摘 要：本文分析了高海拔地區(qū)風機吊裝的影響因素，包括地形因素、氣象因素，氣象因素又包括風速、風向、溫度和濕度等。為了量化風速和風向變化對風機吊裝的影響，本文構(gòu)建了YOLO深度網(wǎng)絡(luò)并進行輕量化設(shè)計。試驗結(jié)果表明，隨著風速變化不斷增加，風機振動頻次呈先升、后降的趨勢；隨著風向不斷改變，風機在30°和270°這2個特定位置均出現(xiàn)最大振動頻次。

關(guān)鍵詞：高海拔；風機吊裝；深度學習；風速；風向

中圖分類號：TU 72" " " " 文獻標志碼：A

隨著低碳、低排放理念日益深入人心和國家綠色能源發(fā)展戰(zhàn)略的指引，風能的運用成為未來的重要趨勢[1]。風力發(fā)電是風能利用的最主要形式，其核心設(shè)備就是風力發(fā)電機。風力發(fā)電機的安裝受諸多因素的影響，其安裝質(zhì)量也會影響對風能的利用效率。在高海拔地區(qū)，風力資源豐富，是風能儲備較高的地區(qū)[2]。但是高海拔地區(qū)的自然條件惡劣、氣象因素多變且空氣稀薄含氧量低，給風機安裝帶來了極大困難。如果能夠?qū)Ω吆０蔚貐^(qū)的氣象因素進行深入分析，并對其關(guān)鍵影響因素進行模型量化分析，在風機吊裝前做好充分準備，就可以降低風機吊裝過程中的風險，提升風機安裝質(zhì)量[3]。本文將對高海拔地區(qū)的各種影響因素進行深入分析，并重點分析風速和風向?qū)︼L機吊裝的影響，進而通過深度學習的模型和方法對這種影響進行量化分析，以降低風機吊裝中的風險。

1 高海拔地區(qū)風機吊裝的影響因素分析

高海拔地區(qū)風機吊裝的影響因素眾多，本文對各種因素進行了歸納和分類，如圖1所示。

高海拔地區(qū)海拔高、自然條件惡劣，在其上進行風機吊裝會受多種因素的影響，一些常規(guī)影響因素在高海拔地區(qū)也表現(xiàn)得更明顯。按照影響因素的來源劃分，可以劃分成地形因素和氣象因素2類。因為地形復(fù)雜、起伏多變，所以高海拔地區(qū)的風機吊裝無法使用統(tǒng)一平臺，通常是一機一平臺。在起伏劇烈的地區(qū)，風機吊裝平臺的尺寸受到嚴格限制，從而導(dǎo)致吊裝平臺過小。同時，由于作業(yè)空間狹窄，部件材料的存放空間也不足，因此操作人員施工難度大，完成風機安裝的作業(yè)時間會不斷延長。加之高海拔地區(qū)空氣稀薄，過長的操作時間會消耗安裝人員的體力，因此進一步增加了吊裝風險。在氣象因素層面，高海拔地區(qū)氣溫低、濕度大，從而導(dǎo)致負責吊裝的起重機出現(xiàn)打滑問題。高海拔地區(qū)的風力資源雖然豐富，但是風速和風向復(fù)雜多變、極不穩(wěn)定，因此會引起風機振動、顛簸和搖擺等問題，進一步增加吊裝的施工難度。

上述2類因素對風機吊裝的影響均難以量化表達。因此，本文主要針對風速、風向因素，利用深度學習的方法就其對風機吊裝的影響程度加以量化研究。

2 基于深度學習的風速風向吊裝影響方法

風機吊裝的過程中，風速的大小和風向變化都會引起風機的顛簸、俯仰或搖擺，可以用振動頻次對這種影響進行刻畫。如果能大量記錄風速和風向變化的數(shù)據(jù)，再記錄對應(yīng)的風機振動頻次數(shù)據(jù)，并通過某種模型或方法建立二者間的聯(lián)系，就可以量化風力因素對風機吊裝的影響程度。

深度學習在這方面具有較大的優(yōu)勢。如果將風速和風向變化作為輸入，將風機振動頻次作為輸出，分別納入深度學習網(wǎng)絡(luò)中進行訓(xùn)練，就可以建立二者間的聯(lián)系。在各種深度學習網(wǎng)絡(luò)中，YOLO網(wǎng)絡(luò)速度快、檢測效率高并能避免背景錯誤對識別結(jié)果的影響，對輸入、輸出間關(guān)系的識別具有較好的針對性。為此，本文以YOLO網(wǎng)絡(luò)為深度學習的基本框架，構(gòu)建風速風向?qū)︼L機吊裝的影響分析量化模型。

2.1 YOLO網(wǎng)絡(luò)的輕量化處理

考慮深度學習需要經(jīng)過大量的迭代處理且算法耗時較長，為了進一步提升學習速度，需要對YOLO網(wǎng)絡(luò)進行輕量化處理?？梢?，輕量化是在不損失識別精度的前提下，以精簡YOLO網(wǎng)絡(luò)結(jié)構(gòu)、提升深度訓(xùn)練和深度學習策略為目的進行的網(wǎng)絡(luò)瘦身處理。

在傳統(tǒng)YOLO中，ConvNext模塊包括至少18個塊狀結(jié)構(gòu)，即18個ConvNeXt Block結(jié)構(gòu)。使用大量塊狀結(jié)構(gòu)勢必導(dǎo)致深度訓(xùn)練和學習速度變慢。在本文的處理中，YOLO網(wǎng)絡(luò)的ELAN-A模塊僅被1個ConvNeXt Block結(jié)構(gòu)替代，從而達到輕量化的目的，新的模塊命名為CvNX模塊。

CvNX模塊使用類似倒置瓶子的倒三角結(jié)構(gòu)。首先，使用7×7大卷積核進行Depthwise卷積，增大感受野、強化特征提取并平衡計算開銷。其次，使用1×1卷積升維提取更多特征，再用1×1卷積降維保留高維信息并減少參數(shù)量。最后，通過正則化處理并與最初輸入進行拼接。

CvNX模塊利用特殊的倒三角結(jié)構(gòu)，在降采樣過程中保留了更多小目標區(qū)域的特征信息。同時，CvNX模塊僅由1層Depthwise卷積層和2層1×1卷積層構(gòu)成，減少了網(wǎng)絡(luò)參數(shù)與計算量。本文在原始YOLO主干網(wǎng)絡(luò)中替換部分ELAN-A模塊，進而提出一種更輕量化的主干網(wǎng)絡(luò)。YOLO的輕型化處理應(yīng)該針對其核心處理模塊進行。卷積是YOLO網(wǎng)絡(luò)深度學習中最關(guān)鍵的運算，如果卷積計算量太大就會導(dǎo)致學習過程復(fù)雜，從而導(dǎo)致運算速度變慢、運算時間變長。因此，YOLO的輕型化應(yīng)該對卷積模塊進行輕型化處理。這里一個直接的思路，可減少卷積模塊的維度。經(jīng)過輕型化處理的YOLO網(wǎng)絡(luò)的卷積層遞歸模型如圖2所示。

從圖2可以看出，在YOLO網(wǎng)絡(luò)中，隨著卷積層不斷遞歸迭代訓(xùn)練，卷積層的尺度不斷縮減，從而達到降低運算量的目的。

如果YOLO網(wǎng)絡(luò)卷積處理的原有模板為8×8，那么將其減至3×3，運算量就會顯著減少，從而達到將YOLO網(wǎng)絡(luò)輕型化的目的。因為卷積運算在YOLO網(wǎng)絡(luò)中大量使用，所以每一次縮小卷積模板都會大幅度減少運算量，而多次卷積處理后，YOLO網(wǎng)絡(luò)運算量的減少就會更明顯。

2.2 SimAM注意力機制的引入

考慮高精度模型的部署代價，在提升精度的同時需要盡可能輕量化模型，并引入SimAM注意力機制。SimAM注意力機制不同于現(xiàn)有1D通道注意力和2D空間注意力。SimAM注意力同時關(guān)注通道維度或空間維度信息，并在算力資源有限的情況下無須額外參數(shù)即可推導(dǎo)出3D注意力權(quán)重。SimAM不僅簡單、高效，而且只需要通過一個Energy能量函數(shù)來計算注意力權(quán)重。SimAM注意力機制結(jié)構(gòu)框圖如圖3所示。

SimAM注意力機制結(jié)構(gòu)的3D權(quán)重計算過程如公式（1）所示。

（1）

式中：X為輸入特征，通過Sigmoid函數(shù)限制E中可能出現(xiàn)的過大值；E為每個通道上的能量函數(shù)。

E的計算過程如公式（2）所示。

（2）

式中：t為輸入的特征值，t∈X；λ為常數(shù)；μ和σ2分別為X中每個通道上的均值和方差，其計算過程分別如公式（3）、公式（4）所示。

（3）

（4）

式中：M=H·W，表示每個通道上的值的數(shù)量。

通過以上計算可獲得每個點的權(quán)重，以此來提升網(wǎng)絡(luò)的識別效果，同時也不會為網(wǎng)絡(luò)增加額外的參數(shù)。

2.3 YOLO網(wǎng)絡(luò)中損失函數(shù)的設(shè)定

YOLO網(wǎng)絡(luò)中的損失函數(shù)為LCIOU，損失函數(shù)如公式（5）～公式（8）所示。

（5）

LCIOU=1-CIOU （6）

（7）

（8）

式中：b為預(yù)測區(qū)域中心點坐標；bgt為真實區(qū)域中心點坐標；ρ2為預(yù)測區(qū)域與真區(qū)域中心點歐氏距離；c為預(yù)測區(qū)域和真實區(qū)域最小外接框?qū)蔷€長度；w和h為區(qū)域的寬和高；v為形狀損失，用來衡量預(yù)測區(qū)域和真實區(qū)域的寬和高間的比例一致性。

LCIOU通過v反映縱橫比的差異，而不是寬、高與真實值的差異。當預(yù)測區(qū)域與真實區(qū)域的寬、高比例相同時v為0，此時寬高損失項失效。

設(shè)置損失函數(shù)可以對深度學習前、后的信息損失進行量化。當學習過程的迭代次數(shù)達到一定程度后，原始數(shù)據(jù)的特征就會被網(wǎng)絡(luò)較好的學習并繼承下來，此時進一步迭代處理也不會在信息量上有明顯變化，從而使信息量更好地保持下來。

3 風速風向?qū)︼L機吊裝的影響試驗

上文對高海拔地區(qū)風機吊裝的影響因素進行了分析，并構(gòu)建了基于輕量化YOLO的方法。至此，將風速和風向的變化作為輸入，將風機吊裝過程中的振動頻次作為輸出，考察二者間的關(guān)系，以此來量化分析高海拔地區(qū)風速、風向變化對風機吊裝的影響。第一組試驗，觀察風速變化和風機吊裝振動頻次的關(guān)系。

根據(jù)試驗過程和試驗數(shù)據(jù)記錄，隨著風速逐漸增加，風機振動頻次呈現(xiàn)出先升高后降低的趨勢。當風速達到某一個特定數(shù)值時，風機振動頻次也隨之達到最大峰值。在這個特定數(shù)值之后，即便風速再進一步增加，雖然風機搖擺或起伏的幅度可能會增大，但是振動頻次則呈現(xiàn)出了下降的趨勢。

第一組試驗的具體結(jié)果，繪制成柱狀圖的形式，如圖4所示。從圖4可以看出，風速為4.5km/h時，風機振動頻次達到了110Hz，這也是風機振動頻次的最大峰值。

第二組試驗需要觀察風向變化與風機吊裝振動頻次的關(guān)系。根據(jù)試驗過程和試驗數(shù)據(jù)記錄，隨著風向逐漸變化，風機振動頻次呈現(xiàn)出較大的波動趨勢，并且風機振動頻次的峰值與風向角度間的關(guān)系存在較大隨機性。計算每一個具體場景時需要對試驗中風機的情況測量、計算得出，如果風機的體積、質(zhì)量不同，該結(jié)果也會有所不同。將第二組試驗的具體結(jié)果繪制成柱狀圖，如圖5所示。

從圖5可以看出，風機吊裝振動頻次與風向角度間的關(guān)系有較大隨機性，出現(xiàn)了多峰值且峰值位置無規(guī)律的情況。這只是本次試驗記錄的結(jié)果，如果換成另外組別的試驗，峰值位置和峰值大小的變化可能會更明顯。

4 結(jié)論

高海拔地區(qū)風能儲備豐富、風力資源得天獨厚，但是其地形條件復(fù)雜、氣象條件多變，給風機的吊裝帶來了極大困難。為了能夠在高海拔地區(qū)進行風機安全吊裝，本文對風機吊裝過程中的影響因素進行了詳細分析，并以風速、風向為主要影響因素進行研究。進而在YOLO深度網(wǎng)絡(luò)基礎(chǔ)上進行了輕量化設(shè)計，包括卷積層設(shè)計和注意力機制設(shè)計。并以風速和風向變化數(shù)據(jù)為輸入，以風機吊裝中的振動頻次變化為輸出，分別代入YOLO深度網(wǎng)絡(luò)進行迭代訓(xùn)練和學習，從而得到2種因素對風機振動頻次影響的量化結(jié)果，為風機吊裝的安全性提升找到了切入點。

參考文獻

[1]劉學，劉劍，王東，等.高海拔礦井風機氣動噪聲數(shù)值模擬及試驗研究[J].中國安全生產(chǎn)科學技術(shù)，2020，16（5）：44-50.

[2]許建軍，張峰華，楊忠加.高寒高海拔地區(qū)風機塔筒底部高強灌漿施工質(zhì)量控制研究[J].工程建設(shè)與設(shè)計，2022（18）：155-157.

[3]趙奎，王志.超高海拔地區(qū)風機基礎(chǔ)錨栓籠安裝工藝研究[J].中文科技期刊數(shù)據(jù)庫（全文版）工程技術(shù)，2022，31（6）：1102-1111.