(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211014313.3 (22)申请日 2022.08.23 (71)申请人 华能新能源股份有限公司 地址 100000 北京市海淀区复兴 路甲23号 10、 11层 申请人 北京华能新锐控制技 术有限公司 (72)发明人 冯笑丹　叶林　王建国　王森　 段少敏　史祥　姚绍飞　杜闯　 (74)专利代理 机构 北京华锐创新知识产权代理 有限公司 1 1925 专利代理师 黄景华 (51)Int.Cl. F03D 17/00(2016.01) F03D 13/25(2016.01) G06V 20/52(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 海上风机 塔筒倾斜在线监测系统及其方法 (57)摘要 本申请涉及海上风机塔筒的智能监测的领 域， 其具体地公开了一种海上风机塔筒倾斜在线 监测系统及其方法， 其通过采用人工智能的监测 技术， 利用 深度神经网络模型作为特征提取器， 来对于海上风机阵列中各个海上风机在多个预 定时间点的基础不均匀沉降倾斜角度和塔筒倾 斜角度进行动态隐含的关联特征提取， 并且通过 以其他风机塔筒的倾斜动态特征为参考来对待 监测海上风机的塔筒倾覆风险进行评估， 进而避 免人为设置阈值引入个人认知偏 差， 以提高了对 于所述海上风机 塔筒倾斜风险预警的精准度。 权利要求书3页 说明书15页 附图5页 CN 115434873 A 2022.12.06 CN 115434873 A 1.一种海上风机塔筒倾 斜在线监测系统， 其特 征在于， 包括： 塔筒倾斜监测数据采集模块， 用于获取海上风机阵列中各个海上风机在多个预定时间 点的基础不均匀沉降倾 斜角度和塔筒倾 斜角度； 塔筒倾斜数据 特征提取模块， 用于将所述各个海上风机在多个预定时间点的基础不均 匀沉降倾斜角度和塔筒倾斜角度通过作为特征提取器的深度神经网络模型以得到对应于 各个海上风机的倾 斜状态关联 特征矩阵； 待监测对象提取模块， 用于从所述对应于各个海上风机的倾斜状态关联特征矩阵中提 取待监测海上风机的倾 斜状态关联 特征矩阵； 差分模块， 用于分别计算所述待监测海上风机的倾斜状态关联特征矩阵与其他海上风 机的倾斜状态关联 特征矩阵之间的差分以得到多个差分矩阵； 特征值校正模块， 用于分别对所述多个差分矩阵中各个差分矩阵进行基于最大特征值 的特征值校正以得到多个校正后差分特 征矩阵； 聚合编码模块， 用于将所述多个校正后差分特征矩阵聚合为三维输入 张量后通过作为 特征提取器的第二卷积神经网络模型以得到分类特 征图； 以及 监测结果生成模块， 用于将所述分类特征图通过分类器以得到分类结果， 所述分类结 果用于表示待监测海上风机的塔筒倾覆风险是否超过 预定阈值。 2.根据权利要求1所述的海上风机塔筒倾斜在线监测系统， 其特征在于， 所述塔筒倾斜 数据特征提取模块， 包括： 向量构造单元， 用于将所述各个海上风机在多个预定时间点的基础不均匀沉降倾斜角 度和塔筒倾 斜角度按照时间维度分别排列为第一输入向量和第二输入向量； 时序编码单元， 用于将所述第 一输入向量和所述第 二输入向量分别通过所述深度神经 网络模型 的包含一维卷积层的时序编码模块以得到基础不均匀 沉降倾斜角度变换特征向 量和塔筒倾 斜角度变化特 征向量； 特征向量关联单元， 用于计算所述基础不均匀沉降倾斜角度变换特征向量的转置向量 和所述塔筒倾 斜角度变化特 征向量之间的乘积以得到倾 斜状态关联矩阵； 以及 局部特征提取单元， 用于将所述倾斜状态关联矩阵通过所述深度神经网络模型的第 一 卷积神经网络以得到所述 倾斜状态关联 特征矩阵。 3.根据权利要求2所述的海上风机塔筒倾斜在线监测系统， 其特征在于， 所述 时序编码 单元， 进一步用于： 使用所述深度神经网络模型的包含一维卷积层的时序编码模块的全连接层以如下公 式分别对所述第一输入向量和所述第二输入向量进行全连接编码以分别提取出所述第一 输入向量和所述第二输入向量中各个位置的特征值的高维隐含特征， 其中， 所述公式为： 其中X是所述输入向量， Y是输出向量， W是权重矩阵， B是偏置向量， 表示 矩阵乘； 使用所述深度神经网络模型的包含一维卷积层的时序编码模块的一维卷积层以如下 公式分别对所述第一输入向量和所述第二输入向量进行一维卷积编码以分别提取出所述 第一输入向量和所述第二输入向量中各个位置的特征值间的高维隐含关联特征， 其中， 所 述公式为：权　利　要　求　书 1/3 页 2 CN 115434873 A 2其中， a为卷积核在x方向上的宽度、 F为卷积核参数向量、 G为与卷积核函数运算的局部 向量矩阵， w 为卷积核的尺寸， X表示所述输入向量。 4.根据权利要求3所述的海上风机塔筒倾斜在线监测系统， 其特征在于， 所述局部特征 提取单元， 进一步用于： 所述深度神经网络模型 的第一卷积神经网络的各层在层的正向传 递中对输入数据分别进行： 对输入数据进行 卷积处理以得到卷积特 征图； 对所述卷积特 征图进行基于局部通道维度的均值池化以得到池化特 征图； 以及 对所述池化特 征图进行非线性激活以得到 激活特征图； 其中， 所述深度神经网络模型的第 一卷积神经网络的最后 一层的输出为所述倾斜状态 关联特征矩阵， 所述深度神经网络模型的第一卷积神经网络的第一层的输入为所述倾斜状 态关联矩阵。 5.根据权利要求4所述的海上风机塔筒倾斜在线监测系统， 其特征在于， 所述差分模 块， 进一步用于： 以如下公式分别计算所述待监测海上风机的倾斜状态关联特征矩阵与其 他海上风机的倾 斜状态关联 特征矩阵之间的差分以得到所述多个差分矩阵； 其中， 所述公式为： 其中， M表示所述待监测海上风机的倾斜状态关联特征矩阵， Mi表示除了所述待监测海 上风机的倾斜状态关联特征矩阵之外的其他海上风机的倾斜状态关联特征矩阵， 表示按 位置差分。 6.根据权利要求5所述的海上风机塔筒倾斜在线监测系统， 其特征在于， 所述特征值校 正模块， 进一步用于： 以如下公式分别对所述多个差分矩阵中各个差分矩阵进行基于最大 特征值的特 征值校正以得到所述多个校正后差分特 征矩阵； 其中， 所述公式为： 其中M表示所述多个差分矩阵中各个差分矩阵， mmax表示所述差分矩阵中的各个位置的 特征值的最大 特征值，⊙表示按位置点乘。 7.根据权利要求6所述的海上风机塔筒倾斜在线监测系统， 其特征在于， 所述 聚合编码 模块， 进一步用于： 所述作为特征提取器的第二卷积神经网络模型 的各层在层的正向传递 中对输入数据分别进行： 对输入数据进行 卷积处理以得到卷积特 征图； 对所述卷积特 征图进行均值池化处 理以得到池化特 征图； 以及 对所述池化特 征图进行非线性激活以得到 激活特征图； 其中， 所述作为特征提取器的第 二卷积神经网络模型的最后 一层的输出为所述分类特 征图， 所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述三维输入张 量。 8.根据权利要求7所述的海上风机塔筒倾斜在线监测系统， 其特征在于， 所述监测结果权　利　要　求　书 2/3 页 3 CN 115434873 A 3