NMS-RLM改进黏菌算法优化CNN-BiLSTM的风电机组振动特征预测方法技术

NMS

【技术实现步骤摘要】
NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的风电机组振动特征预测方法

：
[0001]本专利技术涉及风电机组振动特征预测
，具体涉及一种NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的风电机组振动特征预测方法。

技术介绍
：
[0002]基于振动信号对风电机组进行状态趋势预测，实现由定期维修向不定期预知性维修转变，对于风机安全运行、避免事故发生具有重大意义，风机振动预测技术是通过对振动信号的处理分析得到反映故障的特征信息，进而根据故障特征信息对故障类型、部位、程度及其发展趋势做出诊断、预测；其中对应故障类型包括转子不平衡、轴线不对中、转子失稳及零件松动、机座不牢固或刚度不够、滚动轴承疲劳或磨损腐蚀、润滑系统不正常等。
[0003]随着传感器技术和人工智能的发展，深度学习方法越来越多的用于风电机组振动特征预测，其具有以下优点：1)预测准确率高；2)预测效果稳定；3)预测结果明确，不会产生模糊的预测结果；但深度学习模型需要大量的样本进行训练，但在实际的场景中获取足够的故障样本并不容易；对此有EP
‑
CNN(Encoding Position
‑
Convolutional Neural Network)，DCGAN网络(Deep Convolutional Generative Adversarial Networks)生成综合故障样本去训练CNN等方法被提出并取得了一定效果；
[0004]现有技术的深度学习神经网络模型虽然能够学习到数据长期的历史依赖性，但对于时间序列数据中的局部特征潜在关系不能很好的表征，因此通过NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的隐含层神经元个数，学习率等超参数，避免了超参数选取的盲目性。

技术实现思路
：
[0005]本专利技术的目的是提供一种NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的风电机组振动特征预测方法，该方法以NMS
‑
RLM改进黏菌算法优化CNNBiLSTM为基础，根据风电机组振动数据对风电机组进行状态趋势预测，实现由定期维修向不定期预知性维修转变，对于风机安全运行、避免事故发生具有重大意义。
[0006]上述的目的通过以下的技术方案实现：
[0007]一种NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的风电机组振动特征预测方法，该方法包括如下步骤：
[0008]步骤1，收集风机历史振动信号样本数据，用来构建样本数据库，分出训练集与测试集；
[0009]步骤2，对训练集原子进行傅里叶变化在频域使用1D CNN提取振动特征参量；
[0010]步骤3，将训练集特征参量输入BiLSTM模型进行建模；
[0011]步骤4，用NMS
‑
RLM改进黏菌算法寻找最优参数。判断模型是否达到最佳适应度，若未达到，则重复寻找最优参数进行迭代，直至获得最优超参数模型。
[0012]步骤5，将测试集原子输入最优超参数模型，对风电机组进行状态趋势预测。
[0013]所述的NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的风电机组振动特征预测方法，所述步骤1中的样本数据来源于实际工程中风机振动信号，将信号分为训练集与测试集两部分，训练集用来训练模型，测试集用来特征预测。
[0014]所述的NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的风电机组振动特征预测方法，将训练集原子输入步骤2的1D CNN提取振动特征参量，CNN的局部感知和权值共享可以大大减少参数的数量，从而提高学习模型的效率，卷积层之后的池化层可以降低特征维数，保留强特征，降低网络的训练成本。
[0015]所述的NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的风电机组振动特征预测方法，将所提取的特征参量输入步骤3的NMS
‑
RLM改进黏菌算法优化参数的BiLSTM模型进行建模，BiLSTM模型的输出值是由正向和反向隐含层共同决定，公式(1)为正向隐含层的输出，公式(2)为反向隐含层的输出：
[0016][0017][0018]式(1)中，为单元隐含层输出权重；为前一时刻到当前时刻状态量的权重；为偏置；为前一时刻隐含层状态输出值。
[0019]所述的NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的风电机组振动特征预测方法，通过步骤4中NMS
‑
RLM改进黏菌算法为BiLSTM模型寻找最优参数包括以下步骤：
[0020](1)初始化，通过公式(3)随机生成初始种群。
[0021][0022]其中popsize表示人口规模，表示群体中的第i个个体，rand是[0,1]中的一个随机数，UB和LB表示上限和下限。
[0023](2)种群更新，种群的位置根据食物来源的浓度通过公式(4)计算进行调整，参数a、p、vb、vc不断更新；
[0024][0025]式中：的范围为[
‑
a，a]；从1到0线性递减；为当前寻找到的最高适应度值个体的位置；为黏菌的位置；为从黏菌中随机挑选的两个个体；为黏菌的权重；
[0026](3)NMs本地搜索；
[0027]a)计算每个单位适应度值，将其按顶点适应度值的递增顺序排序，找到适应度排名前两位的顶点位置X
g
和X
p
，根据公式(5)计算其中心点的位置；
[0028]X
c
＝(X
a
+X
P
)/2
ꢀꢀꢀ
(5)
[0029]b)基于反射系数r和等式(6)，计算反射点位置X
r
，以获得适应度函数值f(X
r
)；
[0030]X
r
＝X
c
+r
·
(X
c
‑
X
w
)
ꢀꢀꢀ
(6)
[0031]c)若f(X
r
)＜f(X
g
)，表示反射方向正确，此时进入展开阶段，使用公式(7)获得展开
点X
y
。然后比较X
y
和X
g
的适应度函数值，如果X
y
的适应度函数值较小，则X
w
＝X
y
；相反，X
w
＝X
r
；
[0032]若f(X
r
)＜f(X
g
)，表示反射方向不正确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的风电机组振动特征预测方法，其特征是：该方法包括如下步骤：步骤1，收集风机历史振动信号样本数据，用来构建样本数据库，分出训练集与测试集；步骤2，对训练集原子进行傅里叶变化在频域使用1D CNN提取振动特征参量；步骤3，将训练集特征参量输入BiLSTM模型进行建模；步骤4，用NMS
‑
RLM改进黏菌算法寻找最优参数。判断模型是否达到最佳适应度，若未达到，则重复寻找最优参数进行迭代，直至获得最优超参数模型。步骤5，将测试集原子输入最优超参数模型，对风电机组进行状态趋势预测。2.根据权利要求1所述的NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的风电机组振动特征预测方法，其特征是：所述步骤1中的样本数据来源于实际工程中风机振动信号，将信号分为训练集与测试集两部分，训练集用来训练模型，测试集用来特征预测。3.根据权利要求1所述的NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的风电机组振动特征预测方法，其特征是：将训练集原子输入步骤2的1D CNN提取振动特征参量，CNN的局部感知和权值共享可以大大减少参数的数量，从而提高学习模型的效率，卷积层之后的池化层可以降低特征维数，保留强特征，降低网络的训练成本。4.根据权利要求1所述的NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的风电机组振动特征预测方法，其特征是：将所提取的特征参量输入步骤3的NMS
‑
RLM改进黏菌算法优化参数的BiLSTM模型进行建模，BiLSTM模型的输出值是由正向和反向隐含层共同决定，公式(1)为正向隐含层的输出，公式(2)为反向隐含层的输出：公式(2)为反向隐含层的输出：式(1)中，为单元隐含层输出权重；为前一时刻到当前时刻状态量的权重；为偏置；为前一时刻隐含层状态输出值。5.根据权利要求1所述的NMS
‑
RLM改进黏菌算法优化CNN
‑
BiLSTM的风电机组振动特征预测方法，其特征是：通过步骤4中NMS
‑
RLM改进黏菌算法为BiLSTM模型寻找最优参数包括以下步骤：(1)初始化，通过公式(3)随机生成初始种群。其中popsize表示人口规模，表示群体中的第i个个体，rand是[0，1]中的一个随机数，UB和LB表示上限和下限。(2)种群更新，种群的位置根据食物来源的浓度通过公式(4)计算进行调整，参数a、p、vb、vc不断更新；式中：的范围为[
‑
a，a]；从1到0线性递减；为当前寻找到的最高适应度值个体的位置；为黏菌的位置；为从黏菌中随机挑选的两个个体；为黏菌的权重；
(3)NMs本地搜索；a)计算每个单位适应度值，将其按顶点适应度值的递增顺序排序，找到适应度排名前两位的顶点位置X
g
和X
p
，根据公式(5)计算其中心点的位置；X
c

【专利技术属性】
技术研发人员：高毅，唐超，陈锐，胡东，胡杰，陈钇权，
申请(专利权)人：华能国际电力股份有限公司重庆清洁能源分公司，
类型：发明
国别省市：