本发明涉及结构状态监测，尤其涉及一种风机扭缆状态监测方法、系统、设备及介质。
背景技术：
1、风机扭缆是风力发电机组中连接机舱与塔筒底部的重要电力传输组件，负责在机舱持续偏航对风过程中，实现电力与信号的连续、可靠传输。由于风机需要根据风向频繁调整机舱方位，扭缆长期承受循环弯曲、扭转、拉伸及振动等多轴复杂交变载荷，导致其内部导体、绝缘层及护套材料产生累积性疲劳损伤。这种损伤的渐进性发展最终可能引发导体断裂、绝缘失效等严重故障，造成机组非计划停机，带来重大的发电量损失与维修经济损失。传统上，主要依赖定期人工巡检来发现扭缆外部可见损伤，但这种方式效率低下、主观性强，且完全无法对内部早期疲劳损伤进行预警。
2、为应对扭缆疲劳问题，现有技术主要从机械防护和简易监测两个方向提出方案。其中，在机械防护方面，例如专利公开号为cn118630662a的中国专利公开了一种扭缆保护装置，其通过固定环、支撑环和弹力条等机械结构来分散电缆在扭曲过程中承受的应力，旨在使应力在绝缘层上分布更均匀。此类方案本质上属于被动防护，仅能在一定程度上延缓疲劳进程，但无法阻止损伤的累积，更不具备状态感知与预警功能。在简易监测方面，常见的是采用机械限位开关等触发装置。这类方案通常通过机械触点结构检测偏航圈数或极限位置，在达到预设阈值时发出报警。然而，其仅能提供“是/否”式的极限状态指示，完全无法监测疲劳损伤的累积过程与早期征兆，且存在易误触发、可靠性低、无法反映实际健康状态等问题。
3、综上所述，现有的风机扭缆监测方法主要存在监测手段单一，难以全面捕捉扭缆疲劳涉及的应变、应力、微观损伤等多维度特征；早期预警能力匮乏，无法在微观损伤阶段识别故障隐患；防护与监测功能脱节，机械防护未与状态监测形成协同；缺乏精准剩余寿命预测能力，无法结合实时数据实现疲劳损伤的量化评估等技术缺陷。
技术实现思路
1、本发明的目的是，提供一种风机扭缆状态监测方法、系统、设备及介质，实现风机扭缆疲劳损伤的监测准确性，提升扭缆运行的可靠性与风电场的运维效率。
2、为实现以上目的，本发明提供一种风机扭缆状态监测方法，包括：
3、获取风机扭缆的多维度状态监测数据；其中，所述多维度状态监测数据包括所述扭缆的全场应变分布数据、动态应变数据和局部应力数据、声发射事件数据和波形数据；
4、将所述多维度状态监测数据进行融合，基于融合后的数据通过多任务学习模型进行损伤识别，得到所述扭缆的损伤状态评估结果；
5、基于所述多维度状态监测数据，更新所述扭缆的数字孪生虚拟模型；
6、基于所述数字孪生虚拟模型，预测所述扭缆的剩余寿命；
7、根据所述损伤状态评估结果和所述剩余寿命，进行所述扭缆的监测预警。
8、可选地，所述获取目标风机扭缆的状态监测数据，包括：
9、通过沿风机扭缆表面螺旋敷设的分布式光纤传感器，采集所述扭缆的全场应变分布数据；
10、通过布设于风机扭缆应力集中部位的光纤光栅传感器阵列，采集所述扭缆的动态应变数据和局部应力数据；
11、通过布设于风机扭缆上的声发射传感器，采集所述扭缆的声发射事件数据和波形数据。
12、可选地，所述将所述多维度状态监测数据进行融合，包括：
13、通过一维卷积神经网络对所述动态应变数据和局部应力数据进行提取，得到第一特征向量；
14、通过长短期记忆网络对所述全场应变分布数据进行时间序列提取，得到第二特征向量；
15、通过注意力机制处理对所述声发射事件数据和波形数据进行提取，得到第三特征向量；
16、将所述第一特征向量、第二特征向量及第三特征向量进行加权融合，得到融合后的特征向量。
17、可选地，所述基于融合后的数据通过多任务学习模型进行损伤识别，得到所述扭缆的损伤状态评估结果，包括：
18、基于融合后的全场应变分布数据、声发射事件数据和波形数据，通过多任务学习模型识别所述扭缆的损伤状态类别；
19、基于融合后的全场应变分布数据、动态应变数据和局部应力数据，通过多任务学习模型识别所述扭缆的损伤发生位置；
20、基于所述融合后的特征向量，通过多任务学习模型计算表示损伤严重程度的评分值。
21、可选地，所述表示损伤严重程度的评分值根据基于全场应变数据得到的应变集中因子、基于动态应变数据和局部应力数据得到的动态特性偏移因子、基于声发射数据得到的微观损伤活动度因子以及历史损伤累积度进行加权融合得到。
22、可选地，所述基于所述数字孪生虚拟模型，预测所述扭缆的剩余寿命，包括：
23、通过雨流计数法对所述数字孪生虚拟模型的全场应变分布数据进行处理，得到不同应力水平及循环次数表征的应力谱；
24、基于所述应力谱，采用基于miner线性累积损伤准则计算所述扭缆的累积损伤度；其中，所述基于miner线性累积损伤准则在经典线性累积损伤公式中引入了塑性应变损伤项及载荷顺序交互因子；
25、获取所述累积损伤度随时间变化的历史数据，通过回归分析估计损伤增长率；
26、根据当前时刻的累积损伤度与所述损伤增长率，通过外推计算所述扭缆的剩余寿命。
27、可选地，所述基于所述多维度状态监测数据，更新所述扭缆的数字孪生虚拟模型，包括：
28、基于所述全场应变分布数据，对所述扭缆的数字孪生虚拟模型的几何形态进行反演与更新；
29、基于所述动态应变数据和局部应力数据，对所述数字孪生虚拟模型中的物理参数进行校准。
30、为实现以上目的，本发明还提供了一种风机扭缆状态监测系统，包括：
31、数据获取模块，用于获取风机扭缆的多维度状态监测数据；其中，所述多维度状态监测数据包括所述扭缆的全场应变分布数据、动态应变数据和局部应力数据、声发射事件数据和波形数据；
32、损伤识别模块，用于将所述多维度状态监测数据进行融合，基于融合后的数据通过多任务学习模型进行损伤识别，得到所述扭缆的损伤状态评估结果；
33、数字孪生虚拟模型更新模块，用于基于所述多维度状态监测数据，更新所述扭缆的数字孪生虚拟模型；
34、剩余寿命预测模块，用于基于所述数字孪生虚拟模型，预测所述扭缆的剩余寿命；
35、监测预警模块，用于根据所述损伤状态评估结果和所述剩余寿命，进行所述扭缆的监测预警。
36、为实现以上目的，本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的风机扭缆状态监测方法。
37、为实现以上目的，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项所述的风机扭缆状态监测方法。
38、与现有技术相比，本发明提供的一种风机扭缆状态监测方法、系统、设备及介质，该方法通过全场应变分布数据、动态应变与局部应力数据、声发射事件及波形数据的多维度采集，突破了现有技术监测手段单一的局限，实现了扭缆疲劳特征的全面捕捉；通过多源数据融合与多任务学习模型，可以精准识别损伤状态，弥补了传统方案早期预警能力不足的短板；依托多维度实时数据动态更新数字孪生虚拟模型，结合改进算法实现剩余寿命预测，可以解决现有技术缺乏量化寿命评估的问题，打破机械防护与状态监测脱节的现状，最终实现风机扭缆疲劳损伤的全面感知、早期识别、精准预判与科学预警，可以有效降低了非计划停机风险，提升扭缆运行的可靠性与风电场的运维效率。