一种基于深度神经网络多维度的机组生命周期测评方法技术

本发明专利技术提供一种基于深度神经网络多维度的机组生命周期测评方法，通过获取特征数据并归一化，对所有数据样本进行类别标注

【技术实现步骤摘要】
一种基于深度神经网络多维度的机组生命周期测评方法


[0001]本专利技术提供一种基于深度神经网络多维度的机组生命周期测评方法，属于电力系统装置测评


技术介绍

[0002]电力对于我国是至关重要的，当前电力系统中的测评大多基于人工测评，而人工测评的主观意识很强，容易引起测评结果的差异。因此，在线测评方法和系统是解决这一问题的关键。如何客观、精准并且能完整地对电力系统的综合能力水平做出评价，并且全方面多角度的提取生命周期的特征数据评价指标是急需解决的问题。随着人工智能的快速发展，深度学习已经深入到多个行业，利用深度神经网络代替传统的优化函数不仅能得到精确的结果，而且能节省时间。因此，利用深度神经网络来解决生命周期测评，提出一种基于深度神经网络多维度特征的机组生命周期测评数据分析方法及系统是至关重要的。

技术实现思路

[0003]本专利技术的目的在于提供一种基于深度神经网络多维度的机组生命周期测评方法，用以解决上述
技术介绍
中提出的问题。
[0004]本专利技术提供一种基于深度神经网络多维度的机组生命周期测评方法，如下技术方案以下步骤：获取特征数据，并归一化；对所有数据样本进行类别标注
‑
设置标签；划分样本为测试集和训练集，并利用深度神经网络进行训练；训练模型后，输入健康状态数据进行验证，得到测评结果；定期更健康状态数据样本，并进行训练和测试，从而更新模型；（1）所述获取特征数据，并归一化，特征数据包括生命周期的多项数据，包括：上导轴承及上机架瓦温、电机润滑油油槽油位油温、冷却器进出水进口水流量、压力、温度、振摆上导Ｘ向摆度、推力轴承瓦温各块瓦温度、振摆下导Ｘ向摆度、Ｙ向摆度、转子绕组温度、机组空气间隙、振动定子铁芯振动、过流部件顶盖水位、导叶漏水流量；然后将这些特征数据归一化，其中，上导轴承及上机架瓦温、电机润滑油油槽油位油温、冷却器进出水进口水流量、压力、温度、振摆上导Ｘ向摆度、推力轴承瓦温各块瓦温度都有固定的权重，它们的权重和为1，即满足：其中，K为大类特征数，为第k类特征的小类特征数；（2）对所有数据样本进行类别标注
‑
设置标签。获取所有历史样本数据（历史的特征和测评结果），基于样本特征进行分类，分为优秀，良好，一般，较差和很差五个类别，并对每一个样本进行标注；（3）划分样本为测试集和训练集，并利用深度神经网络进行训练。按照测试集占所
有样本的0.2，训练集占所有样本的0.8进行交叉分类（5次交叉），然后构建深度神经网络进行训练；（4）训练模型后，输入健康状态数据进行验证，得到测评结果。训练好模型后，将所有的特征数据样本输入到神经网络模型中，根据模型输出测评结果；（5）定期更健康状态数据样本，并进行训练和测试，从而更新模型；当健康状态数据数到达一定数量（预先设定的阈值）后，将健康状态数据特征数据输入到模型中与原来的历史特征数据一起继续训练模型，从而完善测评系统；（6）所述的深度神经网络包含一个输入层，两个隐藏层和一个输出层，其中输入层输入归一化后的特征数据，两个隐藏层为全连接结构，神经元的个数分别为150,100，激活函数分别为tanh函数和sigmond函数，输出层为五维向量，分别代表优秀，良好，一般，较差和很差；（7）所述的深度神经网络的损失函数利用均方差损失 Mean Squared Loss（MSL），采用随机梯度下降法更新梯度来优化损失函数，使损失函数最小化。
附图说明
[0005]图1 一种基于深度神经网络多维度特征的机组生命周期测评方法及系统示意图；图2 深度神经网络结构示意图；图3一种基于深度神经网络多维度特征的机组生命周期测评方法流程图；图4一种基于深度神经网络多维度特征的机组生命周期测评系统框图。
具体实施方式
[0006]通过以下实施例进一步举例描述本专利技术，并不以任何方式限制本专利技术，在不背离本专利技术的技术解决方案的前提下，对本专利技术所作的本领域普通技术人员容易实现的任何改动或改变都将落入本专利技术的权利要求范围之内。
[0007]实施例1如图1所示，本方法包括：获取特征数据，并归一化；对所有数据样本进行类别标注
‑
设置标签；划分样本为测试集和训练集，并利用深度神经网络进行训练；训练模型后，输入健康状态数据数据进行验证，得到测评结果；定期更健康状态数据数据样本，并进行训练和测试，从而更新模型。
[0008]（1）所述获取特征数据，并归一化，特征数据包括生命周期的多项数据，包括：上导轴承及上机架瓦温、电机润滑油油槽油位油温、冷却器进出水进口水流量、压力、温度、振摆上导Ｘ向摆度、推力轴承瓦温各块瓦温度、振摆下导Ｘ向摆度、Ｙ向摆度、转子绕组温度、机组空气间隙、振动定子铁芯振动、过流部件顶盖水位、导叶漏水流量。然后将这些特征数据归一化，其中，上导轴承及上机架瓦温、电机润滑油油槽油位油温、冷却器进出水进口水流量、压力、温度、振摆上导Ｘ向摆度、推力轴承瓦温各块瓦温度特征都有固定的权重，它们的权重和为1，即满足：
其中，K为大类特征数，为第k类特征的小类特征数。
[0009]（2）对所有数据样本进行类别标注
‑
设置标签。获取所有历史样本数据（历史的特征和测评结果），基于样本特征进行分类，分为优秀，良好，一般，较差和很差五个类别，并对每一个样本进行标注。
[0010]（3）划分样本为测试集和训练集，并利用深度神经网络进行训练。按照测试集占所有样本的0.2，训练集占所有样本的0.8进行交叉分类（5次交叉），然后构建深度神经网络进行训练。
[0011]（4）训练模型后，输入健康状态数据进行验证，得到测评结果。训练好模型后，将所有的特征数据样本输入到神经网络模型中，根据模型输出测评结果。
[0012]（5）定期更健康状态数据样本，并进行训练和测试，从而更新模型。当健康状态数据数到达一定数量（预先设定的阈值）后，将健康状态数据特征数据输入到模型中与原来的历史特征数据一起继续训练模型，从而完善测评系统。
[0013]如图2所示，所述的深度神经网络包含一个输入层，两个隐藏层和一个输出层，其中输入层输入归一化后的特征数据，两个隐藏层为全连接结构，神经元的个数分别为150,100，激活函数分别为tanh函数和sigmond函数，输出层为五维向量，分别代表优秀，良好，一般，较差和很差。所述的深度神经网络的损失函数利用均方差损失 Mean Squared Loss（MSL），采用随机梯度下降法更新梯度来优化损失函数，使损失函数最小化。
[0014]如图3所示，本专利技术方法始于开始，根据样本数据的特征和权重，归一化样本数据；例如：特征数据可以设定为初始化神经网络参数，用均值为0，方差为1的高斯分布来初始化两个隐藏层神经元的权重，学习率设置为0.01；根据样本标签，获得期望输出评价结果值，根据历史数据信息可以得到历史的评价等级，目的是用来和神经网络的输出进行比对。然后根据神经网络模型，确定输出层实际输出结果；由于隐藏层的初始神经元的权重是随机的，所以初始输出结果和期望输出结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络多维度的机组生命周期测评方法，其特征所在于包括以下步骤：（1）获取特征数据，并归一化；（2）对所有数据样本进行类别标注
‑
设置标签；（3）划分样本为测试集和训练集，并利用深度神经网络进行训练；（4）训练模型后，输入健康状态数据进行验证，得到测评结果；（5）定期更健康状态数据样本，并进行训练和测试，从而更新模型。2.根据权利要求1所述的一种基于深度神经网络多维度的机组生命周期测评方法，其特征所在于：所述获取特征数据，并归一化，特征数据包括生命周期的多项数据；包括：上导轴承及上机架瓦温、电机润滑油油槽油位油温、冷却器进出水进口水流量、压力、温度、振摆上导Ｘ向摆度、推力轴承瓦温各块瓦温度、振摆下导Ｘ向摆度、Ｙ向摆度、转子绕组温度、机组空气间隙、振动定子铁芯振动、过流部件顶盖水位、导叶漏水流量；特征的所有特征都有固定的权重，它们的权重和为1，即满足：其中，K为大类特征数， 为第k类特征的小类特征数。3.根据权利要求1所述的一种基于深度神经网络多维度的机组生命周期测评方法，其特征所在于：所述对所有数据样本进行类别标注
‑
设置标签；获取所有历史的特征和测评结果；基于样本特征进行分类，分为优秀，良好，一般，较差和很差五个类别，并对每一个样本进行标注。4.根据权利要求1所述的一种基于深度神经网络多维度的机组生命周期测评方法，其特征所在于：所述的划分样本为测试集和训练集...

【专利技术属性】
技术研发人员：林滨，余善良，卢顺春，王家祥，傅光进，钟富明，谢晓晖，陈铁华，张广新，苏占，
申请(专利权)人：长春工程学院学校资产经营管理有限责任公司杭州承禹水电科技有限公司，
类型：发明
国别省市：