藏狀態，其中表示當前時刻t的時序輸入數據的隱藏狀態；表示輸出門，，表示輸出門的權重矩陣；表示輸出門的偏置項；
29、提取所述時序演化特征提取層中第2層雙向長短期記憶網絡輸出的隱藏狀態序列，作為所述結構時序演化特征。
30、優選的，所述經注意力機制加權融合后輸出結構健康響應預測值，具體包括：
31、從所述標準化結構數據中提取所述環境激發數據，并通過注意力機制的全連接層將所述環境激發數據的維度映射至注意力機制的鍵值維度d，得到查詢向量q；
32、分別將所述空間幾何特征、所述時序演化特征作為鍵向量k、值向量v，并分別對所述鍵向量k、所述值向量v進行線性變換，得到線性變換后的鍵向量、線性變換后的值向量，對應計算公式如下：
33、式中，表示鍵向量k的線性變換矩陣；表示值向量v的線性變換矩陣；
34、計算所述查詢向量q與線性變換后的鍵向量的相似度如下：
35、式中，表示線性變換后的鍵向量的轉置；
36、對所述相似度進行縮放處理，對應計算公式如下：
37、通過softmax函數將縮放后的相似度轉換為注意力權重，對應計算公式如下：
38、式中，j表示鍵向量k的維度總數；exp(?)表示以自然常數e為底的指數函數；
39、將所述注意力權重與線性變換后的值向量進行加權求和，得到注意力加權融合特征，對應計算公式如下：
40、將所述注意力加權融合特征輸入注意力機制的多層感知機進行非線性組合，輸出所述結構健康響應預測值。
41、優選的，所述獲取所述風機塔筒的實測結構健康值，通過比對所述結構健康響應預測值與所述實測結構健康值得到結構健康響應殘差，具體包括：
42、獲取當前時刻的所述風機塔筒的所述實測結構健康值，并與當前時刻的所述結構健康響應預測值進行時間戳對齊；
43、采用馬氏距離計算當前時刻的所述實測結構健康值與所述結構健康響應預測值之間的初始健康響應殘差如下：
44、式中，表示初始健康響應殘差的協方差矩陣的逆矩陣；表示當前時刻的實測結構健康值與結構健康響應預測值之差的轉置；
45、基于所述三維位移時間序列離散化當前時刻的軌跡曲率，對應計算公式如下：
46、式中，分別表示三維位移時間序列中x、y、z方向位移的一階差分；分別表示三維位移時間序列中x、y、z方向位移的二階差分；
47、賦予所述初始健康響應殘差的權重為、所述軌跡曲率的權重為，將所述初始健康響應殘差與所述軌跡曲率進行融合，生成當前時刻的所述結構健康響應殘差如下：
48、。
49、優選的，所述結合環境激發數據構建動態殘差閾值，通過比對所述結構健康響應殘差與所述動態殘差閾值進行結構預警判定，具體包括：
50、計算當前環境激發數據與歷史環境激發數據的相似度并從大到小進行排序，選取前m個相似度對應的歷史環境激發數據的殘差形成殘差分布池，其中，所述當前環境激發數據與所述歷史環境激發數據的相似度sim的計算公式如下：
51、式中，表示當前環境激發數據；表示歷史環境激發數據；
52、采用滑動窗口統計方法對所述殘差分布池中的殘差進行統計分析，計算滑動窗口內殘差的均值和標準差，構建所述動態殘差閾值g，對應計算公式如下：
53、；
54、將當前時刻t的所述結構健康響應殘差與所述動態殘差閾值g進行比對；
55、若，則判定當前時刻t的所述風機塔筒的結構響應符合物理規律，屬于正常彈性變形或測量噪聲；
56、若，則記錄所述風機塔筒的當前狀態持續時間；
57、設定持續時間閾值為，若，則判定當前時刻t的所述風機塔筒的結構響應偏離物理規律，觸發預警機制，生成預警觸發信號；若，則判定當前時刻t的所述風機塔筒存在偶發噪聲干擾，不觸發預警機制。
58、優選的，基于當前時刻t的所述結構健康響應殘差計算所述結構健康度指數如下：
59、式中，表示靈敏度調節系數，取值范圍為0.1至0.5；表示動態殘差閾值g的平均值。
60、用于風機塔筒的結構智能安全預警系統，所述系統包括：
61、數據采集模塊，用于采集風機塔筒的物理感知數據和環境激發數據，其中所述物理感知數據包括三維位移時間序列、多層級三軸傾角數據、沉降差數據、低頻振動加速度數據、微應變數據，所述環境激發數據包括風速風向數據、環境溫度數據；
62、數據預處理模塊，用于對采集的所述物理感知數據和所述環境激發數據進行預處理，依次完成時間同步、滑動窗口構建、異常值清洗去噪、歸一化處理，并匯總得到標準化結構數據；
63、結構預測模塊，用于構建cnn-lstm-attention雙通道路徑神經網絡模型，將所述標準化結構數據輸入所述cnn-lstm-attention雙通道路徑神經網絡模型，通過空間幾何特征提取層和時序演化特征提取層分別提取結構空間幾何特征和結構時序演化特征，經注意力機制加權融合后輸出結構健康響應預測值；
64、殘差計算模塊，用于獲取所述風機塔筒的實測結構健康值，通過比對所述結構健康響應預測值與所述實測結構健康值得到結構健康響應殘差；
65、結構預警模塊，用于結合環境激發數據構建動態殘差閾值，通過比對所述結構健康響應殘差與所述動態殘差閾值進行結構預警判定，再通過特征貢獻度分析進行結構故障歸因，輸出包含結構健康度指數、異常事件類型及概率、剩余安全窗口的綜合結構預警信息。
66、與相關技術相比較，本發明提供的用于風機塔筒的結構智能安全預警方法及系統具有如下有益效果：
67、本發明通過采集風機塔筒的物理感知數據和環境激發數據，其中物理感知數據包括三維位移時間序列、多層級三軸傾角數據、沉降差數據、低頻振動加速度數據、微應變數據，環境激發數據包括風速風向數據、環境溫度數據；對采集的物理感知數據和環境激發數據進行預處理，依次完成時間同步、滑動窗口構建、異常值清洗去噪、歸一化處理，并匯總得到標準化結構數據；構建cnn-lstm-attention雙通道路徑神經網絡模型，將標準化結構數據輸入cnn-lstm-attention雙通道路徑神經網絡模型，通過空間幾何特征提取層和時序演化特征提取層分別提取結構空間幾何特征和結構時序演化特征，經注意力機制加權融合后輸出結構健康響應預測值；獲取風機塔筒的實測結構健康值，通過比對結構健康響應預測值與實測結構健康值得到結構健康響應殘差；結合環境激發數據構建動態殘差閾值，通過比對結構健康響應殘差與動態殘差閾值進行結構預警判定，再通過特征貢獻度分析進行結構故障歸因，輸出包含結構健康度指數、異常事件類型及概率、剩余安全窗口的綜合結構預警信息，從而通過多源異構數據融合和深度學習技術，實現了對風機塔筒結構狀態的智能監測和安全預警，能夠準確區分環境擾動和結構隱患，大幅降低誤報率，提前識別倒塌前兆，為風機安全運行提供可靠保障。
68、本發明通過協同多維度感知網絡與空間-時序特征提取機制，整合三維位移、多層級傾角等物理感知數據與風速、溫度等環境數據，借助cnn捕捉結構空間幾何關聯性，lstm挖掘時序演化規律，解決傳統單一傳感器監測缺乏整體性的問題，確保結構狀態識別的全面性與準確性。本發明通過環境自適應注意力機制與動態閾值設計，使模型能根據風速、溫度等工況動態調整監測權重與判定標準，有效區分環境擾動與結構隱患，大幅降低極端工況下的誤報率，提升預警可靠性。本發明基于虛實孿生的遷移學習策略，通過有限元仿真生成海量合成故障數據預訓練模型，結合實測數據微調消除域偏差，突破倒塌故障樣本稀缺的限制，實現倒塔前兆的早期識別與精準捕捉。本發明通過殘差分析與故障歸因體系，不僅能量化健康度指數，還能明確異常事件類型及概率，通過趨勢外推預測剩余安全窗口，為運維提供精準決策依據，推動風機維護從被動響應向主動預測性維護跨越，為風機塔筒全生命周期安全運行提供堅實保障。