一种基于CNN-SVDD的引风机故障识别方法技术

本发明专利技术涉及一种基于CNN‑SVDD的引风机故障识别方法，包括：步骤1：采集足量训练数据，进行数据预处理；步骤2：利用预处理后的训练数据构建CNN‑SVDD模型，利用CNN算法对时间序列数据进行降维，然后通过SVDD算法进行数据单分类；步骤3：采集足量实时数据，用基于已构建的CNN‑SVDD模型对实时数据对应的引风机故障进行识别。本发明专利技术的有益效果是：本发明专利技术利用深度学习先进行特征提取，大量减少特征维度后，再使用SVDD进行单分类分析，这样可以节省SVDD的时间和内存开销。另外由于引风机数据具有时间序列特性，可以充分利用时间序列数据时间维度上的局部相关性，使用一维卷积网络减少学习参数，进一步减少计算开销。

【技术实现步骤摘要】
一种基于CNN-SVDD的引风机故障识别方法
本专利技术涉及可靠性维护工程
，尤其包括一种基于CNN-SVDD的引风机故障识别方法。
技术介绍
引风机是火力发电机组重要辅助设备，引风机的运行特性会影响到机组锅炉燃烧效率和机组的运行稳定性和机组出力。因此及时发现引风机在运行过程中出现的各类故障征兆，可以有效掌握引风机运行状态和优化其运行状况，避免故障趋势的进一步扩大和非计划停机事件的发生，对提高机组整体性能和效率、降低设备维修成本、增加设备可利用时间有重大意义。引风机常见有主轴承振动高、轴承温度高、失速、喘振、叶片摩擦、漏油、动叶调节不灵等故障。由于故障过程的不确定性，同机组不同引风机发生的故障类型各不相同，没有统一规律；同机组同一引风机历次发生的同类故障之间，也不是每个故障征兆都完全一样，有差异特征；不同机组同类引风机同类故障之间，也不是完全各不相同，很多故障和故障征兆又有很大的相似性和相似特征。以往基于机器学习建模的故障诊断方法大都是针对单个电厂，用电厂特定设备的所有历史故障数据进行故障模式识别模型训练，但基于机器学习的故障模式识别建模，需要大量的故障样本数据才能确保较高的诊断准确率。而实际上，单电厂同类设备同一故障案例样本数据有限，在实际应用过程中会出现较大的诊断误差。
技术实现思路
本专利技术的目的是克服现有技术中的不足，提供一种基于CNN-SVDD的引风机故障识别方法。这种基于CNN-SVDD的引风机故障识别方法，包括以下步骤：步骤1：采集足量训练数据，进行数据预处理；步骤1.1：为使样本的原始特征维度一致，对训练数据在时间维度上进行切片操作、缺失值处理和数据标准化，得到统一的特征数；步骤1.2：对于训练数据中数据缺失达到30％～50％的测点进行删除；步骤1.3：用取均值和标准差对已删除数据缺失测点的训练数据进行标准化处理：其中x*表示表示归一化后的训练数据值，x表示实测的训练数据值，mean为训练数据集的均值，std为训练数据集的标准差；步骤2：利用预处理后的训练数据构建CNN-SVDD模型，利用CNN算法对时间序列数据进行降维，然后通过SVDD算法进行数据单分类；步骤2.1：通过网络结构优化和参数调优，构建含有多个卷积层和多个全连接层的CNN网络结构；该CNN网络结构中每一个卷积层后都紧跟BN(批标准化)层，并增加dropout层，在一定程度上减少过拟合；预处理后的训练数据经过若干卷积层，充分利用数据在时间维度的相关性进行特征提取(使用卷积池化运算可减少学习参数)；随后转入若干全连接层，进一步对特征进行转化提取；步骤2.2：将预处理后的训练数据输入已构建的CNN模型，经过CNN算法进行特征提取，将得到的特征输入SVDD算法中；SVDD球体中心为样本经卷积神经网络输出后的特征中心，求解得到使得损失函数最小的半径；所述损失函数Loss为：其中，X是训练数据即样本空间，φ(X)是由输入数据经一定映射后的特征展示，c是样本经映射后的特征中心，R是SVDD球体半径，ν和λ是惩罚系数，n是样本容量，ωl是神经网络权值参数，L是神经网络权值参数ωl的个数；步骤2.3、利用神经网络的反向传播对神经网络权值参数ωl进行学习更新，利用更新SVDD球体的聚类中心对球体半径R进行学习更新，令损失函数Loss最小；步骤3：采集足量实时数据，用基于已构建的CNN-SVDD模型对实时数据对应的引风机故障进行识别；步骤3.1：将输入的实时数据进行数据预处理：为使样本的原始特征维度一致，对实时数据在时间维度上进行切片操作，得到统一的特征数；对于实时数据中数据缺失达到30％～50％的测点进行删除；按照均值和标准差对删除数据缺失测点的实时数据进行标准化处理；步骤3.2：将预处理后的实时数据输入已构建的CNN模型，经过CNN算法进行特征提取，将CNN算法输出的特征值用于SVDD算法进行单分类：若样本的特征值离SVDD球体中心的距离小于等于半径，则实时数据的对应的引风机故障属于该类故障；若样本的特征值离SVDD球体中心的距离大于半径，则实时数据的对应的引风机故障属于其他类故障。作为优选，所述步骤2.1中该CNN网络结构中所有卷积层的激活函数均为LeakyReLU，所有全连接层的激活函数均为ReLU，所有卷积层和全连接层均不设置偏置项。作为优选，所述步骤1和所述步骤3.1中进行预处理的数据均为时间序列数据。作为优选，所述步骤3中随着采集的实时数据的更新，每更新预定数量的实时数据后，扩充训练数据并返回执行所述步骤2和所述步骤3，重新构造并训练CNN-SVDD模型，得到更准确的识别结果。作为优选，所述步骤1中数据预处理包括数据时间维度切片、缺失值处理和数据标准化。作为优选，所述步骤2.1中BN层用于增加训练稳定性。本专利技术的有益效果是：(1)本专利技术利用深度学习先进行特征提取，大量减少特征维度后，再使用SVDD进行单分类分析，这样可以节省SVDD的时间和内存开销。另外由于引风机数据具有时间序列特性，可以充分利用时间序列数据时间维度上的局部相关性，使用一维卷积网络减少学习参数，进一步减少计算开销。(2)本专利技术构建CNN-SVDD模型，利用CNN算法对时间序列数据进行降维，随后通过SVDD方法实现引风机的故障识别；能有效识别多机组同类引风机振动异常、失速、喘振等故障，且故障识别准确率高，可为引风机的故障诊断提供技术经验，识别结果也将给随后的设备维护计划制定提供坚实的支撑，对于对可靠性要求严格的设备维护管理大有裨益，在工程实际应用方面具有广阔前景。附图说明图1为本专利技术的CNN-SVDD算法流程图。具体实施方式下面结合实施例对本专利技术做进一步描述。下述实施例的说明只是用于帮助理解本专利技术。应当指出，对于本
的普通人员来说，在不脱离本专利技术原理的前提下，还可以对本专利技术进行若干修饰，这些改进和修饰也落入本专利技术权利要求的保护范围内。本专利技术提出一种采用深度支持向量数据描述单分类算法构建面向多电厂多个机组同类型引风机设备的故障识别模型，用多电厂多机组故障多案例的大量样本数据来弥补单电厂故障样本数据不足的问题。本例实验采用来自4个电厂、16台同类型引风机的共123个风机故障样本数据对本专利技术所提方法的有效性进行验证，故障持续时间为22秒到72秒不等。本例实验的数据包含54个测点，详见下表1：表1实验数据所用测点表编号测点名称编号测点名称编号测点名称1引风机进口烟气压力20引风机电机后轴承温度138引风机电机润滑油压力2引风机出口烟气压力21引风机电机后轴承温度239引风机控制油压力23引风机出口烟本文档来自技高网...

【技术保护点】
1.一种基于CNN-SVDD的引风机故障识别方法，其特征在于，包括以下步骤：/n步骤1：采集足量训练数据，进行数据预处理；/n步骤1.1：对训练数据在时间维度上进行切片操作、缺失值处理和数据标准化，得到统一的特征数；/n步骤1.2：对于训练数据中数据缺失达到30％～50％的测点进行删除；/n步骤1.3：用取均值和标准差对已删除数据缺失测点的训练数据进行标准化处理：/n

【技术特征摘要】
1.一种基于CNN-SVDD的引风机故障识别方法，其特征在于，包括以下步骤：
步骤1：采集足量训练数据，进行数据预处理；
步骤1.1：对训练数据在时间维度上进行切片操作、缺失值处理和数据标准化，得到统一的特征数；
步骤1.2：对于训练数据中数据缺失达到30％～50％的测点进行删除；
步骤1.3：用取均值和标准差对已删除数据缺失测点的训练数据进行标准化处理：



其中x*表示表示归一化后的训练数据值，x表示实测的训练数据值，mean为训练数据集的均值，std为训练数据集的标准差；
步骤2：利用预处理后的训练数据构建CNN-SVDD模型，利用CNN算法对时间序列数据进行降维，然后通过SVDD算法进行数据单分类；
步骤2.1：通过网络结构优化和参数调优，构建含有多个卷积层和多个全连接层的CNN网络结构；该CNN网络结构中每一个卷积层后都紧跟BN层，并增加dropout层；预处理后的训练数据经过若干卷积层，充分利用数据在时间维度的相关性进行特征提取；随后转入若干全连接层，进一步对特征进行转化提取；
步骤2.2：将预处理后的训练数据输入已构建的CNN模型，经过CNN算法进行特征提取，将得到的特征输入SVDD算法中；SVDD球体中心为样本经卷积神经网络输出后的特征中心，求解得到使得损失函数最小的半径；所述损失函数Loss为：



其中，X是训练数据，φ(X)是由输入数据经一定映射后的特征展示，c是样本经映射后的特征中心，R是SVDD球体半径，ν和λ是惩罚系数，n是样本容量，ωl是神经网络权值参数，L是神经网络权值参数ωl的个数；
步骤2.3、利用神经网络的反向传播对神经网络权值参数ωl进行学习更新，利用更新SVDD球体的聚类中心对球体半径R进行学习更新，令损失函数Loss最小；
步骤3：采集足量实时数据，用...

【专利技术属性】
技术研发人员：王豆，孟瑜炜，杨勤，张震伟，郭鼎，郑必君，王立峰，赵俊，李海斌，安佰京，
申请(专利权)人：浙江浙能技术研究院有限公司，山东鲁能软件技术有限公司，
类型：发明
国别省市：浙江;33