本發(fā)明屬于異常診斷，具體涉及一種基于多維信號分析的機艙部件異常診斷方法及系統(tǒng)。

背景技術(shù)：

1、隨著全球?qū)稍偕茉葱枨蟮牟粩嘣鲩L，風(fēng)力發(fā)電作為清潔能源的重要組成部分，其裝機容量和技術(shù)水平都在迅速發(fā)展。風(fēng)電機組的大型化和復(fù)雜化對機組的可靠性和運維效率提出了更高的要求。風(fēng)力發(fā)電機組通常安裝在偏遠(yuǎn)地區(qū)，如海上風(fēng)電場或山區(qū)，這使得維修成本高昂且維修周期長。機艙內(nèi)的關(guān)鍵大部件一旦發(fā)生故障，不僅會影響發(fā)電效率，還可能導(dǎo)致昂貴的維修費用和長時間的生產(chǎn)停頓。

2、現(xiàn)有技術(shù)的機艙部件異常診斷存在以下缺陷：

3、1)往往依賴于單一的信號類型(如僅聲音信號或振動信號)，這可能導(dǎo)致在復(fù)雜環(huán)境下診斷準(zhǔn)確性不高，并且傳統(tǒng)的信號處理方法可能無法有效提取信號中的復(fù)雜特征，從而進一步影響診斷的準(zhǔn)確性；

4、2)信號分析和診斷過程往往需要專業(yè)技術(shù)人員進行大量的手動操作，這不僅耗時而且容易出錯，導(dǎo)致可執(zhí)行性差；

5、3)缺乏響應(yīng)機制，當(dāng)檢測到異常時，往往不能提供具體的維修指導(dǎo)策略，導(dǎo)致維修人員可能無法迅速采取正確的維修措施，實用性差。

技術(shù)實現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)存在的準(zhǔn)確性低、可執(zhí)行性差以及實用性差的問題，本發(fā)明目的在于提供一種基于多維信號分析的機艙部件異常診斷方法及系統(tǒng)。

2、本發(fā)明所采用的技術(shù)方案為：

3、一種基于多維信號分析的機艙部件異常診斷方法，包括如下步驟：

4、根據(jù)采集的機艙的若干歷史多維信號，使用多維融合信號分析算法，構(gòu)建機艙部件異常診斷模型，并使用強化學(xué)習(xí)算法，構(gòu)建維修指導(dǎo)模型；

5、采集機艙的實時多維信號，并使用機艙部件異常診斷模型，對預(yù)處理后實時多維信號進行異常診斷，得到實時機艙部件異常診斷結(jié)果；

6、使用維修指導(dǎo)模型，對實時機艙部件異常診斷結(jié)果進行維修指導(dǎo)策略生成，得到實時維修指導(dǎo)策略。

7、進一步地，歷史/實時多維信號包括歷史/實時聲音信號和歷史/實時振動信號。

8、進一步地，根據(jù)采集的機艙的若干歷史多維信號，使用多維融合信號分析算法，構(gòu)建機艙部件異常診斷模型，并使用強化學(xué)習(xí)算法，構(gòu)建維修指導(dǎo)模型，包括如下步驟：

9、采集機艙在不同運行情況下的若干歷史多維信號，并對若干歷史多維信號進行預(yù)處理，得到若干預(yù)處理后歷史多維信號；

10、對預(yù)處理后歷史多維信號的預(yù)處理后歷史聲音信號進行stft處理，得到歷史聲譜圖，對預(yù)處理后歷史振動信號進行stft處理，得到歷史振動譜圖；

11、根據(jù)若干預(yù)處理后歷史聲音信號、對應(yīng)的歷史聲譜圖以及歷史振動譜圖，使用多維融合信號分析算法，構(gòu)建機艙部件異常診斷模型；

12、根據(jù)機艙部件異常診斷模型生成的若干歷史機艙部件異常診斷結(jié)果，使用強化學(xué)習(xí)算法，構(gòu)建維修指導(dǎo)模型，并生成若干維修指導(dǎo)策略生成經(jīng)驗。

13、進一步地，機艙部件異常診斷模型基于logfbank-aaa-attention-mlp算法構(gòu)建。

14、進一步地，維修指導(dǎo)模型基于dqn算法構(gòu)建。

15、進一步地，根據(jù)機艙部件異常診斷模型生成的若干歷史機艙部件異常診斷結(jié)果，使用強化學(xué)習(xí)算法，構(gòu)建維修指導(dǎo)模型，并生成若干維修指導(dǎo)策略生成經(jīng)驗，包括如下步驟：

16、根據(jù)維修指導(dǎo)策略生成問題，定義dqn算法的模擬環(huán)境，并構(gòu)建智能體和經(jīng)驗回放池；

17、將歷史機艙部件異常診斷結(jié)果轉(zhuǎn)換為若干歷史狀態(tài)參數(shù)，并根據(jù)若干歷史狀態(tài)參數(shù)，定義dqn算法的狀態(tài)空間；

18、將預(yù)設(shè)維修指導(dǎo)策略轉(zhuǎn)換為若干歷史動作參數(shù)，并根據(jù)若干歷史動作參數(shù)，定義dqn算法的動作空間；

19、根據(jù)動作空間中每一動作參數(shù)的影響情況，定義dqn算法的獎勵函數(shù)；

20、構(gòu)建深度q網(wǎng)絡(luò)的輸入層、若干隱含層以及輸出層，將輸入層連接至狀態(tài)空間，并將輸出層連接至動作空間；

21、基于狀態(tài)空間、動作空間以及獎勵函數(shù)，根據(jù)若干歷史機艙部件異常診斷結(jié)果，對深度q網(wǎng)絡(luò)和智能體進行優(yōu)化訓(xùn)練，構(gòu)建維修指導(dǎo)模型；

22、生成若干歷史維修指導(dǎo)策略生成經(jīng)驗，并將若干歷史維修指導(dǎo)策略生成經(jīng)驗存儲至經(jīng)驗回放池。

23、進一步地，采集機艙的實時多維信號，并使用機艙部件異常診斷模型，對預(yù)處理后實時多維信號進行異常診斷，得到實時機艙部件異常診斷結(jié)果，包括如下步驟：

24、采集機艙的實時多維信號，并對實時多維信號進行預(yù)處理，得到預(yù)處理后實時多維信號；

25、對預(yù)處理后實時多維信號的預(yù)處理后實時聲音信號進行stft處理，得到實時聲譜圖，對預(yù)處理后實時振動信號進行stft處理，得到實時振動譜圖；

26、將預(yù)處理后實時聲音信號、對應(yīng)的實時聲譜圖以及實時振動譜圖輸入機艙部件異常診斷模型，進行異常診斷，得到實時機艙部件異常診斷結(jié)果。

27、進一步地，將預(yù)處理后實時聲音信號、對應(yīng)的實時聲譜圖以及實時振動譜圖輸入機艙部件異常診斷模型，進行異常診斷，得到實時機艙部件異常診斷結(jié)果，包括如下步驟：

28、提取預(yù)處理后實時聲音信號的實時聲學(xué)分析特征、實時聲譜圖的第一實時頻譜特征以及實時振動譜圖的第二實時頻譜特征；

29、根據(jù)預(yù)設(shè)的注意力權(quán)重值，對實時聲學(xué)分析特征、第一實時頻譜特征以及第二實時頻譜特征進特征拼接，得到實時拼接特征；

30、根據(jù)實時拼接特征，進行異常診斷，得到實時機艙部件異常診斷結(jié)果。

31、進一步地，使用維修指導(dǎo)模型，對實時機艙部件異常診斷結(jié)果進行維修指導(dǎo)策略生成，得到實時維修指導(dǎo)策略，包括如下步驟：

32、在經(jīng)驗回放池中提取若干歷史維修指導(dǎo)策略生成經(jīng)驗，并根據(jù)若干歷史維修指導(dǎo)策略生成經(jīng)驗，更新維修指導(dǎo)模型的動作空間，得到更新的動作空間；

33、根據(jù)實時機艙部件異常診斷結(jié)果，更新維修指導(dǎo)模型的狀態(tài)空間，得到更新的狀態(tài)空間；

34、根據(jù)更新的狀態(tài)空間，更新深度q網(wǎng)絡(luò)的輸入層，根據(jù)更新的動作空間，更新深度q網(wǎng)絡(luò)的輸出層，得到更新的維修指導(dǎo)模型；

35、使用更新的維修指導(dǎo)模型，生成實時維修指導(dǎo)策略和對應(yīng)的實時維修指導(dǎo)策略生成經(jīng)驗，并將實時維修指導(dǎo)策略生成經(jīng)驗存儲至經(jīng)驗回放池。

36、一種基于多維信號分析的機艙部件異常診斷系統(tǒng)，用于實現(xiàn)機艙部件異常診斷方法，系統(tǒng)包括依次連接的模型構(gòu)建單元、異常診斷單元以及維修指導(dǎo)單元。

37、本發(fā)明的有益效果為：

38、本發(fā)明公開了一種基于多維信號分析的機艙部件異常診斷方法及系統(tǒng)，采用了多維的信號融合技術(shù)，能夠同時處理和整合多種類型的復(fù)雜信號(聲音信號、振動信號以及其它信號)，從而提高了在復(fù)雜環(huán)境下診斷的準(zhǔn)確性；基于智能化的特征提取方法，能夠自動從多維信號中提取關(guān)鍵特征，減少了人工干預(yù)，并顯著提高了特征提取的效率和準(zhǔn)確性，增強了可執(zhí)行性；提供了響應(yīng)機制，使用強化學(xué)習(xí)算法構(gòu)建的維修指導(dǎo)模型，在檢測到異常時，能夠提供具體的維修指導(dǎo)策略，幫助維修人員迅速采取正確的維修措施，提高了實用性；提供高效的數(shù)據(jù)處理流程，顯著提高了處理大量多維信號數(shù)據(jù)的效率，滿足了實時性的要求。

39、本發(fā)明的其他有益效果將在具體實施方式中進一步進行說明。