故障分类模型的构建方法技术

本发明专利技术提供了一种故障分类模型的构建方法

【技术实现步骤摘要】
故障分类模型的构建方法、风电设备故障分类方法及装置


[0001]本专利技术涉及数据处理的
，尤其是涉及一种故障分类模型的构建方法
、
风电设备故障分类方法及装置
。

技术介绍

[0002]风电是全球最快速增长的可再生能源之一，随着其发电量和安装容量持续增长，以及风电技术的不断发展和规模化应用，确保风电设备的高效
、
稳定和安全运行已经成为业界的核心关注点，因此，能否对风电设备的故障及时有效地检测和分类，直接关系到风电场的运营效率
、
设备的维护成本以及整个系统的安全性，目前，相关技术提出，可以根据数据中的关键词与故障类别对应的语义特征之间的相似度，对故障进行分类，但该方案对故障数据微小变化的敏感度较差，故障分类的准确性和分类效率较低
。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种故障分类模型的构建方法
、
风电设备故障分类方法及装置，通过结合黎曼学习的回声状态网络以及基于细胞分裂原理驱动的神经网络模型，可以显著提升风电设备故障分类的准确性和故障分类效率
。
[0004]第一方面，本专利技术实施例提供了一种故障分类模型的构建方法，方法包括：获取风电设备上的传感器集合采集的原始样本数据集合，其中，原始样本数据集合中的每个训练样本包括传感器数据
、
各项传感器数据的数据属性和各项传感器数据的故障类型标签；通过黎曼学习算法与回声状态网络模型对原始样本数据集合进行数据扩充处理，以扩充原始样本数据集合，确定目标样本数据集合；根据预先构建的基于细胞分裂原理驱动的神经网络模型，对目标样本数据集合进行特征提取处理，确定目标特征集；将目标样本数据集合和目标特征集输入至预设分类器中，以对分类器进行分类训练，确定故障分类模型
。
[0005]在一种实施方式中，通过黎曼学习算法与回声状态网络模型对原始样本数据集合进行数据扩充处理，以扩充原始样本数据集合，确定目标样本数据集合的步骤，包括：基于黎曼学习算法和原始样本数据对回声状态网络模型进行模型更新处理，确定目标回声状态网络模型；利用原始样本数据集合对目标回声状态网络模型进行训练，确定新增样本数据；将新增样本数据添加至原始样本数据集合，确定数据扩充后的目标样本数据集合
。
[0006]在一种实施方式中，基于黎曼学习算法和原始样本数据对回声状态网络模型进行模型更新处理，确定目标回声状态网络模型的步骤，包括：基于黎曼学习算法对原始样本数据集合进行映射处理，将原始样本数据集合映射至黎曼流形空间，确定各项原始样本数据对应黎曼流形的黎曼距离；将黎曼距离作为回声状态网络模型的权重输入至回声状态网络模型中，对回声状态网络模型进行模型更新处理，确定目标回声状态网络模型
。
[0007]在一种实施方式中，将黎曼距离作为回声状态网络模型的权重输入至回声状态网络模型中，对回声状态网络模型进行模型更新处理，确定目标回声状态网络模型的步骤，包括：通过预设动态参数调整算法，对黎曼流形空间中各项原始样本数据对应黎曼流形的黎
曼度量进行调整，确定目标黎曼度量；通过预设动态拓扑调整算法对权重进行调整，确定优化权重；利用目标黎曼度量和优化权重，对回声状态网络模型进行模型更新处理，确定目标回声状态网络模型
。
[0008]在一种实施方式中，特征提取处理包括：参数分裂拟合处理和参数合并拟合处理，根据预先构建的基于细胞分裂原理驱动的神经网络模型，对目标样本数据集合进行特征提取处理，确定目标特征集的步骤，包括：针对目标样本数据集合，在基于细胞分裂原理驱动的神经网络模型中对应的参数集合，进行参数分裂拟合处理和参数合并拟合处理，确定参数拟合结果；根据预设损失函数对参数拟合结果进行评估优化处理，确定目标特征集
。
[0009]在一种实施方式中，将目标样本数据集合和目标特征集输入至预设分类器中，以对分类器进行分类训练，确定故障分类模型的步骤，包括：将目标样本数据集合和目标特征集输入至预设分类器中，根据预设分类器中基于量子优化的高阶神经网络算法确定目标权重，其中，目标权重为基于量子优化的高阶神经网络算法的最佳权重配置；根据目标权重对预设分类器进行分类训练，确定故障分类模型
。
[0010]第二方面，本专利技术实施例还提供一种风电设备故障分类方法，方法包括：获取待分类的风电设备故障数据；将风电设备故障数据进行数据预处理后，输入至预先构建的故障分类模型中，确定故障分类结果，并将故障分类结果反馈至用户端；其中，故障分类模型为基于第一方面提供的任一项的故障分类模型的构建方法构建得到的
。
[0011]第三方面，本专利技术实施例还提供一种故障分类模型的构建装置，装置包括：样本数据采集模块，获取风电设备上的传感器集合采集的原始样本数据集合，其中，原始样本数据集合中的每个训练样本包括传感器数据
、
各项传感器数据的数据属性和各项传感器数据的故障类型标签；数据扩充模块，通过黎曼学习算法与回声状态网络模型对原始样本数据集合进行数据扩充处理，以扩充原始样本数据集合，确定目标样本数据集合；特征提取模块，根据预先构建的基于细胞分裂原理驱动的神经网络模型，对目标样本数据集合进行特征提取处理，确定目标特征集；模型训练模块，将目标样本数据集合和目标特征集输入至预设分类器中，以对分类器进行分类训练，确定故障分类模型
。
[0012]第四方面，本专利技术实施例还提供一种风电设备故障分类装置，装置包括：故障采集模块，获取待分类的设备故障数据；故障分类模块，将设备故障数据进行数据预处理后，输入至预先构建的故障分类模型中，确定故障分类结果，并将故障分类结果反馈至用户端；其中，故障分类模型为基于第一方面提供的任一项的故障分类模型的构建方法构建得到的
。
[0013]第五方面，本专利技术实施例还提供一种服务器，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现第一方面提供的任一项的方法
。
[0014]本专利技术实施例带来了以下有益效果：本专利技术实施例提供的一种故障分类模型的构建方法
、
风电设备故障分类方法及装置，该方法在获取风电设备上的传感器集合采集的原始样本数据集合后，通过黎曼学习算法与回声状态网络模型对原始样本数据集合进行数据扩充处理，以扩充原始样本数据集合，确定目标样本数据集合，并根据预先构建的基于细胞分裂原理驱动的神经网络模型，对目标样本数据集合进行特征提取处理，确定目标特征集，最后将目标样本数据集合和目标特征集输入至预设分类器中，以对分类器进行分类训练，确定故障分类模型，本专利技术实施例
通过结合黎曼学习的回声状态网络以及基于细胞分裂原理驱动的神经网络模型，可以显著提升风电设备故障分类的准确性和故障分类效率
。
[0015]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种故障分类模型的构建方法，其特征在于，所述方法包括：获取风电设备上的传感器集合采集的原始样本数据集合，其中，所述原始样本数据集合中的每个训练样本包括传感器数据
、
各项所述传感器数据的数据属性和各项所述传感器数据的故障类型标签；通过黎曼学习算法与回声状态网络模型对所述原始样本数据集合进行数据扩充处理，以扩充所述原始样本数据集合，确定目标样本数据集合；根据预先构建的基于细胞分裂原理驱动的神经网络模型，对所述目标样本数据集合进行特征提取处理，确定目标特征集；将所述目标样本数据集合和所述目标特征集输入至预设分类器中，以对所述分类器进行分类训练，确定故障分类模型
。2.
根据权利要求1所述的故障分类模型的构建方法，其特征在于，所述通过黎曼学习算法与回声状态网络模型对所述原始样本数据集合进行数据扩充处理，以扩充所述原始样本数据集合，确定目标样本数据集合的步骤，包括：基于黎曼学习算法和所述原始样本数据对所述回声状态网络模型进行模型更新处理，确定目标回声状态网络模型；利用所述原始样本数据集合对所述目标回声状态网络模型进行训练，确定新增样本数据；将所述新增样本数据添加至所述原始样本数据集合，确定数据扩充后的所述目标样本数据集合
。3.
根据权利要求2所述的故障分类模型的构建方法，其特征在于，所述基于黎曼学习算法和所述原始样本数据对所述回声状态网络模型进行模型更新处理，确定目标回声状态网络模型的步骤，包括：基于黎曼学习算法对所述原始样本数据集合进行映射处理，将所述原始样本数据集合映射至黎曼流形空间，确定各项原始样本数据对应黎曼流形的黎曼距离；将所述黎曼距离作为所述回声状态网络模型的权重输入至所述回声状态网络模型中，对所述回声状态网络模型进行模型更新处理，确定目标回声状态网络模型
。4.
根据权利要求3所述的故障分类模型的构建方法，其特征在于，所述将所述黎曼距离作为所述回声状态网络模型的权重输入至所述回声状态网络模型中，对所述回声状态网络模型进行模型更新处理，确定目标回声状态网络模型的步骤，包括：通过预设动态参数调整算法，对所述黎曼流形空间中各项原始样本数据对应黎曼流形的黎曼度量进行调整，确定目标黎曼度量；通过预设动态拓扑调整算法对所述权重进行调整，确定优化权重；利用所述目标黎曼度量和所述优化权重，对所述回声状态网络模型进行模型更新处理，确定目标回声状态网络模型
。5.
根据权利要求1所述的故障分类模型的构建方法，其特征在于，所述特征提取处理包括：参数分裂拟合处理和参数合并拟合处理，所述根据预先构建的基于细胞分裂原理驱动的神经网络模型，对所述目标样本数据集合进行特...

【专利技术属性】
技术研发人员：屈道宽，高琰，明玲，朱宁坦，金娜，王广洲，杨培决，张娅，
申请(专利权)人：山东理工昊明新能源有限公司，
类型：发明
国别省市：