【技术实现步骤摘要】
一种基于DdAE深度学习模型的水电机组故障诊断方法与系统
本专利技术属于水电机组故障诊断
,更具体地,涉及一种基于DdAE深度学习模型的水电机组故障诊断方法与系统。
技术介绍
在一个水力发电系统中,水轮发电机组是最关键的主设备,它的运行状态是否安全可靠直接关系到水电站能否安全、经济的为国家各经济部门和人民的日常生活提供可靠的电力,也直接关系到水电站本身的安全。不断改进优化的状态监测与故障诊断系统,不仅能提高水电站的经济效益和社会效益,也有利于我国在大型水电机组故障诊断
方面的发展。随着现在科学技术水平的日益提高,尤其是信号处理、知识工程和计算智能等理论技术的发展,水轮发电机组的故障诊断也正由人工诊断到智能诊断、由离线诊断到在线诊断,由现场诊断到远程诊断的逐渐发展。传统机器学习和信号处理技术探索仅含单层非线性变换的浅层学习结构。浅层模型的一个共性是仅含单个将原始输入信号转换到特定问题空间特征的简单结构。典型的浅层学习结构包括传统隐马尔可夫模型(hiddenMarkovmodel,简写为:HMM)、条件随机场(conditionalrandomfield,简写为:CRFs)、最大熵模型(TheMaximumEntropymodel,简写为:MaxEnt)、支持向量机(SupportVectorMachine,简写为:SVM)、核回归及仅多层感知器(Multi-LayerPerceptron,简写为:MLP)等。例如,SVM用包含一层或者零个特征转换层的浅层模式分离模型。浅层结构的局限性在于有限的样本和计算单元情况下对复杂函数的表示能力有限,针对复杂 ...
【技术保护点】
一种基于DdAE深度学习模型的水电机组故障诊断方法,其特征在于,方法包括:获取数据集,并从数据集中抽取n组数据块,作为DdAE网络模型的训练数据;建立DdAE网络模型,并利用所述训练数据对DdAE网络模型进行训练,得到DdAE网络模型的连接权重;DdAE网络模型中的每一层网络中的每一个神经元节点的输入值,均由前一层所有神经元节点的输出值求加权平均得到,所述每两层网络间的所有权值组合在一起形成一个连接权重矩阵,简称连接权重;将DdAE的结构参数和误差函数中的超参数作为AFSA算法的目标参数,模型输出结果的误差函数作为AFSA的目标函数,通过AFSA对整个模型中的超参数进行随机搜索优化,AFSA优化的每一步迭代过程为一组DdAE网络模型的参数优化过程,以便得到最优DdAE网络模型;根据由所述连接权重构成的DdAE网络模型,获取一组重构特征向量;所述重构特征向量经过一层全连接的组合网络,得到特征的线性组合,并作为Softmax模型的输入,计算出表示每一种故障的出现可能性的概率。
【技术特征摘要】
1.一种基于DdAE深度学习模型的水电机组故障诊断方法,其特征在于,方法包括:获取数据集,并从数据集中抽取n组数据块,作为DdAE网络模型的训练数据;建立DdAE网络模型,并利用所述训练数据对DdAE网络模型进行训练,得到DdAE网络模型的连接权重;DdAE网络模型中的每一层网络中的每一个神经元节点的输入值,均由前一层所有神经元节点的输出值求加权平均得到,所述每两层网络间的所有权值组合在一起形成一个连接权重矩阵,简称连接权重;将DdAE的结构参数和误差函数中的超参数作为AFSA算法的目标参数,模型输出结果的误差函数作为AFSA的目标函数,通过AFSA对整个模型中的超参数进行随机搜索优化,AFSA优化的每一步迭代过程为一组DdAE网络模型的参数优化过程,以便得到最优DdAE网络模型;根据由所述连接权重构成的DdAE网络模型,获取一组重构特征向量;所述重构特征向量经过一层全连接的组合网络,得到特征的线性组合,并作为Softmax模型的输入,计算出表示每一种故障的出现可能性的概率。2.根据权利要求1所述的基于DdAE深度学习模型的水电机组故障诊断方法,其特征在于,所述建立的DdAE网络模型具体为:所述DdAE网络模型由至少两个AE构成,其中,前一层AE的隐藏层作为后一层AE的输入层堆叠得到;每个AE的隐藏层各节点的值由输入层各节点值经线性加权连接求和,输入到一个激励函数中计算得到。3.根据权利要求1所述的基于DdAE深度学习模型的水电机组故障诊断方法,其特征在于,所述利用所述训练数据对DdAE网络模型进行训练,具体包括通过加入dropout的无监督贪心逐层训练方法对DdAE网络模型进行训练,所述无监督贪心逐层训练方法,具体为:在无监督训练过程中,将DdAE网络模型的每一层作为一个独立的单隐层自动编码器,重构出多个独立的AE进行单独训练;所述加入dropout的无监督贪心逐层训练方法包括:在DdAE网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃;其中,暂时从网络中丢弃具体为:按照概率确定是否在本轮输入的计算中忽略该网络单元,使其不参与本轮计算,而在下一轮计算中重新由概率决定是否参与计算。4.根据权利要求3所述的基于DdAE深度学习模型的水电机组故障诊断方法,其特征在于,所述DdAE网络模型的初始化包括结构初始化和参数初始化:DdAE网络模型的结构初始化即为ASFA模型中AF位置初始化过程,包括DdAE网络模型层数,DdAE网络模型输入层神经元数量,高斯分布的方差σ和dropout概率P;ASFA模型中AF位置的初始化根据已初始化的参数调整范围LB、UB,均匀地分布在参数调整空间中;DdAE网络模型的参数初始化即为无监督训练的初始化,对于DdAE网络模型连接权重参数的初始化采用经验公式法,采用经验公式其中nj为权重矩阵W连接的前一层神经元节点数,nj+1为权重矩阵W连接的后一层神经元节点数,权重矩阵W中每一个元素都依这样一个均匀分布进行初始化。5.根据权利要求1-4任一所述的基于DdAE深度学习模型的水电机组故障诊断方法,其特征在于,所述Softmax模型的函数表达式为:其中z为对应各种故障的特征向量,σ(z)j为对应第j种故障的模糊评价值,zj为对应第j种故障类型的特征组合值,zk为对应第k种故障类型的特征组合值,K为总共可分类故障数。6.根据权利要求1所述的基于DdAE深度学习模型的水电机组故障诊断方法,其特征在于,在计算出所述连接权重后,所述方法还包括通过最小化误...
【专利技术属性】
技术研发人员:李超顺,陈昊,邹雯,赖昕杰,陈新彪,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。