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方案

本发明专利技术涉及水电机组故障诊断技术领域，具体涉及一种基于DdAE深度学习模型的水电机组故障诊断方法与系统。本发明专利技术建立在对水电机组原始振动数据分析的基础上，采用了基于多层神经网络模型的深度学习特征提取方法，不需要复杂的人工处理和特征提取过程，采用基于随机搜索的ASFA方法进行DdAE的结构参数调优，达到策略优化的目的。通过深度降噪自动编码器模型实现了原始数据的分布式表达，并将特征提取后的重构数据输入至Softmax回归模型判断水电机组的工作状态和故障类型。网络试验结果分析表明，该方法能有效地应用于水电机组的故障诊断。

【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，针对复杂分类问题其泛化能力受到一定制约。水电机组的振动与一般动力机械的振动有所不同。除需考虑机组本身的转动或固定部分的振动外，水电机组振动尚需考虑作用于发电机部分的电磁力及作用于水电机过流部分的流体动压力对系统及其部件振动的影响。在机组运转的情况下，流体、机械、电磁三部分是相互影响的。因此，水电机组的振动是电气、机械、流体耦合振动。根据水电站所积累的典型经验，可将引起机组振动的原因划分为机械、水力、电气和噪声等方面因素。目前，在水力发电机组振动故障诊断中得以研究和应用的主要有故障树故障诊断方法、模糊诊断方法、小波分析和神经网络等方法。故障树故障诊断方法在传统支持向量机(Classical-SupportVectorMachine，简写为：C-SVM)的基础上，通过集成模糊聚类技术和支持向量机算法，构造一种适合于故障诊断的多级二叉树分类器。缺点是不能诊断不可预知的故障；诊断结果严重依赖于故障树信息的正确性和完整性。而且水电机组故障诊断一般为多故障诊断，支持向量机是一种典型的二分类分类器，用于多分类时会有计算量大的问题。模糊诊断方法是利用集合论中的隶属度函数和模糊关系矩阵的概念来解决故障与征兆之间的不确定关系。模糊故障诊断方法的不足之处在于，复杂的诊断系统要建立正确的模糊规则和隶属函数非常困难，而且工作量大。小波分析能够解决许多傅立叶变换难以解决的问题。它在时域和频域都有良好的局域化能力，能聚焦到信号的任意细节，对信号的突变有很强的识别能力，能有效地去噪和提取有用信号。但是小波分析方法中的小波基是很难选取的，一般很难选到非常符合要求的小波基，而且小波变换的实现效果在高维情况下不能得到保证。神经网络的诊断方法一般为浅层网络，例如极限学习机(ExtremeLearningMachine，简写为：ELM)，径向基网络(RadicalBasisFunctionnetwork，简写为：RBF)等。这一类浅层网络往往需要结合其他信号处理技术，以及一些用于参数优化的智能算法，在整个故障诊断流程中充当最后的分类器。其最终的诊断效果依赖于前面所做的信号处理即信号特征提取工作。
技术实现思路
本专利技术的目的是提供一种基于DdAE深度学习模型的水电机组故障诊断方法与系统，以解决海量监测数据带来的繁琐的人工工作的问题，并提高故障诊断系统的准确率和稳定性。本专利技术采用的技术方案为：第一方面，提供了一种基于DdAE深度学习模型的水电机组故障诊断方法，该方法包括如下内容：步骤(1)：原始数据预处理：该方法以水电机组振动的原始数据作为输入样本集x，首先采用归一化处理，即使处理后的数据按原始数据的分布比例分布在-1到1之间，得到新的输入样本集x'；然后将归一化处理后的样本集x'等分为k组数据块，考虑到水电机组振动故障的周期性，为了不破坏故障信息按照一个周期为准分组。从k组数据块中抽取n组组合成训练数据作为神经网络模型的输入，如此可得组训练数据，增大了有限数据的复用率，并且每组训练数据都相当于做了降噪处理，k的具体取值根据搜集到数据的实际情况来定。步骤(2)：基于深度学习的无监督训练过程：建立DdAE网络模型，采用训练样本对DdAE网络模型进行训练。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，得到DdAE网络模型的连接权重。该过程是一种无监督的特征提取过程，贪心逐层训练提供特征提取过程中的无损保证，并且以最快的速度收敛。每次训练的初始化连接权重引导向不同方向的特征，提供特征选择的多样性保证。步骤(3)：基于Softmax回归模型和BP的有监督训练过程：经过第(2)步的DdAE网络模型做无监督的特征提取，可以得到一组重构特征向量，选择Softmax回归模型作为水电机组故障的分类方法，处理水电机组在多种故障下的多分类问题。重构出的特征向量经过一层全连接的组合网络，得到特征的一种线性组合作为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。通过最小化误差函数来修正特征组合网络的连接权重，用梯度下降和反向传播算法对整个网络的连接权重进行微调。步骤(4)：基于AFSA的结构参数优化过程：即自适应结构调整过程，过程包含了上述基于深度学习的无监督训练过程和基于Softmax回归模型和BP的有监督训练过程。将DdAE的结构参数和误差函数中的超参数作为AFSA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优化中的每一个人工鱼的每一步迭代过程即为一个DdAE网络模型的参数优化过程，最终得到位置最优的人工鱼即得到最优模型。第二方面，本专利技术还提供了一种基于DdAE深度学习模型的水电机组故障诊断系统，所述系统包括训练数据处理模块、神经网络模型训练模块、重构特征向量生成模块和故障概率计算模块，上述各模块依次相连，具体的：训练数据处理模块，用于获取数据集，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；神经网络模型训练模块，用于建立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；重构特征向量生成模块，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；故障概率计算模块，用于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。本专利技术与现有技术相比的优点在于：(1)区别于传统的时频域信号特征提取方法，为了摆脱对信号处理技术和诊断经验的依赖，提出了一种深度自动编码器特征本文档来自技高网...

【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