權(quán)利要求書： 1.一種基于行列和張量積的風(fēng)機(jī)葉片開裂故障預(yù)測(cè)方法，其特征在于，將基于行列和張量積的降維方法、三維卷積神經(jīng)網(wǎng)絡(luò)以及Squeeze?Excitation注意力機(jī)制進(jìn)行結(jié)合，用于風(fēng)機(jī)葉片開裂故障預(yù)測(cè)，能夠快速、準(zhǔn)確地預(yù)測(cè)風(fēng)機(jī)葉片一周內(nèi)是否發(fā)生開裂故障以及防止風(fēng)機(jī)葉片因?yàn)榇嬖陔[患仍繼續(xù)運(yùn)行而出現(xiàn)嚴(yán)重的損壞；在使用過程中的步驟為：步驟（1）：對(duì)利用數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)采集到的風(fēng)機(jī)多維度數(shù)據(jù)進(jìn)行數(shù)據(jù)清理，對(duì)錯(cuò)誤數(shù)據(jù)的刪除、重復(fù)數(shù)據(jù)的清除以及去掉不變的特征維度，并對(duì)剩余數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化；數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)共對(duì)R臺(tái)風(fēng)機(jī)進(jìn)行數(shù)據(jù)采集，剩余數(shù)據(jù)共有I個(gè)特征維度，每個(gè)特征維度下采樣次數(shù)共T次；

特征維度表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)采集到的數(shù)據(jù)種類；

風(fēng)機(jī)多維度數(shù)據(jù)具體為：數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)分別對(duì)R臺(tái)風(fēng)機(jī)每10分鐘采樣一次的數(shù)據(jù)以及數(shù)據(jù)的標(biāo)注信息；在標(biāo)注信息中，0表示該風(fēng)機(jī)葉片開裂故障樣本對(duì)應(yīng)風(fēng)機(jī)一周內(nèi)未發(fā)生開裂故障，1表示該風(fēng)機(jī)葉片開裂故障樣本對(duì)應(yīng)的風(fēng)機(jī)在一周內(nèi)發(fā)生開裂故障；

對(duì)剩余數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化的方法為：

v’r,i,t=(vr,i,t?vr,i,tmin)/(vr,i,tmax?vr,i,tmin)(1)其中，vr,i,t為第r臺(tái)風(fēng)機(jī)第i特征維度下第t次采樣獲得的風(fēng)機(jī)葉片數(shù)據(jù)，vr,i,tmax和vr,i,tmin分別是第r臺(tái)風(fēng)機(jī)第i特征維度下的風(fēng)機(jī)葉片數(shù)據(jù)最大值和最小值；v’r,i,t為歸一化后的第r臺(tái)風(fēng)機(jī)第i特征維度下第t次采樣獲得的風(fēng)機(jī)葉片數(shù)據(jù)；

步驟（2）：在進(jìn)行數(shù)據(jù)清理后，采用基于行列和張量積的降維方法對(duì)清理后的數(shù)據(jù)進(jìn)行降維；

基于行列和張量積的降維方法為：

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表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)在第1臺(tái)風(fēng)機(jī)采集到的數(shù)據(jù)歸一化后的數(shù)據(jù)，v’2,i,t表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)在第2臺(tái)風(fēng)機(jī)采集到的數(shù)據(jù)歸一化后的數(shù)據(jù)，v’3,i,t表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)在第3臺(tái)風(fēng)機(jī)采集到的數(shù)據(jù)歸一化后的數(shù)據(jù)，以此類推，v’R,i,t表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)在第R臺(tái)風(fēng)機(jī)采集到的數(shù)據(jù)歸一化后的數(shù)據(jù)，皆為I×T的矩陣形式；sumrow()表示逐行累加，sumcol()表示逐列累加；符號(hào)?表示張量積運(yùn)算；

依據(jù)所述公式反復(fù)迭代，最終實(shí)現(xiàn)降維；其中，降維前數(shù)據(jù)總量為R×I×T，降維后縮減為I×T，達(dá)到縮減數(shù)據(jù)量的目的；

步驟（3）：經(jīng)過降維后的風(fēng)機(jī)數(shù)據(jù)特征維度為I，故在UR中選取風(fēng)機(jī)產(chǎn)生的實(shí)時(shí)多維度數(shù)據(jù)數(shù)量為I，即一個(gè)I×I的矩陣，生成對(duì)應(yīng)的圖像，再縮放為112×112的圖像，根據(jù)數(shù)據(jù)采集的時(shí)間順序依次取16組圖像，相互堆疊得到16×112×112的三維模型，將16×112×112的三維模型與自身疊加以獲得16×112×112×3的三維模型并作為一個(gè)樣本，最后將所有樣本按4:1比例分為訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集；

16×112×112×3指深度×長度×寬度×通道數(shù)；

步驟（4）：設(shè)置網(wǎng)絡(luò)的初始參數(shù)，將訓(xùn)練數(shù)據(jù)集輸入預(yù)設(shè)的深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，當(dāng)?shù)螖?shù)達(dá)到閾值時(shí)訓(xùn)練完成，將測(cè)試數(shù)據(jù)集輸入到訓(xùn)練好的網(wǎng)絡(luò)模型中，得出預(yù)測(cè)風(fēng)機(jī)葉片狀態(tài)的分類結(jié)果；

預(yù)設(shè)的深度學(xué)習(xí)網(wǎng)絡(luò)模型以ResNet50模型為原型，結(jié)合Squeeze?Excitation注意力模塊，構(gòu)建三維卷積神經(jīng)網(wǎng)絡(luò)3D?ResNet50；

Squeeze?Excitation注意力模塊用于比較輸入的三維模型特征中不同通道對(duì)預(yù)測(cè)性能的重要程度，并通過調(diào)整通道的權(quán)重來提升模型預(yù)測(cè)性能；

3D?ResNet50用于提取所述的16×112×112×3三維模型特征；

3D?ResNet50的具體內(nèi)容為：

輸入16×112×112×3三維模型；

經(jīng)過一個(gè)尺寸3×7×7的卷積核的卷積處理；

經(jīng)過一次尺寸1×3×3的最大池化處理；

依次接入Conv2_x、Conv3_x、Conv4_x、Conv5_x殘差模塊；

再接入一個(gè)Squeeze?Excitation注意力模塊；

再依次接入1個(gè)平均池化層、1個(gè)Dropout層、1個(gè)全連接層、1個(gè)Dropout層、1個(gè)全連接層、1個(gè)Softmax層；

最后接入1個(gè)Classification層，輸出預(yù)測(cè)結(jié)果；

預(yù)測(cè)結(jié)果的具體內(nèi)容為：輸出為0，表示該風(fēng)機(jī)葉片開裂故障樣本對(duì)應(yīng)風(fēng)機(jī)一周內(nèi)未發(fā)生開裂故障；輸出為1，表示該風(fēng)機(jī)葉片開裂故障樣本對(duì)應(yīng)的風(fēng)機(jī)在一周內(nèi)發(fā)生開裂故障；

Conv2_x殘差模塊的具體內(nèi)容為：

輸入后分為2個(gè)分支：

分支1為未經(jīng)處理直接輸出；

分支2為依次經(jīng)過尺寸為1×1×1的卷積核的卷積處理、尺寸為3×3×3的卷積核的卷積處理、尺寸為1×1×1的卷積核的卷積處理；

分支1與分支2合并；

最后輸出；

相同的結(jié)構(gòu)重復(fù)3次并依次連接；

Conv3_x殘差模塊的具體內(nèi)容為：

輸入后分為2個(gè)分支：

分支1為未經(jīng)處理直接輸出；

分支2為依次經(jīng)過尺寸為1×1×1的卷積核的卷積處理、尺寸為3×3×3的卷積核的卷積處理、尺寸為1×1×1的卷積核的卷積處理；

分支1與分支2合并；

最后輸出；

相同的結(jié)構(gòu)重復(fù)4次并依次連接；

Conv4_x殘差模塊的具體內(nèi)容為：

輸入后分為2個(gè)分支：

分支1為未經(jīng)處理直接輸出；

分支2為依次經(jīng)過尺寸為1×1×1的卷積核的卷積處理、尺寸為3×3×3的卷積核的卷積處理、尺寸為1×1×1的卷積核的卷積處理；

分支1與分支2合并；

最后輸出；

相同的結(jié)構(gòu)重復(fù)6次并依次連接；

Conv5_x殘差模塊的具體內(nèi)容為：

輸入后分為2個(gè)分支：

分支1為未經(jīng)處理直接輸出；

分支2為依次經(jīng)過尺寸為1×1×1的卷積核的卷積處理、尺寸為3×3×3的卷積核的卷積處理、尺寸為1×1×1的卷積核的卷積處理；

分支1與分支2合并；

最后輸出；

相同的結(jié)構(gòu)重復(fù)3次并依次連接；

Squeeze?Excitation注意力模塊具體內(nèi)容為：輸入后分為2個(gè)分支：

分支1未經(jīng)處理直接輸出；

分支2依次接入一個(gè)全局平均池化層、一個(gè)全連接層，經(jīng)過ReLU()函數(shù)處理，接入一個(gè)全連接層，再經(jīng)過Sigmoid()函數(shù)處理；

分支1與分支2合并，再接入Fscale()函數(shù)處理；

最后輸出；

Fscale()函數(shù)為：

Xc=Fscale(Uc,Sc)=ScUc(5)Xc為第c個(gè)通道輸出的三維數(shù)據(jù)，Uc為第c個(gè)通道輸入的原始三維數(shù)據(jù)，Sc為第c個(gè)通道對(duì)應(yīng)的通道權(quán)重；Fscale()函數(shù)的目的為將各通道中的三維數(shù)據(jù)分別與其通道權(quán)重相乘，增加模型中有用信息的重要程度，達(dá)到提升模型預(yù)測(cè)性能的效果；

通道權(quán)重Sc為：

Sc=σ(W2δ(W1Zc))(6)其中，Zc為經(jīng)過全局平均池化操作后的三維數(shù)據(jù)，δ為ReLU()激活函數(shù)，σ為Sigmoid()激活函數(shù)，W1為第一個(gè)全連接層的參數(shù)，W2為第二個(gè)全連接層的參數(shù)。

說明書： 一種基于行列和張量積的風(fēng)機(jī)葉片開裂故障預(yù)測(cè)方法技術(shù)領(lǐng)域[0001] 本發(fā)明屬于風(fēng)電設(shè)備運(yùn)行、風(fēng)機(jī)葉片維護(hù)、智能電網(wǎng)、量子技術(shù)、智能技術(shù)、數(shù)據(jù)識(shí)別技術(shù)、維護(hù)技術(shù)領(lǐng)域，涉及一種基于行列和張量積的風(fēng)機(jī)葉片開裂故障預(yù)測(cè)方法。背景技術(shù)[0002] 現(xiàn)有2021年12月7日申請(qǐng)?zhí)枮?02111484234.4的風(fēng)機(jī)葉片故障檢測(cè)方法、系統(tǒng)專利，該專利通過光纖傳感器采集風(fēng)機(jī)葉片的振動(dòng)頻率，再根據(jù)振動(dòng)頻率判斷風(fēng)機(jī)葉片是否受損。然而，有兩個(gè)缺點(diǎn)限制了該方法的實(shí)用性：（1）該方法是基于單一信號(hào)去檢測(cè)葉片裂紋，但在葉片損傷尚未擴(kuò)大時(shí)，其引起的故障信號(hào)很微弱，僅憑一種傳感器難以采集到明顯的特征；（2）基于傳感器的方法對(duì)檢測(cè)環(huán)境往往有較高的要求，傳感器采集到的信號(hào)可能會(huì)被復(fù)雜的環(huán)境所影響，導(dǎo)致故障預(yù)測(cè)的準(zhǔn)確率降低。[0003] 另外，現(xiàn)有2021年5月14日申請(qǐng)?zhí)枮?02110529739.1的一種風(fēng)機(jī)葉片故障預(yù)測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)專利，該專利在數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)數(shù)據(jù)的處理上，人為選取其中5個(gè)特征維度作為深度學(xué)習(xí)模型的輸入。這種數(shù)據(jù)處理方法存在一定的主觀性，且無法全面地利用數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)采集的數(shù)據(jù)，能夠提取的故障特征有限。

[0004] 因此，提出一種基于行列和張量積的風(fēng)機(jī)葉片開裂故障預(yù)測(cè)方法，該方法能夠全面、快速地從數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)采集的數(shù)據(jù)中提取特征，且不易受環(huán)境的影響，可以實(shí)現(xiàn)對(duì)風(fēng)機(jī)葉片一周內(nèi)是否發(fā)生開裂故障進(jìn)行預(yù)測(cè)，并擁有較高的準(zhǔn)確率。發(fā)明內(nèi)容[0005] 本發(fā)明提出一種基于行列和張量積的風(fēng)機(jī)葉片開裂故障預(yù)測(cè)方法，將基于行列和張量積的降維方法、三維卷積神經(jīng)網(wǎng)絡(luò)以及Squeeze?Excitation注意力機(jī)制進(jìn)行結(jié)合，用于風(fēng)機(jī)葉片開裂故障預(yù)測(cè)，能夠快速、準(zhǔn)確地預(yù)測(cè)風(fēng)機(jī)葉片一周內(nèi)是否發(fā)生開裂故障以及防止風(fēng)機(jī)葉片因?yàn)榇嬖陔[患仍繼續(xù)運(yùn)行而出現(xiàn)嚴(yán)重的損壞；在使用過程中的步驟為：步驟（1）：對(duì)利用數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)采集到的風(fēng)機(jī)多維度數(shù)據(jù)進(jìn)行數(shù)據(jù)清理，對(duì)錯(cuò)誤數(shù)據(jù)的刪除、重復(fù)數(shù)據(jù)的清除以及去掉不變的特征維度，并對(duì)剩余數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化；數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)共對(duì)R臺(tái)風(fēng)機(jī)進(jìn)行數(shù)據(jù)采集，剩余數(shù)據(jù)共有I個(gè)特征維度，每個(gè)特征維度下采樣次數(shù)共T次；

特征維度表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)采集到的數(shù)據(jù)種類；

風(fēng)機(jī)多維度數(shù)據(jù)具體為：數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)分別對(duì)R臺(tái)風(fēng)機(jī)每10分鐘采樣一次的數(shù)據(jù)以及數(shù)據(jù)的標(biāo)注信息；在標(biāo)注信息中，0表示該風(fēng)機(jī)葉片開裂故障樣本對(duì)應(yīng)風(fēng)機(jī)一周內(nèi)未發(fā)生開裂故障，1表示該風(fēng)機(jī)葉片開裂故障樣本對(duì)應(yīng)的風(fēng)機(jī)在一周內(nèi)發(fā)生開裂故障；

對(duì)剩余數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化的方法為：

v’r,i,t=(vr,i,t?vr,i,tmin)/(vr,i,tmax?vr,i,tmin) (1)

其中，vr,i,t為第r臺(tái)風(fēng)機(jī)第i特征維度下第t次采樣獲得的風(fēng)機(jī)葉片數(shù)據(jù)，vr,i,tmax和vr,i,tmin分別是第r臺(tái)風(fēng)機(jī)第i特征維度下的風(fēng)機(jī)葉片數(shù)據(jù)最大值和最小值；v’r,i,t為歸一化后的第r臺(tái)風(fēng)機(jī)第i特征維度下第t次采樣獲得的風(fēng)機(jī)葉片數(shù)據(jù)；

步驟（2）：在進(jìn)行數(shù)據(jù)清理后，采用基于行列和張量積的降維方法對(duì)清理后的數(shù)據(jù)進(jìn)行降維；

基于行列和張量積的降維方法為：

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表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)在第1臺(tái)風(fēng)機(jī)采集到的數(shù)據(jù)歸一化后的數(shù)據(jù)，v’2,i,t表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)在第2臺(tái)風(fēng)機(jī)采集到的數(shù)據(jù)歸一化后的數(shù)據(jù)，v’3,i,t表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)在第3臺(tái)風(fēng)機(jī)采集到的數(shù)據(jù)歸一化后的數(shù)據(jù)，以此類推，v’R,i,t表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)在第R臺(tái)風(fēng)機(jī)采集到的數(shù)據(jù)歸一化后的數(shù)據(jù)，皆為I×T的矩陣形式；sumrow()表示逐行累加，sumcol()表示逐列累加；符號(hào)?表示張量積運(yùn)算；

依據(jù)所述公式反復(fù)迭代，最終實(shí)現(xiàn)降維；其中，降維前數(shù)據(jù)總量為R×I×T，降維后縮減為I×T，達(dá)到縮減數(shù)據(jù)量的目的；

步驟（3）：經(jīng)過降維后的風(fēng)機(jī)數(shù)據(jù)特征維度為I，故在UR中選取風(fēng)機(jī)產(chǎn)生的實(shí)時(shí)多維度數(shù)據(jù)數(shù)量為I，即一個(gè)I×I的矩陣，生成對(duì)應(yīng)的圖像，再縮放為112×112的圖像，根據(jù)數(shù)據(jù)采集的時(shí)間順序依次取16組圖像，相互堆疊得到16×112×112的三維模型，將16×112×

112的三維模型與自身疊加以獲得16×112×112×3的三維模型并作為一個(gè)樣本，最后將所有樣本按4:1比例分為訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集；

16×112×112×3指深度×長度×寬度×通道數(shù)；

步驟（4）：設(shè)置網(wǎng)絡(luò)的初始參數(shù)，將訓(xùn)練數(shù)據(jù)集輸入預(yù)設(shè)的深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，當(dāng)?shù)螖?shù)達(dá)到閾值時(shí)訓(xùn)練完成，將測(cè)試數(shù)據(jù)集輸入到訓(xùn)練好的網(wǎng)絡(luò)模型中，得出預(yù)測(cè)風(fēng)機(jī)葉片狀態(tài)的分類結(jié)果；

預(yù)設(shè)的深度學(xué)習(xí)網(wǎng)絡(luò)模型以ResNet50模型為原型，結(jié)合Squeeze?Excitation注意力模塊，構(gòu)建三維卷積神經(jīng)網(wǎng)絡(luò)3D?ResNet50；

Squeeze?Excitation注意力模塊用于比較輸入的三維模型特征中不同通道對(duì)預(yù)測(cè)性能的重要程度，并通過調(diào)整通道的權(quán)重來提升模型預(yù)測(cè)性能；

3D?ResNet50用于提取所述的16×112×112×3三維模型特征；

3D?ResNet50的具體內(nèi)容為：

輸入16×112×112×3三維模型；

經(jīng)過一個(gè)尺寸3×7×7的卷積核的卷積處理；

經(jīng)過一次尺寸1×3×3的最大池化處理；

依次接入Conv2_x、Conv3_x、Conv4_x、Conv5_x殘差模塊；

再接入一個(gè)Squeeze?Excitation注意力模塊；

再依次接入1個(gè)平均池化層、1個(gè)Dropout層、1個(gè)全連接層、1個(gè)Dropout層、1個(gè)全連接層、1個(gè)Softmax層；

最后接入1個(gè)Classification層，輸出預(yù)測(cè)結(jié)果；

預(yù)測(cè)結(jié)果的具體內(nèi)容為：輸出為0，表示該風(fēng)機(jī)葉片開裂故障樣本對(duì)應(yīng)風(fēng)機(jī)一周內(nèi)未發(fā)生開裂故障；輸出為1，表示該風(fēng)機(jī)葉片開裂故障樣本對(duì)應(yīng)的風(fēng)機(jī)在一周內(nèi)發(fā)生開裂故障；

Conv2_x殘差模塊的具體內(nèi)容為：

輸入后分為2個(gè)分支：

分支1為未經(jīng)處理直接輸出；

分支2為依次經(jīng)過尺寸為1×1×1的卷積核的卷積處理、尺寸為3×3×3的卷積核的卷積處理、尺寸為1×1×1的卷積核的卷積處理；

分支1與分支2合并；

最后輸出；

相同的結(jié)構(gòu)重復(fù)3次并依次連接；

Conv3_x殘差模塊的具體內(nèi)容為：

輸入后分為2個(gè)分支：

分支1為未經(jīng)處理直接輸出；

分支2為依次經(jīng)過尺寸為1×1×1的卷積核的卷積處理、尺寸為3×3×3的卷積核的卷積處理、尺寸為1×1×1的卷積核的卷積處理；

分支1與分支2合并；

最后輸出；

相同的結(jié)構(gòu)重復(fù)4次并依次連接；

Conv4_x殘差模塊的具體內(nèi)容為：

輸入后分為2個(gè)分支：

分支1為未經(jīng)處理直接輸出；

分支2為依次經(jīng)過尺寸為1×1×1的卷積核的卷積處理、尺寸為3×3×3的卷積核的卷積處理、尺寸為1×1×1的卷積核的卷積處理；

分支1與分支2合并；

最后輸出；

相同的結(jié)構(gòu)重復(fù)6次并依次連接；

Conv5_x殘差模塊的具體內(nèi)容為：

輸入后分為2個(gè)分支：

分支1為未經(jīng)處理直接輸出；

分支2為依次經(jīng)過尺寸為1×1×1的卷積核的卷積處理、尺寸為3×3×3的卷積核的卷積處理、尺寸為1×1×1的卷積核的卷積處理；

分支1與分支2合并；

最后輸出；

相同的結(jié)構(gòu)重復(fù)3次并依次連接；

Squeeze?Excitation注意力模塊具體內(nèi)容為：

輸入后分為2個(gè)分支：

分支1未經(jīng)處理直接輸出；

分支2依次接入一個(gè)全局平均池化層、一個(gè)全連接層，經(jīng)過ReLU()函數(shù)處理，接入一個(gè)全連接層，再經(jīng)過Sigmoid()函數(shù)處理；

分支1與分支2合并，再接入Fscale()函數(shù)處理；

最后輸出；

Fscale()函數(shù)為：

Xc=Fscale(Uc,Sc)=ScUc(5)

Xc為第c個(gè)通道輸出的三維數(shù)據(jù)，Uc為第c個(gè)通道輸入的原始三維數(shù)據(jù)，Sc為第c個(gè)通道對(duì)應(yīng)的通道權(quán)重；Fscale()函數(shù)的目的為將各通道中的三維數(shù)據(jù)分別與其通道權(quán)重相乘，增加模型中有用信息的重要程度，達(dá)到提升模型預(yù)測(cè)性能的效果；

通道權(quán)重Sc為：

Sc=σ(W2δ(W1Zc))(6)

其中，Zc為經(jīng)過全局平均池化操作后的三維數(shù)據(jù)，δ為ReLU()激活函數(shù)，σ為Sigmoid()激活函數(shù)，W1為第一個(gè)全連接層的參數(shù)，W2為第二個(gè)全連接層的參數(shù)。

[0006] 本發(fā)明相對(duì)于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)及效果：(1)現(xiàn)有2021年12月7日申請(qǐng)?zhí)枮?02111484234.4的風(fēng)機(jī)葉片故障檢測(cè)方法、系統(tǒng)專利，該專利通過光纖傳感器采集風(fēng)機(jī)葉片的振動(dòng)頻率，再根據(jù)振動(dòng)頻率判斷風(fēng)機(jī)葉片是否受損。此方法過于依賴于單一傳感器采集的振動(dòng)信號(hào)，易受環(huán)境因素影響，難以保證故障預(yù)測(cè)的準(zhǔn)確性。而本發(fā)明所使用的數(shù)據(jù)來自數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)采集到的風(fēng)機(jī)多維度數(shù)據(jù)，綜合考慮多種影響風(fēng)機(jī)葉片的因素，使環(huán)境因素的干擾降到最低。同時(shí)，本發(fā)明構(gòu)建一種三維卷積神經(jīng)網(wǎng)絡(luò)模型3D?ResNet50用于預(yù)測(cè)風(fēng)機(jī)葉片開裂故障，該網(wǎng)絡(luò)模型能夠?qū)W習(xí)大量數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)采集到的數(shù)據(jù)及其對(duì)應(yīng)的標(biāo)簽，再將需要預(yù)測(cè)的處于工作狀態(tài)的風(fēng)機(jī)數(shù)據(jù)代入訓(xùn)練好的網(wǎng)絡(luò)模型，便可實(shí)現(xiàn)對(duì)風(fēng)機(jī)葉片一周內(nèi)是否將發(fā)生開裂故障進(jìn)行預(yù)測(cè)，并擁有較高的預(yù)測(cè)準(zhǔn)確率，為后續(xù)的運(yùn)維工作提供更充足的時(shí)間。

[0007] (2)現(xiàn)有2021年5月14日申請(qǐng)?zhí)枮?02110529739.1的一種風(fēng)機(jī)葉片故障預(yù)測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)專利，該專利在數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)數(shù)據(jù)的處理上，人為選取其中5個(gè)特征維度作為深度學(xué)習(xí)模型的輸入。這種數(shù)據(jù)處理方法存在一定的主觀性，且無法全面地利用數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)采集的數(shù)據(jù)。而本發(fā)明僅進(jìn)行對(duì)錯(cuò)誤數(shù)據(jù)的刪除、重復(fù)數(shù)據(jù)的清除以及對(duì)剩余數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化，保留大部分與風(fēng)機(jī)葉片開裂情況相關(guān)的特征維度，保證數(shù)據(jù)的規(guī)范性和全面性。此外，為確保數(shù)據(jù)總量仍在可接受范圍內(nèi)，本發(fā)明采用基于行列和張量積的降維方法。該方法能夠大幅壓縮數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)采集到的數(shù)據(jù)，減少存儲(chǔ)數(shù)據(jù)所需的空間。該方法也為后續(xù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練提供了便利，減少網(wǎng)絡(luò)模型的訓(xùn)練時(shí)間，提升模型的性能，使得本發(fā)明能夠在資源有限的設(shè)備上部署和應(yīng)用。[0008] (3)現(xiàn)有2022年6月27日申請(qǐng)?zhí)枮?02210742710.6的一種風(fēng)電機(jī)組葉片多故障檢測(cè)分類方法專利，該專利在訓(xùn)練網(wǎng)絡(luò)模型時(shí)，只在基本網(wǎng)絡(luò)ResNet18的基礎(chǔ)上進(jìn)行了將全連接層替換為卷積層、使用批量歸一化的簡單改動(dòng)，對(duì)模型性能的提升不明顯。而本發(fā)明將Squeeze?Excitation注意力模塊嵌入到三維卷積神經(jīng)網(wǎng)絡(luò)模型3D?ResNet50當(dāng)中。該模塊用于比較輸入的三維模型特征中不同通道對(duì)預(yù)測(cè)性能的重要程度，學(xué)習(xí)不同通道的重要性程度，并通過調(diào)整通道的權(quán)重來提升模型預(yù)測(cè)性能，能有效提高風(fēng)機(jī)葉片開裂故障預(yù)測(cè)的準(zhǔn)確率。附圖說明[0009] 圖1是本發(fā)明方法的總體流程圖。[0010] 圖2是本發(fā)明方法中所預(yù)設(shè)的深度學(xué)習(xí)網(wǎng)絡(luò)模型的整體結(jié)構(gòu)圖。[0011] 圖3是本發(fā)明方法中Conv2_x殘差模塊的整體結(jié)構(gòu)圖。[0012] 圖4是本發(fā)明方法中Conv3_x殘差模塊的整體結(jié)構(gòu)圖。[0013] 圖5是本發(fā)明方法中Conv4_x殘差模塊的整體結(jié)構(gòu)圖。[0014] 圖6是本發(fā)明方法中Conv5_x殘差模塊的整體結(jié)構(gòu)圖。[0015] 圖7是本發(fā)明方法中Squeeze?Excitation注意力模塊的整體結(jié)構(gòu)圖。實(shí)施方式

[0016] 本發(fā)明提出的基于行列和張量積的風(fēng)機(jī)葉片開裂故障預(yù)測(cè)方法，結(jié)合附圖詳細(xì)說明如下：圖1是本發(fā)明方法的整體流程圖。

[0017] 對(duì)利用數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)采集到的風(fēng)機(jī)多維度數(shù)據(jù)進(jìn)行數(shù)據(jù)清理，包括對(duì)錯(cuò)誤數(shù)據(jù)的刪除、重復(fù)數(shù)據(jù)的清除以及去掉不變的特征維度，并對(duì)剩余數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化；在進(jìn)行數(shù)據(jù)清理后，采用基于行列和張量積的降維方法對(duì)清理后的數(shù)據(jù)進(jìn)行降維；將降維后的數(shù)據(jù)生成圖像，并根據(jù)數(shù)據(jù)采集的時(shí)間順序依次取數(shù)組圖像，相互堆疊得到三維模型并作為一個(gè)樣本，最后將全部樣本按4:1比例分為訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集；設(shè)置網(wǎng)絡(luò)的初始參數(shù)，將訓(xùn)練數(shù)據(jù)集輸入預(yù)設(shè)的深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，當(dāng)?shù)螖?shù)達(dá)到閾值時(shí)訓(xùn)練完成，將測(cè)試數(shù)據(jù)集輸入到訓(xùn)練好的網(wǎng)絡(luò)模型中，得出預(yù)測(cè)風(fēng)機(jī)葉片狀態(tài)的分類結(jié)果。[0018] 風(fēng)機(jī)多維度數(shù)據(jù)具體為：數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)分別對(duì)R臺(tái)風(fēng)機(jī)每10分鐘采樣一次的數(shù)據(jù)以及數(shù)據(jù)的標(biāo)注信息；在標(biāo)注信息中，0表示該風(fēng)機(jī)葉片開裂故障樣本對(duì)應(yīng)風(fēng)機(jī)一周內(nèi)未發(fā)生開裂故障，1表示該風(fēng)機(jī)葉片開裂故障樣本對(duì)應(yīng)的風(fēng)機(jī)在一周內(nèi)發(fā)生開裂故障；對(duì)剩余數(shù)據(jù)進(jìn)行數(shù)據(jù)歸一化的方法為：

v’r,i,t=(vr,i,t?vr,i,tmin)/(vr,i,tmax?vr,i,tmin) (1)

其中，vr,i,t為第r臺(tái)風(fēng)機(jī)第i特征維度下第t次采樣獲得的風(fēng)機(jī)葉片數(shù)據(jù)，vr,i,tmax和vr,i,tmin分別是第r臺(tái)風(fēng)機(jī)第i特征維度下的風(fēng)機(jī)葉片數(shù)據(jù)最大值和最小值；v’r,i,t為歸一化后的第r臺(tái)風(fēng)機(jī)第i特征維度下第t次采樣獲得的風(fēng)機(jī)葉片數(shù)據(jù)；

基于行列和張量積的降維方法為：

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表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)在第1臺(tái)風(fēng)機(jī)采集到的數(shù)據(jù)歸一化后的數(shù)據(jù)，v’2,i,t表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)在第2臺(tái)風(fēng)機(jī)采集到的數(shù)據(jù)歸一化后的數(shù)據(jù)，v’3,i,t表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)在第3臺(tái)風(fēng)機(jī)采集到的數(shù)據(jù)歸一化后的數(shù)據(jù)，以此類推，v’R,i,t表示數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)在第R臺(tái)風(fēng)機(jī)采集到的數(shù)據(jù)歸一化后的數(shù)據(jù)，皆為I×T的矩陣形式；sumrow( )表示逐行累加，sumcol( )表示逐列累加；符號(hào)?表示張量積運(yùn)算；

依據(jù)所述公式反復(fù)迭代，最終實(shí)現(xiàn)降維；降維前數(shù)據(jù)總量為R×I×T，降維后縮減為I×T，達(dá)到縮減數(shù)據(jù)量的目的。

[0019] 圖2是本發(fā)明方法中所預(yù)設(shè)的深度學(xué)習(xí)網(wǎng)絡(luò)模型的整體結(jié)構(gòu)圖。[0020] 預(yù)設(shè)的深度學(xué)習(xí)網(wǎng)絡(luò)模型具體內(nèi)容為：輸入16×112×112×3三維模型；

經(jīng)過一個(gè)尺寸3×7×7的卷積核的卷積處理；

經(jīng)過一次尺寸1×3×3的最大池化處理；

依次接入Conv2_x、Conv3_x、Conv4_x、Conv5_x殘差模塊；

再接入一個(gè)Squeeze?Excitation注意力模塊；

再依次接入1個(gè)平均池化層、1個(gè)Dropout層、1個(gè)全連接層、1個(gè)Dropout層、1個(gè)全連接層、1個(gè)Softmax層；

最后接入1個(gè)Classification層，輸出預(yù)測(cè)結(jié)果；

預(yù)測(cè)結(jié)果的具體內(nèi)容為：輸出為0，表示該風(fēng)機(jī)葉片開裂故障樣本對(duì)應(yīng)風(fēng)機(jī)一周內(nèi)未發(fā)生開裂故障；輸出為1，表示該風(fēng)機(jī)葉片開裂故障樣本對(duì)應(yīng)的風(fēng)機(jī)在一周內(nèi)發(fā)生開裂故障。

[0021] 圖3是本發(fā)明方法中Conv2_x殘差模塊的整體結(jié)構(gòu)圖。Conv2_x殘差模塊的具體內(nèi)容為：輸入后分為2個(gè)分支：

分支1為未經(jīng)處理直接輸出；

分支2為依次經(jīng)過尺寸為1×1×1的卷積核的卷積處理、尺寸為3×3×3的卷積核的卷積處理、尺寸為1×1×1的卷積核的卷積處理；

分支1與分支2合并；

最后輸出；

相同的結(jié)構(gòu)重復(fù)3次并依次連接；

圖4是本發(fā)明方法中Conv3_x殘差模塊的整體結(jié)構(gòu)圖。Conv3_x殘差模塊的具體內(nèi)容為：

輸入后分為2個(gè)分支：

分支1為未經(jīng)處理直接輸出；

分支2為依次經(jīng)過尺寸為1×1×1的卷積核的卷積處理、尺寸為3×3×3的卷積核的卷積處理、尺寸為1×1×1的卷積核的卷積處理；

分支1與分支2合并；

最后輸出；

相同的結(jié)構(gòu)重復(fù)4次并依次連接；

圖5是本發(fā)明方法中Conv4_x殘差模塊的整體結(jié)構(gòu)圖。Conv4_x殘差模塊的具體內(nèi)容為：

輸入后分為2個(gè)分支：

分支1為未經(jīng)處理直接輸出；

分支2為依次經(jīng)過尺寸為1×1×1的卷積核的卷積處理、尺寸為3×3×3的卷積核的卷積處理、尺寸為1×1×1的卷積核的卷積處理；

分支1與分支2合并；

最后輸出；

相同的結(jié)構(gòu)重復(fù)6次并依次連接；

圖6是本發(fā)明方法中Conv5_x殘差模塊的整體結(jié)構(gòu)圖。Conv5_x殘差模塊的具體內(nèi)容為：

輸入后分為2個(gè)分支：

分支1為未經(jīng)處理直接輸出；

分支2為依次經(jīng)過尺寸為1×1×1的卷積核的卷積處理、尺寸為3×3×3的卷積核的卷積處理、尺寸為1×1×1的卷積核的卷積處理；

分支1與分支2合并；

最后輸出；

相同的結(jié)構(gòu)重復(fù)3次并依次連接；

圖7是本發(fā)明方法中Squeeze?Excitation注意力模塊的整體結(jié)構(gòu)圖。Squeeze?Excitation注意力模塊的具體內(nèi)容為：

輸入后分為2個(gè)分支：

分支1未經(jīng)處理直接輸出；

分支2依次接入一個(gè)全局平均池化層、一個(gè)全連接層，經(jīng)過ReLU()函數(shù)處理，接入一個(gè)全連接層，再經(jīng)過Sigmoid()函數(shù)處理；

分支1與分支2合并，再接入Fscale()函數(shù)處理；

最后輸出；

Fscale()函數(shù)為：

Xc=Fscale(Uc,Sc)=ScUc(5)

其中，Xc為第c個(gè)通道輸出的三維數(shù)據(jù)，Uc為第c個(gè)通道輸入的原始三維數(shù)據(jù)，Sc為第c個(gè)通道對(duì)應(yīng)的通道權(quán)重；Fscale()函數(shù)的目的為將各通道中的三維數(shù)據(jù)分別與其通道權(quán)重相乘，增加模型中有用信息的重要程度，達(dá)到提升模型預(yù)測(cè)性能的效果；

通道權(quán)重Sc為：

Sc=σ(W2δ(W1Zc))(6)

其中，Zc為經(jīng)過全局平均池化操作后的三維數(shù)據(jù)，δ為ReLU()激活函數(shù)，σ為Sigmoid()激活函數(shù)，W1為第一個(gè)全連接層的參數(shù)，W2為第二個(gè)全連接層的參數(shù)。

[0022] 以上所述僅為本發(fā)明的優(yōu)選實(shí)施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。