一种融合多源信息的轻量化水电机组故障诊断方法技术

本发明专利技术公开了一种融合多源信息的轻量化水电机组故障诊断方法，包括以下步骤：S1：将采集数据预处理为二维灰度图像；S2：搭建CBAM

【技术实现步骤摘要】
一种融合多源信息的轻量化水电机组故障诊断方法


[0001]本专利技术涉及一种融合多源信息的轻量化水电机组故障诊断方法。

技术介绍

[0002]大型水电站的安全运行不仅直接影响到流域人民的安全，并且大型水电机组价格昂贵，设备重要，防止水电机组事故的发生，具有很大的经济效益。近年来各界学者都开始展开基于深度学习方法的研究，深度学习方法本身可以集特征提取与故障诊断为一身，因此基于深度学习的水电机组故障诊断研究已经逐渐走向热门。
[0003]本领域存在的问题有：因水电机组多传感器数据利用效率低而导致的模型诊断精度受限、基于深度学习的故障诊断方法参数众多而导致的模型难以运用到实际工程、以及因超参数设置需根据研究人员经验而导致对模型诊断精度的影响。

技术实现思路

[0004]本专利技术要解决的技术问题是提供一种融合多源信息的轻量化水电机组故障诊断方法，能够提高网络诊断精度和准确率，大幅降低了参数数量，具有较高的预测精度与稳定性，为水电机组的故障诊断提供了一种可行的科学依据。
[0005]为了实现上述目的，本专利技术所采取的技术方案是：一种融合多源信息的轻量化水电机组故障诊断方法，包括以下步骤：
[0006]S1：将采集数据预处理为二维灰度图像；
[0007]S2：搭建CBAM
‑
LightCNN模型；
[0008]S3：对CBAM
‑
LightCNN模型超参数进行优化，得到最优超参数组合的CBAM
‑
LightCNN模型；
[0009]S4：将步骤S1中的二维灰度图像随机划分为训练集和测试集并输入步骤S3中得到的最优超参数组合的CBAM
‑
LightCNN模型中，得出故障诊断结果。
[0010]作为本专利技术的一种优选技术方案，所述步骤S1是基于DF法对多个传感器的采集数据进行预处理，具体包括：
[0011]S1
‑
1：从不同运行状态下n个传感器采集到的数据中截取相同时段、相同长度的原始数据，并将原始数据分割成等长度的数据样本；
[0012]S1
‑
2：将每个数据样本平均分为K个时间子序列，数据样本长度为N，每个时间子序列包含N/K个数据点；
[0013]S1
‑
3：将各时间子序列堆叠起来，形成大小为nK
×
(N/K)的多传感器原始数据融合样本；
[0014]S1
‑
4：将获得的多传感器原始数据融合样本绘制为二维灰度图像，绘制过程是首先将数据进行归一化，再根据归一化后各数据点的数值对其进行灰色色阶的赋值，色阶由公式(1)进行计算
[0015][0016]式中：round为灰度色阶幅值函数，P(i,j)为灰度图像第i行j列的灰度值，N为数据样本长度，K为每个数据样本的时间子序列数量，N/K为每个时间子序列包含的数据点数量，L为将原始数据分割后的样本的长度。
[0017]作为本专利技术的一种优选技术方案，所述步骤S2具体包括：
[0018]S2
‑
1：设置LightCNN模型的卷积层：采用双层拥有小卷积核的卷积层来替代原有的单层大卷积层，将常规的“卷积层+池化层”的结构替换为“小卷积层+小卷积层+池化层”的结构称为Conv_Block，第一个Conv_Block的两个小卷积层之间加入一个批标准化层以加速网络收敛，批标准化层的数学表达式为：
[0019][0020]式中，b＝{x1,L,x
m
}；x
i
、y
i
为标准化前后神经元的激活值；μ
b
、为小批量的均值和方差；ε为很小的稳定常数；γ和β为BN层的可优化参数；
[0021]池化层的参数量计算过程如下式所示：
[0022]parameters＝C
in
*C
out
ꢀꢀꢀꢀꢀꢀꢀ
(3)
[0023]式中，C
in
表示FC层的输入维度，即前一层的输出维度；C
out
表示全连接层的输出维度；
[0024]LightCNN模型中采用全局平均池化(Global Average Pooling,GAP)层代替全连接层，在使用全局平均池化GAP层时，在移除FC层后添加多层感知机(Multilayer Perceptron,MLP)层，再在MLP层后添加GAP层，因此在Conv_Block3后添加两个宽度为1的级联跨通道参数池化(Cascaded Cross Channel Parametric Pooling,CCCP)层共同组成一个MLP层，其中GAP层不含参数，因此可以大幅降低LightCNN模型的参数，GAP层的计算过程可以表示为：
[0025][0026]式中，为GAP层的输出，m
×
n为最后一个卷积层的大小，为卷积层中第k个特征图的第(i,j)个元素；
[0027]S2
‑
2：将CBAM结构与LightCNN模型集成：通道注意力模块将注意力集中在给定输入图像更有意义的“内容”的通道上，输入通道注意力模块的特征由平均池化层和最大池化层同时压缩中间特征的空间维度，分别收集两个不同的上下文特征，实现更加精细的特征注意力推断；而后这两种不同类型的特征会由一个共享MLP层进行整合，使用逐元素求和进
行合并，最终融合的特征被一个sigmoid函数激活作为通道注意力模块的输出，其计算过程如下式所示：
[0028]M
c
(F)＝f
sigmoid
(MLP(AvgPool(F)+MLP(MaxPool(F)))
ꢀꢀꢀꢀꢀꢀ
(11)
[0029]式中，F为输入特征，AvgPool和MaxPool分别为平均池化与最大池化，f
sigmoid
为sigmoid函数；
[0030]特征注意力模块位于通道注意力模块之后，对通道注意力模块生成的通道注意力特征进行进一步加工，将注意力的重点放在更具特征意义的“位置”上，从而补充通道注意力特征的信息部分；特征注意力模块首先对输入的初始特征进行平均池化和最大池化操作，这两个操作输出的结果被串联起来产生一个新的特征描述；最后通过一个卷积层和sigmoid函数运算，将串联的特征描述转化为空间注意力图；特征注意力模块的计算过程如下：
[0031]M
S
(F)＝f
sigmoid
(Conv([AvgPool(F)；MaxPool(F)]))
ꢀꢀꢀꢀꢀꢀ
(12)
[0032]式中，F为输入特征，AvgPool和MaxPool分别为平均池化与最大池化，Conv为卷积操作，f
sigmoid
为sigmoid函数；
[0033]卷积注意力模块最终得到的注意力图是由通道注意力模块和特征注意力模块的结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多源信息的轻量化水电机组故障诊断方法，其特征在于：包括以下步骤：S1：将采集数据预处理为二维灰度图像；S2：搭建CBAM
‑
LightCNN模型；S3：对CBAM
‑
LightCNN模型超参数进行优化，得到最优超参数组合的CBAM
‑
LightCNN模型；S4：将步骤S1中的二维灰度图像随机划分为训练集和测试集并输入步骤S3中得到的最优超参数组合的CBAM
‑
LightCNN模型中，得出故障诊断结果。2.根据权利要求1所述的故障诊断方法，其特征在于：所述步骤S1是基于DF法对多个传感器的采集数据进行预处理，具体包括：S1
‑
1：从水电机组不同运行状态下n个传感器采集到的数据中截取相同时段、相同长度的原始数据，并将原始数据分割成等长度的数据样本；S1
‑
2：将每个数据样本平均分为K个时间子序列，数据样本长度为N，每个时间子序列包含N/K个数据点；S1
‑
3：将各时间子序列堆叠起来，形成大小为nK
×
(N/K)的多传感器原始数据融合样本；S1
‑
4：将获得的多传感器原始数据融合样本绘制为二维灰度图像，绘制过程是首先将融合后样本中的数据点进行归一化，再根据归一化后各数据点的数值对其进行灰色色阶的赋值，色阶由公式(1)进行计算式中：round为灰度色阶幅值函数，P(i,j)为灰度图像第i行j列的灰度值，N为数据样本长度，K为每个数据样本的时间子序列数量，N/K为每个时间子序列包含的数据点数量，L为将原始数据分割后的样本的长度。3.根据权利要求1所述的故障诊断方法，其特征在于：所述步骤S2具体包括：S2
‑
1：设置LightCNN模型的卷积层：采用双层拥有小卷积核的卷积层来替代原有的单层大卷积层，将常规的“卷积层+池化层”的结构替换为“小卷积层+小卷积层+池化层”的结构称为Conv_Block，第一个Conv_Block的两个小卷积层之间加入一个批标准化层以加速网络收敛，批标准化层的数学表达式为：式中，b＝{x1,L,x
m
}；x
i
、y
i
为标准化前后神经元的激活值；μ
b
、σ
b2
为小批量的均值和方差；ε为很小的稳定常数；γ和β为BN层的可优化参数；池化层的参数量计算过程如下式所示：
parameters＝C
in
*C
out (3)式中，C
in
表示FC层的输入维度，即前一层的输出维度；C
out
表示全连接层的输出维度；LightCNN模型中采用全局平均池化(GlobalAverage Pool...

【专利技术属性】
技术研发人员：卢娜，李睿强，彭肖月，张广涛，蒋双云，李中梁，陈旭东，原文林，苏承国，
申请(专利权)人：郑州大学，
类型：发明
国别省市：