基于迁移学习和PSO算法的水电机组故障诊断方法和系统技术方案

本发明专利技术公开基于迁移学习和PSO算法的水电机组故障诊断方法和系统，属于水电机组故障诊断技术领域。包括：将设计工况下水电机组故障振动数据作为源域数据，将变工况下水电机组故障振动数据作为辅助域数据，将故障类型作为标签，得到源域样本集和目标域辅助域样本集；采用源域样本集有监督训练故障诊断模型，确定整个模型的连接权重；采用目标域辅助样本集有监督训练故障诊断迁移学习模型，调整全连接层和分类层的连接权重；采用粒子群优化算法对故障诊断模型GRU网络模型的超参数进行寻优，确定最优超参数；将待测样本输入至训练好的故障诊断模型，进行水电机组故障诊断。本发明专利技术通过迁移要学习解决水电机组某些工况下缺乏样本导致诊断准确率低的问题。致诊断准确率低的问题。致诊断准确率低的问题。

【技术实现步骤摘要】
基于迁移学习和PSO算法的水电机组故障诊断方法和系统


[0001]本专利技术属于水电机组故障诊断
，更具体地，涉及基于迁移学习和PSO算法的水电机组故障诊断方法和系统。

技术介绍

[0002]水电机组是一个水力发电系统中最关键的核心设备，它的运行状况好坏直接关系到整个电力系统的安全稳定运行以及水电站的经济效益和安全生产。因此研究水电机组的状态检测和故障诊断技术，对保障电站的安全经济效益、维持电网安全稳定运行有重要的理论意义和工程应用价值。随着信号处理和人工智能等理论技术的发展，目前水轮发电机组的故障诊断正朝着智能诊断、在线诊断、远程诊断逐渐发展。
[0003]传基于深度学习的故障诊断技术能够直接建立信号数据到水电机组的诊断模型。例如卷积神经网络(Convolutional Neural Networks，CNN)、长短期记忆网络(LSTM，Long Short
‑
Term Memory)等，在设备故障诊断领域表现出了良好的效果。但这类方法必须存在足够的带标签数据供模型训练，且必须包含水电设备完整的健康状况信息。由于停机进行健康状况检查损失极大，水电机组实际运行过程中可获取的故障样本相对于正常样本极少，且获取到的样本通常没有标签，目标故障类型没有历史训练数据。
[0004]迁移学习通过易于获取的故障样本(源域)进行学习训练，在满足源域、目标域服从相同数据分布的情况下，可以帮助识别诊断难以获取标签的故障数据(目标域)，有效应用于实际工程场景中故障样本缺少、缺失标签的情况。目前，最常应用于故障数据标签缺少的迁移学习方法是微调(Fine
‑
Tune)。

技术实现思路

[0005]针对现有技术的缺陷，本专利技术的目的在于提供基于迁移学习和PSO算法的水电机组故障诊断方法和系统，旨在解决水电机组某些工况下缺乏样本导致诊断准确率低的问题。
[0006]为实现上述目的，第一方面，本专利技术提供了一种基于迁移学习和PSO算法的水电机组故障诊断方法，该方法包括：
[0007]S1.将设计工况下水电机组故障振动数据作为源域数据，将变工况下水电机组故障振动数据作为辅助域数据，将故障类型作为标签，得到源域样本集和目标域辅助域样本集；
[0008]S2.采用源域样本集有监督训练故障诊断模型，确定整个模型的连接权重，其中，所述故障诊断模型包括：GRU网络模型、全连接层和Softmax回归模型；所述GRU网络模型，用于对输入的进行预处理后的样本数据进行特征提取，得到一组重构特征向量；所述全连接层，用于将重构特征向量转化为特征的线性组合，输出至Softmax回归模型；所述Softmax回归模型，用于进行水电机组的故障分类，计算出现每种类别故障出现的概率；
[0009]S3.采用目标域辅助样本集有监督训练故障诊断迁移学习模型，调整全连接层和
分类层的连接权重；
[0010]S4.采用粒子群优化算法对故障诊断模型GRU网络模型的超参数进行寻优，确定最优超参数；
[0011]S5.将待测样本输入至训练好的故障诊断模型，进行水电机组故障诊断。
[0012]优选地，所述步骤S1具体包括：
[0013]S11.将采集到的水电机组故障信号按工况不同分为源域样本集和目标域辅助样本集，将上述两个样本集进行融合得到合集，对合集样本进行随机切分得到目标域测试样本集；
[0014]S12.将上述样本集中水电机组故障信号进行小波分解，对每个分解后的信号进行归一化处理，得到样本数据；
[0015]S13.将水电机组故障信号标签进行One
‑
Hot编码。
[0016]优选地，所述小波分解将水电机组原始故障信号分解为N个简单小波，分别归一化处理后输入GRU网络模型进行特征提取。
[0017]优选地，所述GRU网络模型使用单向结构，并加入残差连接。
[0018]优选地，步骤S2中，加入Dropout的训练方法控制神经单元的参数变化：
[0019]在对GRU网络模型进行参数微调时，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；即，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。
[0020]优选地，Softmax回归模型的函数表达式为：
[0021][0022]其中，z表示各种故障的特征向量，σ(z)
j
为第j种故障的模糊评价值，z
j
表示第j种故障类型的特征组合值，z
k
表示第k种故障类型的特征组合值，K表示总共可分类故障数。
[0023]优选地，所述超参数包括GRU层神经元的数目、学习率、时间步长和全连接层节点数。
[0024]优选地，所述粒子群优化算法的适应度函数为：
[0025][0026]其中，fitness表示适应度，n表示水电机组故障诊断预模型迭代次数，accuracy
i
表示第i次迭代源域样本集训练准确率。
[0027]为实现上述目的，第二方面，本专利技术提供了一种基于迁移学习和PSO算法的水电机组故障诊断系统，包括：处理器和存储器；所述存储器，用于存储计算机执行指令；所述处理器，用于执行所述计算机执行指令，使得第一方面所述的方法被执行。
[0028]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：
[0029](1)为摆脱对有标签故障数据和目标故障类型训练数据的依赖，本专利技术提出一种基于迁移学习和PSO算法的水电机组故障诊断方法和系统，设计工况下可获取大量有标签样本，将其作为源域数据进行训练，变工况下只能获取少量有标签样本，将其作为目标域辅
助样本，进行对迁移模型进行微调，从而在故障数据标签缺少、缺失的情况下有效地进行水电机组故障诊断，并将粒子群算法PSO应用到深度学习的超参数调优中来，减少对超参数选定的人工工作，使得整个方法的智能学习能力增强，进而达到对多种类似问题的泛化处理能力。
[0030](2)本专利技术优选方案中在无监督学习过程中采用了Dropout方法，避免深度学习模型出现过拟合的问题。
附图说明
[0031]图1是本专利技术提供的一种基于迁移学习和PSO算法的水电机组故障诊断方法流程图。
具体实施方式
[0032]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0033]如图1所示，本专利技术提供了一种基于迁移学习和PSO算法的水电机组故障诊断方法，该方法包括：
[0034]步骤S1.将设计工况下水电机组故障振动数据作为源域数据，将变工况下水电机组故障振动数据作为辅助域数据，将故障类型作为标签，得到源域样本集和目标域辅助域样本集。
[0035]优选地，所述步骤S1具体包括：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习和PSO算法的水电机组故障诊断方法，其特征在于，该方法包括：S1.将设计工况下水电机组故障振动数据作为源域数据，将变工况下水电机组故障振动数据作为辅助域数据，将故障类型作为标签，得到源域样本集和目标域辅助域样本集；S2.采用源域样本集有监督训练故障诊断模型，确定整个模型的连接权重，其中，所述故障诊断模型包括：GRU网络模型、全连接层和Softmax回归模型；所述GRU网络模型，用于对输入的进行预处理后的样本数据进行特征提取，得到一组重构特征向量；所述全连接层，用于将重构特征向量转化为特征的线性组合，输出至Softmax回归模型；所述Softmax回归模型，用于进行水电机组的故障分类，计算出现每种类别故障出现的概率；S3.采用目标域辅助样本集有监督训练故障诊断迁移学习模型，调整全连接层和分类层的连接权重；S4.采用粒子群优化算法对故障诊断模型GRU网络模型的超参数进行寻优，确定最优超参数；S5.将待测样本输入至训练好的故障诊断模型，进行水电机组故障诊断。2.如权利要求1所述的方法，其特征在于，所述步骤S1具体包括：S11.将采集到的水电机组故障信号按工况不同分为源域样本集和目标域辅助样本集，将上述两个样本集进行融合得到合集，对合集样本进行随机切分得到目标域测试样本集；S12.将上述样本集中水电机组故障信号进行小波分解，对每个分解后的信号进行归一化处理，得到样本数据；S13.将水电机组故障信号标签进行One
‑
Hot编码。3.如权利要求2所述的方法，其特征在于，所述小波分解将水电机组原始故障信号分...

【专利技术属性】
技术研发人员：荆岫岩，姬联涛，刘昊，王璞，陈龙翔，徐梓翔，周迪，李超顺，谢捷敏，
申请(专利权)人：中国电力科学研究院有限公司华中科技大学，
类型：发明
国别省市：