王裕祥, 高阳, 蒋恩超, 董娜, 陈旭东, 彭凡, 王立闻
在风机运行过程中,叶片振动数据因不同工况环境呈现显著特征分布差异,且常受噪声干扰,致使故障特征提取困难、健康状态难以精准识别。为有效应对这一挑战,提出一种基于格拉姆角场与多头注意力机制卷积神经网络的叶片健康状态监测方法。首先,基于格拉姆角场的模态转换方法,将一维振动信号分别编码为格拉姆角差场(Gramian angular difference field, GADF)和格拉姆角和场(Gramian angular summation field, GASF)两种二维图像表征,通过极坐标映射有效保留时序信号的幅值与相位特征;其次,构建并行双通道卷积神经网络,分别提取GADF和GASF图像的空间特征,采用深度可分离卷积降低模型复杂度;最后,引入多头注意力机制进行跨通道特征融合,通过自适应权重分配强化关键故障特征的表达。为验证所提方法的有效性,本研究采用风电场叶片疲劳折损的实际数据进行试验验证,以确保方法在真实工况下的适用性和可靠性。试验结果表明,所提方法的诊断精度达到93.7%,显著优于其他对比方法,验证了其在实际应用中的有效性和优越性。