本發(fā)明涉及故障檢測(cè)，尤其涉及一種風(fēng)電葉片的葉根螺栓的故障檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、風(fēng)電葉片是風(fēng)力發(fā)電機(jī)組的關(guān)鍵部件，其可靠性直接影響風(fēng)電機(jī)組的發(fā)電效率和使用壽命，葉根螺栓作為連接風(fēng)電葉片和輪轂的重要連接件，長(zhǎng)期處于復(fù)雜的交變載荷環(huán)境下，容易發(fā)生疲勞損傷、松動(dòng)等故障；

2、傳統(tǒng)的風(fēng)電葉片葉根螺栓故障檢測(cè)主要采用人工巡檢和定期維護(hù)的方式，存在檢測(cè)效率低、人力成本高、檢測(cè)周期長(zhǎng)等問(wèn)題，但現(xiàn)有的故障檢測(cè)方法大多基于單一的信號(hào)處理或機(jī)器學(xué)習(xí)方法，診斷和預(yù)測(cè)精度有限，難以滿足風(fēng)電場(chǎng)實(shí)際運(yùn)維的需求；

3、因此，亟需一種方案解決現(xiàn)有技術(shù)中存在的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供一種風(fēng)電葉片的葉根螺栓的故障檢測(cè)方法及系統(tǒng)，至少能解決現(xiàn)有技術(shù)中存在的部分問(wèn)題。

2、本發(fā)明實(shí)施例的第一方面，提供一種風(fēng)電葉片的葉根螺栓的故障檢測(cè)方法，包括：

3、采集風(fēng)電葉片的葉根螺栓的多維運(yùn)行數(shù)據(jù)，計(jì)算所述多維運(yùn)行數(shù)據(jù)在不同尺度下的信號(hào)方差比值，根據(jù)所述信號(hào)方差比值確定小波變換的最優(yōu)分解層數(shù)，執(zhí)行多層小波變換對(duì)所述多維運(yùn)行數(shù)據(jù)進(jìn)行分解，獲得低頻系數(shù)和高頻系數(shù)，通過(guò)軟閾值函數(shù)對(duì)所述高頻系數(shù)進(jìn)行降噪處理，結(jié)合貝葉斯準(zhǔn)則計(jì)算最優(yōu)閾值參數(shù)并對(duì)所述高頻系數(shù)進(jìn)行重構(gòu)，得到降噪后的運(yùn)行數(shù)據(jù)，將所述降噪后的運(yùn)行數(shù)據(jù)按照預(yù)設(shè)的時(shí)間間隔劃分為多個(gè)時(shí)間窗口，對(duì)每個(gè)時(shí)間窗口內(nèi)的運(yùn)行數(shù)據(jù)分別執(zhí)行傅里葉變換，得到頻域特征并與所述降噪后的運(yùn)行數(shù)據(jù)組合構(gòu)建時(shí)頻特征矩陣；

4、構(gòu)建雙向神經(jīng)網(wǎng)絡(luò)與注意力卷積網(wǎng)絡(luò)的混合深度學(xué)習(xí)模型，將所述時(shí)頻特征矩陣輸入至所述雙向神經(jīng)網(wǎng)絡(luò)，提取所述時(shí)頻特征矩陣的前向時(shí)序特征和后向時(shí)序特征并組合生成時(shí)序特征圖，對(duì)所述時(shí)序特征圖設(shè)置注意力權(quán)重系數(shù)，生成加權(quán)時(shí)序特征圖并添加至所述注意力卷積網(wǎng)絡(luò)，通過(guò)卷積運(yùn)算提取局部特征并生成卷積特征圖，通過(guò)全連接層對(duì)所述卷積特征圖進(jìn)行處理，得到故障特征概率向量，構(gòu)建故障診斷決策樹(shù)并結(jié)合粒子群優(yōu)化算法更新所述故障診斷決策樹(shù)中每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的閾值參數(shù)，將所述故障特征概率向量添加至所述故障診斷決策樹(shù)并生成初步故障診斷結(jié)果；

5、構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)驗(yàn)證模型，將所述初步故障診斷結(jié)果和所述降噪后的運(yùn)行數(shù)據(jù)輸入至所述模糊神經(jīng)網(wǎng)絡(luò)驗(yàn)證模型，通過(guò)遺傳算法優(yōu)化所述模糊神經(jīng)網(wǎng)絡(luò)驗(yàn)證模型的隸屬度函數(shù)參數(shù)，基于優(yōu)化后的隸屬度函數(shù)參數(shù)執(zhí)行模糊規(guī)則推理，對(duì)所述初步故障診斷結(jié)果進(jìn)行驗(yàn)證，得到驗(yàn)證后的故障診斷結(jié)果，構(gòu)建改進(jìn)的灰色預(yù)測(cè)模型，將所述驗(yàn)證后的故障診斷結(jié)果輸入至所述改進(jìn)的灰色預(yù)測(cè)模型生成第一預(yù)測(cè)結(jié)果，根據(jù)馬爾可夫鏈對(duì)所述第一預(yù)測(cè)結(jié)果進(jìn)行修正，得到故障發(fā)展趨勢(shì)預(yù)測(cè)結(jié)果并確定故障等級(jí)，生成預(yù)警信息，將所述預(yù)警信息和所述時(shí)頻特征矩陣存入故障特征數(shù)據(jù)庫(kù)。

6、在一種可選的實(shí)施方式中，

7、采集風(fēng)電葉片的葉根螺栓的多維運(yùn)行數(shù)據(jù)，計(jì)算所述多維運(yùn)行數(shù)據(jù)在不同尺度下的信號(hào)方差比值，根據(jù)所述信號(hào)方差比值確定小波變換的最優(yōu)分解層數(shù)，執(zhí)行多層小波變換對(duì)所述多維運(yùn)行數(shù)據(jù)進(jìn)行分解，獲得低頻系數(shù)和高頻系數(shù)，通過(guò)軟閾值函數(shù)對(duì)所述高頻系數(shù)進(jìn)行降噪處理，結(jié)合貝葉斯準(zhǔn)則計(jì)算最優(yōu)閾值參數(shù)并對(duì)所述高頻系數(shù)進(jìn)行重構(gòu)，得到降噪后的運(yùn)行數(shù)據(jù)，將所述降噪后的運(yùn)行數(shù)據(jù)按照預(yù)設(shè)的時(shí)間間隔劃分為多個(gè)時(shí)間窗口，對(duì)每個(gè)時(shí)間窗口內(nèi)的運(yùn)行數(shù)據(jù)分別執(zhí)行傅里葉變換，得到頻域特征并與所述降噪后的運(yùn)行數(shù)據(jù)組合構(gòu)建時(shí)頻特征矩陣包括：

8、采集風(fēng)電葉片的葉根螺栓的多維運(yùn)行數(shù)據(jù)，其中，所述多維運(yùn)行數(shù)據(jù)包括振動(dòng)加速度數(shù)據(jù)、應(yīng)變數(shù)據(jù)和溫度數(shù)據(jù)，對(duì)所述葉根螺栓安裝第一加速度傳感器、第二加速度傳感器、第一應(yīng)變傳感器、第二應(yīng)變傳感器和溫度傳感器，將所述第一加速度傳感器和所述第二加速度傳感器采集的振動(dòng)加速度數(shù)據(jù)進(jìn)行交叉驗(yàn)證，將所述第一應(yīng)變傳感器和所述第二應(yīng)變傳感器采集的應(yīng)變數(shù)據(jù)進(jìn)行交叉驗(yàn)證，剔除異常數(shù)據(jù)，得到驗(yàn)證后的多維運(yùn)行數(shù)據(jù)；

9、計(jì)算所述驗(yàn)證后的多維運(yùn)行數(shù)據(jù)的自相關(guān)系數(shù)和互相關(guān)系數(shù)，根據(jù)所述自相關(guān)系數(shù)確定所述振動(dòng)加速度數(shù)據(jù)的周期性特征，根據(jù)所述互相關(guān)系數(shù)確定所述振動(dòng)加速度數(shù)據(jù)與轉(zhuǎn)速參數(shù)和風(fēng)速參數(shù)的相關(guān)性特征，基于所述周期性特征和所述相關(guān)性特征確定時(shí)間尺度組合，根據(jù)所述時(shí)間尺度組合計(jì)算所述驗(yàn)證后的多維運(yùn)行數(shù)據(jù)在不同時(shí)間尺度下的方差比值，通過(guò)分析所述方差比值的變化趨勢(shì)確定小波變換的最優(yōu)分解層數(shù)；

10、根據(jù)所述最優(yōu)分解層數(shù)對(duì)所述驗(yàn)證后的多維運(yùn)行數(shù)據(jù)進(jìn)行小波變換分解，獲得低頻系數(shù)和高頻系數(shù)，采用軟閾值函數(shù)對(duì)所述高頻系數(shù)進(jìn)行降噪處理，通過(guò)最小化斯坦無(wú)偏風(fēng)險(xiǎn)估計(jì)準(zhǔn)則計(jì)算最優(yōu)閾值參數(shù)，對(duì)時(shí)間平移后的所述驗(yàn)證后的多維運(yùn)行數(shù)據(jù)重復(fù)執(zhí)行小波變換和閾值處理并將處理結(jié)果進(jìn)行平均，基于貝葉斯準(zhǔn)則對(duì)所述高頻系數(shù)進(jìn)行重構(gòu)，得到降噪后的多維運(yùn)行數(shù)據(jù)；

11、將所述降噪后的多維運(yùn)行數(shù)據(jù)按照預(yù)設(shè)的時(shí)間間隔劃分為多個(gè)時(shí)間窗口，在每個(gè)時(shí)間窗口內(nèi)對(duì)所述降噪后的多維運(yùn)行數(shù)據(jù)施加窗函數(shù)，對(duì)施加窗函數(shù)后的數(shù)據(jù)執(zhí)行短時(shí)傅里葉變換，獲取頻域特征，對(duì)所述頻域特征進(jìn)行角度域重采樣，得到重采樣后的頻域特征；

12、提取所述降噪后的多維運(yùn)行數(shù)據(jù)的小波能量特征和奇異值特征，提取所述降噪后的多維運(yùn)行數(shù)據(jù)的統(tǒng)計(jì)特征，將所述重采樣后的頻域特征、所述小波能量特征、所述奇異值特征和所述統(tǒng)計(jì)特征組合構(gòu)建時(shí)頻特征矩陣，對(duì)所述時(shí)頻特征矩陣進(jìn)行歸一化處理和降維處理，得到降維后的時(shí)頻特征矩陣。

13、在一種可選的實(shí)施方式中，

14、通過(guò)最小化斯坦無(wú)偏風(fēng)險(xiǎn)估計(jì)準(zhǔn)則計(jì)算最優(yōu)閾值參數(shù)如下公式所示：

15、；

16、其中，λopt表示最優(yōu)閾值參數(shù)，表示去噪后的小波系數(shù)估計(jì)值，表示原始信號(hào)的小波系數(shù)，d表示數(shù)據(jù)維度，n表示數(shù)據(jù)長(zhǎng)度，表示小波系數(shù)的中值絕對(duì)偏差，用于估計(jì)噪聲方差。

17、在一種可選的實(shí)施方式中，

18、構(gòu)建雙向神經(jīng)網(wǎng)絡(luò)與注意力卷積網(wǎng)絡(luò)的混合深度學(xué)習(xí)模型，將所述時(shí)頻特征矩陣輸入至所述雙向神經(jīng)網(wǎng)絡(luò)，提取所述時(shí)頻特征矩陣的前向時(shí)序特征和后向時(shí)序特征并組合生成時(shí)序特征圖，對(duì)所述時(shí)序特征圖設(shè)置注意力權(quán)重系數(shù)，生成加權(quán)時(shí)序特征圖并添加至所述注意力卷積網(wǎng)絡(luò)，通過(guò)卷積運(yùn)算提取局部特征并生成卷積特征圖，通過(guò)全連接層對(duì)所述卷積特征圖進(jìn)行處理，得到故障特征概率向量，構(gòu)建故障診斷決策樹(shù)并結(jié)合粒子群優(yōu)化算法更新所述故障診斷決策樹(shù)中每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的閾值參數(shù)，將所述故障特征概率向量添加至所述故障診斷決策樹(shù)并生成初步故障診斷結(jié)果包括：

19、構(gòu)建混合深度學(xué)習(xí)模型，所述混合深度學(xué)習(xí)模型包括雙向神經(jīng)網(wǎng)絡(luò)和注意力卷積神經(jīng)網(wǎng)絡(luò)，其中所述注意力卷積神經(jīng)網(wǎng)絡(luò)包含多頭注意力計(jì)算單元、第一卷積塊、第二卷積塊、第三卷積塊、注意力池化層和多層感知機(jī)；

20、將時(shí)頻特征矩陣輸入至所述雙向神經(jīng)網(wǎng)絡(luò)，所述雙向神經(jīng)網(wǎng)絡(luò)的前向神經(jīng)網(wǎng)絡(luò)將所述時(shí)頻特征矩陣作為輸入，所述雙向神經(jīng)網(wǎng)絡(luò)的后向神經(jīng)網(wǎng)絡(luò)將所述時(shí)頻特征矩陣按時(shí)間步倒序排列后的矩陣作為輸入，所述前向神經(jīng)網(wǎng)絡(luò)輸出前向最終隱藏態(tài)，所述后向神經(jīng)網(wǎng)絡(luò)輸出后向最終隱藏態(tài)，將所述前向最終隱藏態(tài)和所述后向最終隱藏態(tài)在特征維度上拼接得到雙向隱藏態(tài)矩陣，通過(guò)全連接層將所述雙向隱藏態(tài)矩陣映射為時(shí)序特征圖；

21、對(duì)所述時(shí)序特征圖執(zhí)行多頭注意力計(jì)算，通過(guò)多個(gè)并聯(lián)的縮放點(diǎn)積注意力頭計(jì)算不同時(shí)間步的相關(guān)性權(quán)重，每個(gè)所述縮放點(diǎn)積注意力頭對(duì)所述時(shí)序特征圖進(jìn)行查詢矩陣變換、鍵矩陣變換和值矩陣變換，將多個(gè)所述縮放點(diǎn)積注意力頭的輸出在特征維度上拼接并通過(guò)全連接層變換得到自注意力時(shí)序特征圖；

22、將所述自注意力時(shí)序特征圖依次輸入至所述第一卷積塊、所述第二卷積塊和所述第三卷積塊，所述第一卷積塊、所述第二卷積塊和所述第三卷積塊均包含一個(gè)一維因果卷積層、一個(gè)批歸一化層和一個(gè)relu激活層，得到多尺度局部特征圖；

23、將所述多尺度局部特征圖輸入至所述注意力池化層，所述注意力池化層通過(guò)第一卷積核和第二卷積核對(duì)所述多尺度局部特征圖進(jìn)行卷積操作，并經(jīng)過(guò)第一全連接層和第二全連接層的非線性變換得到第一顯著性權(quán)重向量和第二顯著性權(quán)重向量，將所述第一顯著性權(quán)重向量和所述第二顯著性權(quán)重向量相加并歸一化得到注意力權(quán)重向量，根據(jù)所述注意力權(quán)重向量對(duì)所述多尺度局部特征圖中的局部特征向量進(jìn)行加權(quán)求和得到全局關(guān)鍵特征向量；

24、將所述全局關(guān)鍵特征向量輸入至所述多層感知機(jī)，所述多層感知機(jī)包含第一隱藏層、第二隱藏層和輸出層，所述輸出層通過(guò)softmax激活函數(shù)輸出故障特征概率向量，基于故障維修專家的先驗(yàn)知識(shí)構(gòu)建故障診斷決策樹(shù)，將所述故障特征概率向量輸入至所述故障診斷決策樹(shù)，根據(jù)每個(gè)非葉節(jié)點(diǎn)的閾值參數(shù)和分支概率參數(shù)進(jìn)行路徑搜索得到初步診斷結(jié)果；

25、構(gòu)建包含所述閾值參數(shù)和所述分支概率參數(shù)的聯(lián)合優(yōu)化模型，采用粒子群優(yōu)化算法對(duì)所述聯(lián)合優(yōu)化模型進(jìn)行求解，得到所述故障診斷決策樹(shù)的最優(yōu)參數(shù)配置。

26、在一種可選的實(shí)施方式中，

27、構(gòu)建包含所述閾值參數(shù)和所述分支概率參數(shù)的聯(lián)合優(yōu)化模型，采用粒子群優(yōu)化算法對(duì)所述聯(lián)合優(yōu)化模型進(jìn)行求解，得到所述故障診斷決策樹(shù)的最優(yōu)參數(shù)配置包括：

28、采集設(shè)備運(yùn)行數(shù)據(jù)，對(duì)所述設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行特征提取和標(biāo)準(zhǔn)化處理，得到包含故障特征和故障標(biāo)簽的訓(xùn)練樣本集，其中每個(gè)所述訓(xùn)練樣本包括多維故障特征向量和對(duì)應(yīng)的故障類型標(biāo)簽；

29、構(gòu)建聯(lián)合優(yōu)化模型，所述聯(lián)合優(yōu)化模型包含決策樹(shù)閾值參數(shù)和分支概率參數(shù)，以交叉熵?fù)p失作為優(yōu)化目標(biāo)，并加入決策樹(shù)復(fù)雜度的正則化約束，對(duì)每個(gè)訓(xùn)練樣本在決策樹(shù)中的搜索路徑概率設(shè)置置信度下界約束；

30、初始化螞蟻種群和當(dāng)前螞蟻種群對(duì)應(yīng)的全局最優(yōu)蟻獅位置，每個(gè)所述螞蟻包含閾值變量和分支概率變量，所述閾值變量采用實(shí)數(shù)編碼且取值范圍為0到1，所述分支概率變量采用離散編碼且滿足歸一化要求，對(duì)所述螞蟻種群中的每個(gè)螞蟻執(zhí)行解碼操作，將所述閾值變量和所述分支概率變量解碼為決策樹(shù)的閾值和分支概率，根據(jù)所述訓(xùn)練樣本對(duì)所述決策樹(shù)進(jìn)行推理得到診斷結(jié)果和搜索路徑，計(jì)算平均交叉熵?fù)p失、置信度違反度和復(fù)雜度正則項(xiàng)，加權(quán)求和得到所述螞蟻的適應(yīng)度值；

31、根據(jù)所述適應(yīng)度值更新所述螞蟻的歷史最優(yōu)位置，將所述歷史最優(yōu)位置與當(dāng)前全局最優(yōu)蟻獅位置進(jìn)行對(duì)比并更新所述全局最優(yōu)蟻獅位置，更新所述閾值變量，將上一輪迭代的閾值向量與所述全局最優(yōu)蟻獅位置對(duì)應(yīng)的蟻獅向量和螞蟻向量的差值乘積相加得到當(dāng)前迭代的閾值向量，所述差值乘積的系數(shù)為取值范圍在0到2之間的隨機(jī)數(shù)；

32、對(duì)所述分支概率變量執(zhí)行離散更新，采用適應(yīng)度比例策略進(jìn)行選擇操作，采用算術(shù)平均進(jìn)行交叉操作，采用均勻隨機(jī)擾動(dòng)進(jìn)行變異操作，重復(fù)執(zhí)行直至所述適應(yīng)度值的變化量小于預(yù)設(shè)閾值或所述蟻獅與所述螞蟻的平均距離小于預(yù)設(shè)閾值，將最后一次執(zhí)行得到的所述全局最優(yōu)蟻獅位置解碼為所述決策樹(shù)的最優(yōu)閾值參數(shù)和最優(yōu)分支概率參數(shù)。

33、在一種可選的實(shí)施方式中，

34、構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)驗(yàn)證模型，將所述初步故障診斷結(jié)果和所述降噪后的運(yùn)行數(shù)據(jù)輸入至所述模糊神經(jīng)網(wǎng)絡(luò)驗(yàn)證模型，通過(guò)遺傳算法優(yōu)化所述模糊神經(jīng)網(wǎng)絡(luò)驗(yàn)證模型的隸屬度函數(shù)參數(shù)包括：

35、獲取旋轉(zhuǎn)機(jī)械的16維初步診斷結(jié)果向量和16維降噪后的運(yùn)行數(shù)據(jù)特征向量，輸入預(yù)先構(gòu)建的模糊神經(jīng)網(wǎng)絡(luò)驗(yàn)證模型中，其中，所述模糊神經(jīng)網(wǎng)絡(luò)驗(yàn)證模型包含輸入層、模糊化層、規(guī)則層和輸出層，所述輸入層包含32個(gè)神經(jīng)元；

36、所述輸入層中的神經(jīng)元將所述16維初步診斷結(jié)果向量和16維降噪后的運(yùn)行數(shù)據(jù)特征向量傳遞至模糊化層，模糊化層采用高斯隸屬函數(shù)對(duì)輸入數(shù)據(jù)進(jìn)行模糊化處理，每個(gè)輸入變量對(duì)應(yīng)低、中、高三個(gè)語(yǔ)言值，模糊化層將模糊化后的數(shù)據(jù)傳遞至規(guī)則層，所述規(guī)則層根據(jù)預(yù)先獲取的專家知識(shí)庫(kù)設(shè)置若干模糊規(guī)則，每條模糊規(guī)則對(duì)應(yīng)一個(gè)神經(jīng)元，規(guī)則層的神經(jīng)元將推理結(jié)果傳遞至輸出層，輸出層包含16個(gè)神經(jīng)元，分別表示16種故障模式的隸屬度；

37、利用遺傳算法優(yōu)化高斯隸屬函數(shù)的均值和方差參數(shù)，將隸屬函數(shù)參數(shù)編碼為一個(gè)實(shí)數(shù)向量作為遺傳算法的個(gè)體，初始化由50個(gè)個(gè)體組成的種群，每個(gè)個(gè)體包含96個(gè)隸屬函數(shù)對(duì)應(yīng)的192個(gè)基因，以模糊神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集上的診斷精度為適應(yīng)度函數(shù)，采用輪盤(pán)賭選擇、散點(diǎn)交叉和高斯變異算子進(jìn)行種群進(jìn)化，交叉概率為0.8，變異概率為0.1，進(jìn)化300代，得到最優(yōu)隸屬函數(shù)參數(shù)。

38、在一種可選的實(shí)施方式中，

39、基于優(yōu)化后的隸屬度函數(shù)參數(shù)執(zhí)行模糊規(guī)則推理，對(duì)所述初步故障診斷結(jié)果進(jìn)行驗(yàn)證，得到驗(yàn)證后的故障診斷結(jié)果，構(gòu)建改進(jìn)的灰色預(yù)測(cè)模型，將所述驗(yàn)證后的故障診斷結(jié)果輸入至所述改進(jìn)的灰色預(yù)測(cè)模型生成第一預(yù)測(cè)結(jié)果，根據(jù)馬爾可夫鏈對(duì)所述第一預(yù)測(cè)結(jié)果進(jìn)行修正，得到故障發(fā)展趨勢(shì)預(yù)測(cè)結(jié)果并確定故障等級(jí)，生成預(yù)警信息，將所述預(yù)警信息和所述時(shí)頻特征矩陣存入故障特征數(shù)據(jù)庫(kù)包括：

40、基于預(yù)先獲取的最優(yōu)隸屬函數(shù)參數(shù)重新配置模糊神經(jīng)網(wǎng)絡(luò)，將待測(cè)樣本的初步診斷結(jié)果和降噪后的運(yùn)行數(shù)據(jù)特征向量輸入訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)，通過(guò)隸屬度合成和模糊推理，得到表示16種故障模式可能性的輸出向量，取可能性最大者為驗(yàn)證后診斷結(jié)果，對(duì)于每種故障模式，引入自適應(yīng)背景值和動(dòng)態(tài)時(shí)滯系數(shù)的改進(jìn)灰色預(yù)測(cè)模型，對(duì)故障時(shí)間序列進(jìn)行累加生成運(yùn)算得到單調(diào)遞增的一階累加生成序列，計(jì)算背景值序列，其中背景值由一階累加生成序列當(dāng)前值、前若干步值的加權(quán)平均確定，用最小二乘法估計(jì)灰色微分方程白化值和灰色作用量，還原預(yù)測(cè)模型并進(jìn)行累減運(yùn)算得到原始序列的預(yù)測(cè)值作為第一預(yù)測(cè)結(jié)果；

41、基于所述第一預(yù)測(cè)結(jié)果，引入離散時(shí)間馬爾可夫鏈模型修正預(yù)測(cè)偏差，將故障等級(jí)劃分為正常、輕度、中度、嚴(yán)重四個(gè)狀態(tài)，分別編號(hào)為1、2、3、4，根據(jù)歷史數(shù)據(jù)統(tǒng)計(jì)得到狀態(tài)轉(zhuǎn)移概率矩陣，將第一預(yù)測(cè)結(jié)果的狀態(tài)分布向量右乘轉(zhuǎn)移概率矩陣得到修正后的狀態(tài)分布，取概率最大狀態(tài)為最終預(yù)測(cè)故障等級(jí)，計(jì)算加權(quán)平均值作為故障程度指標(biāo)，生成相應(yīng)預(yù)警信息，將所述預(yù)警信息和所述時(shí)頻特征矩陣存入故障特征數(shù)據(jù)庫(kù)。

42、本發(fā)明實(shí)施例的第二方面，提供一種風(fēng)電葉片的葉根螺栓的故障檢測(cè)系統(tǒng)，包括：

43、第一單元，用于采集風(fēng)電葉片的葉根螺栓的多維運(yùn)行數(shù)據(jù)，計(jì)算所述多維運(yùn)行數(shù)據(jù)在不同尺度下的信號(hào)方差比值，根據(jù)所述信號(hào)方差比值確定小波變換的最優(yōu)分解層數(shù)，執(zhí)行多層小波變換對(duì)所述多維運(yùn)行數(shù)據(jù)進(jìn)行分解，獲得低頻系數(shù)和高頻系數(shù)，通過(guò)軟閾值函數(shù)對(duì)所述高頻系數(shù)進(jìn)行降噪處理，結(jié)合貝葉斯準(zhǔn)則計(jì)算最優(yōu)閾值參數(shù)并對(duì)所述高頻系數(shù)進(jìn)行重構(gòu)，得到降噪后的運(yùn)行數(shù)據(jù)，將所述降噪后的運(yùn)行數(shù)據(jù)按照預(yù)設(shè)的時(shí)間間隔劃分為多個(gè)時(shí)間窗口，對(duì)每個(gè)時(shí)間窗口內(nèi)的運(yùn)行數(shù)據(jù)分別執(zhí)行傅里葉變換，得到頻域特征并與所述降噪后的運(yùn)行數(shù)據(jù)組合構(gòu)建時(shí)頻特征矩陣；

44、第二單元，用于構(gòu)建雙向神經(jīng)網(wǎng)絡(luò)與注意力卷積網(wǎng)絡(luò)的混合深度學(xué)習(xí)模型，將所述時(shí)頻特征矩陣輸入至所述雙向神經(jīng)網(wǎng)絡(luò)，提取所述時(shí)頻特征矩陣的前向時(shí)序特征和后向時(shí)序特征并組合生成時(shí)序特征圖，對(duì)所述時(shí)序特征圖設(shè)置注意力權(quán)重系數(shù)，生成加權(quán)時(shí)序特征圖并添加至所述注意力卷積網(wǎng)絡(luò)，通過(guò)卷積運(yùn)算提取局部特征并生成卷積特征圖，通過(guò)全連接層對(duì)所述卷積特征圖進(jìn)行處理，得到故障特征概率向量，構(gòu)建故障診斷決策樹(shù)并結(jié)合粒子群優(yōu)化算法更新所述故障診斷決策樹(shù)中每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的閾值參數(shù)，將所述故障特征概率向量添加至所述故障診斷決策樹(shù)并生成初步故障診斷結(jié)果；

45、第三單元，用于構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)驗(yàn)證模型，將所述初步故障診斷結(jié)果和所述降噪后的運(yùn)行數(shù)據(jù)輸入至所述模糊神經(jīng)網(wǎng)絡(luò)驗(yàn)證模型，通過(guò)遺傳算法優(yōu)化所述模糊神經(jīng)網(wǎng)絡(luò)驗(yàn)證模型的隸屬度函數(shù)參數(shù)，基于優(yōu)化后的隸屬度函數(shù)參數(shù)執(zhí)行模糊規(guī)則推理，對(duì)所述初步故障診斷結(jié)果進(jìn)行驗(yàn)證，得到驗(yàn)證后的故障診斷結(jié)果，構(gòu)建改進(jìn)的灰色預(yù)測(cè)模型，將所述驗(yàn)證后的故障診斷結(jié)果輸入至所述改進(jìn)的灰色預(yù)測(cè)模型生成第一預(yù)測(cè)結(jié)果，根據(jù)馬爾可夫鏈對(duì)所述第一預(yù)測(cè)結(jié)果進(jìn)行修正，得到故障發(fā)展趨勢(shì)預(yù)測(cè)結(jié)果并確定故障等級(jí)，生成預(yù)警信息，將所述預(yù)警信息和所述時(shí)頻特征矩陣存入故障特征數(shù)據(jù)庫(kù)。

46、本發(fā)明實(shí)施例的第三方面，

47、提供一種電子設(shè)備，包括：

48、處理器；

49、用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；

50、其中，所述處理器被配置為調(diào)用所述存儲(chǔ)器存儲(chǔ)的指令，以執(zhí)行前述所述的方法。

51、本發(fā)明實(shí)施例的第四方面，

52、提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)前述所述的方法。

53、本發(fā)明中，通過(guò)小波變換和貝葉斯準(zhǔn)則相結(jié)合的方式對(duì)采集到的多維運(yùn)行數(shù)據(jù)進(jìn)行降噪處理，有效去除了數(shù)據(jù)中的冗余信息和隨機(jī)干擾，提高了數(shù)據(jù)質(zhì)量，充分利用了雙向神經(jīng)網(wǎng)絡(luò)提取時(shí)序特征和注意力卷積網(wǎng)絡(luò)提取局部特征的優(yōu)勢(shì)，提高了故障特征提取的準(zhǔn)確性和全面性，引入故障診斷決策樹(shù)并結(jié)合粒子群優(yōu)化算法對(duì)決策樹(shù)參數(shù)進(jìn)行優(yōu)化，提高了故障診斷的精度和效率，構(gòu)建改進(jìn)的灰色預(yù)測(cè)模型并結(jié)合馬爾可夫鏈對(duì)故障發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)，可以及早發(fā)現(xiàn)潛在故障并采取預(yù)防措施，減少故障發(fā)生概率，綜上，本發(fā)明通過(guò)混合深度學(xué)習(xí)模型和改進(jìn)灰色預(yù)測(cè)模型的有機(jī)結(jié)合，實(shí)現(xiàn)了風(fēng)電葉片葉根螺栓的精準(zhǔn)故障診斷與趨勢(shì)預(yù)測(cè)，提高了風(fēng)電機(jī)組的可靠性和經(jīng)濟(jì)性。