【技术实现步骤摘要】
本专利技术涉及数据生成，尤其涉及一种基于多物理场分布下的设备故障诊断样本数据生成方法。
技术介绍
1、发电设备稳定可靠运行能够保障电力稳定供应，设备可靠性和安全性要求极高，设备智能运维方法能够有效提升发电设备的安全可靠运行。传统的智能故障诊断算法需要大量的数据进行训练，对数据样本依赖较高，特别是故障样本数据。但在工程实际中，由于发电设备安全性要求极高，故障样本极少，出于安全考虑，也无法人为在真机上制造和获取故障样本数据。大量高质量的数据是确保智能故障诊断方法性能的基础，通过对机组部件每一种工况下对应的三种物理场分布下的小样本数据进行融合及数据生成，可以保证生成的数据能够从不同维度表征装备部件的状态，并且能够弥补小样本下发电设备智能故障诊断准确率低下的不足。因此，建立多物理场分布下小样本数据生成模型，对于发电设备智能故障诊断的研究意义重大。
技术实现思路
1、本专利技术针对上述发电设备智能故障诊断的发展需要，提出一种基于多物理场分布下的设备故障诊断样本数据生成方法，具体技术方案如下：
2、基于多物理场分布下的设备故障诊断样本数据生成方法，所述设备为发电设备，具体包括以下步骤：
3、s1，获取发电设备运行过程中多物理场下的原始数据，并将该原始数据作为小样本数据；
4、s2，对小样本数据进行包括向量拼接和特征融合在内的数据预处理，获得初始模型训练数据；
5、s3，建立gan网络样本生成模型，包括利用初始模型训练数据训练深度sae网络，将bp
6、s4，基于初始模型训练数据，采用全局优化的方式训练gan网络样本生成模型，并结合梯度寻优法，通过gan网络样本生成模型中的生成器输出新生成样本数据。
7、优选的，还包括步骤s5，即将小样本数据和新生成样本数据通过深度svm网络进行故障诊断结果对比，以分析此多物理场分布下gan网络样本生成模型的性能。
8、优选的，所述步骤s1中，多物理场下的原始数据为发电设备机组部件在每一种工况下对应形变、应力、应变三种物理场分布的原始数据。
9、优选的，所述步骤s2中，数据预处理是采用深度sae网络的编码网络融合方式对小样本数据进行特征提取，包括以下步骤：
10、s21，将小样本数据根据数据量分为待生成类表征装备部件状态数据和具有大量样本类表征装备部件状态数据；
11、s22，将待生成类表征装备部件状态的三种不同物理场数据分别记为、、，获得第一数据集；
12、s23，将所采集到具有大量样本类表征装备部件状态的三个不同物理场数据分别记为、、，获得第二数据集；
13、s24，基于第一数据集集和第二数据集进行等间隔采样，以对三个不同物理场数据进行数据融合，获得采样集，具体如下：
14、；
15、；
16、；
17、其中，代表取样间隔；表示待生成类表征装备部件状态数据的采样集；为具有大量样本类表征装备部件状态数据的采样集；表示采样集与采样集的融合数据集。
18、优选的，所述步骤s3中，训练深度sae网络包括以下步骤：
19、s31-1，设置自编码器，自编码器的编码和解码分别表示为：
20、；
21、；
22、其中，表示由编码网络获得的编码；表示编码函数；，是编码网络参数；表示自编码器的初始输入数据；表示编码网络的激活函数；表示连接输入层和隐藏层的权重矩阵；表示编码网络的偏置向量；表示由解码网络获得的重构值；表示解码函数；，表示解码网络参数；表示解码网络的激活函数；表示连接隐藏层和输出层的权重矩阵；表示解码网络的偏置向量；
23、s31-2，通过将采样集作为真实样本用于训练自编码器，自编码器训练过程为：
24、 ；
25、；
26、其中，表示自编码器训练过程中的编码输出；表示编码函数；，表示编码网络参数；表示连接输入层和隐藏层的权重矩阵；表示编码网络的偏置向量；表示自编码器训练过程中的重构值输出；表示解码函数；，表示解码网络参数；表示连接隐藏层和输出层的权重矩阵；表示解码网络的偏置向量；表示自编码器的网络层。
27、优选的，所述步骤s3中，将bpnn网络与深度sae网络的解码部分组合成生成器，具体表示为：
28、；
29、；
30、；
31、其中，和分别表示bpnn网络中两个不同网络层的编码输出；表示生成器的输入；和都表示编码函数；和都表示连接输入层和隐藏层的权重矩阵；和都表示编码网络的偏置向量；和，都是编码网络参数；和分别表示bpnn网络的两个网络层；取代，表示生成器输出的生成样本。
32、优选的，所述步骤s3中，全局鉴别器d1表示为：
33、；
34、；
35、；
36、；
37、；
38、；
39、其中，表示为全局鉴别器d1网络；，，……，，分别表示gan网络各网络层的网络参数；，，……，分别表示gan网络各网络层的隐藏层神经元数量；表示gan网络的网络层数量；表示全局鉴别器d1的鉴别样本数据；表示为真实样本与生成样本的组合样本；表示全局鉴别器d1网络对组合样本的判别结果；表示全局鉴别器d1网络对采样集的判别结果；表示组合样本的数据量；表示采样集的数据量；表示全局鉴别器d1网络的损失函数值。
40、优选的，所述步骤s3中，真实性鉴别器d2表示为：
41、；
42、；
43、；
44、；
45、；
46、其中，表示为真实性鉴别器d2网络；，，……，，分别表示gan网络各网络层的网络参数；，，……，分别表示gan网络各网络层的隐藏层神经元数量；表示gan网络的网络层数量；表示真实性鉴别器d2的鉴别样本数据；表示真实性鉴别器d2网络对生成样本的判别结果；表示对真实样本的判别结果；表示真实样本的数据量；表示生成样本的数据量；表示真实性鉴别器d2网络的损失函数值。
47、优选的，所述步骤s4中，训练gan网络样本生成模型以及输出新生成样本数据包括以下步骤：
48、s41，以为输入，利用生成器首次输出生成样本，并将该生成样本作为训练样本；
49、s42，将包括训练样本在内的训练数据用于训练真实性鉴别器d2网络，训练过程表示为：
50、；
51、其中，表示训练gan网络样本生成模型的当前训练次数；是第次迭代训练后的真实性鉴别器d2网络；是真实性鉴别器d2网络的损失函数值；表示生成器输出的用于参与第迭代训练的生成样本，当时，即为生成器首次输出的生成样本；表示机器学习本文档来自技高网...
【技术保护点】
1.基于多物理场分布下的设备故障诊断样本数据生成方法，所述设备为发电设备，其特征在于，包括以下步骤：
2.如权利要求1所述基于多物理场分布下的设备故障诊断样本数据生成方法，其特征在于：还包括步骤S5，即将小样本数据和新生成样本数据通过深度SVM网络进行故障诊断结果对比，以分析此多物理场分布下GAN网络样本生成模型的性能。
3.如权利要求1所述基于多物理场分布下的设备故障诊断样本数据生成方法，其特征在于：所述步骤S1中，多物理场下的原始数据为发电设备机组部件在每一种工况下对应形变、应力、应变三种物理场分布的原始数据。
4.如权利要求1所述基于多物理场分布下的设备故障诊断样本数据生成方法，其特征在于，所述步骤S2中，数据预处理是采用深度SAE网络的编码网络融合方式对小样本数据进行特征提取，包括以下步骤：
5.如权利要求4所述基于多物理场分布下的设备故障诊断样本数据生成方法，其特征在于，所述步骤S3中，训练深度SAE网络包括以下步骤：
6.如权利要求5所述基于多物理场分布下的设备故障诊断样本数据生成方法，其特征在于，所述步骤S
7.如权利要求6所述基于多物理场分布下的设备故障诊断样本数据生成方法，其特征在于，所述步骤S3中，全局鉴别器D1表示为：
8.如权利要求6所述基于多物理场分布下的设备故障诊断样本数据生成方法，其特征在于，所述步骤S3中，真实性鉴别器D2表示为：
9.如权利要求6所述基于多物理场分布下的设备故障诊断样本数据生成方法，其特征在于，所述步骤S4中，训练GAN网络样本生成模型以及输出新生成样本数据包括以下步骤：
...【技术特征摘要】
1.基于多物理场分布下的设备故障诊断样本数据生成方法，所述设备为发电设备，其特征在于，包括以下步骤：
2.如权利要求1所述基于多物理场分布下的设备故障诊断样本数据生成方法，其特征在于：还包括步骤s5，即将小样本数据和新生成样本数据通过深度svm网络进行故障诊断结果对比，以分析此多物理场分布下gan网络样本生成模型的性能。
3.如权利要求1所述基于多物理场分布下的设备故障诊断样本数据生成方法，其特征在于：所述步骤s1中，多物理场下的原始数据为发电设备机组部件在每一种工况下对应形变、应力、应变三种物理场分布的原始数据。
4.如权利要求1所述基于多物理场分布下的设备故障诊断样本数据生成方法，其特征在于，所述步骤s2中，数据预处理是采用深度sae网络的编码网络融合方式对小样本数据进行特征提取，包括以下步骤：
【专利技术属性】
技术研发人员：宋俊霖，蒲晓珉，边晓光，朱文吉，伏天韵，田阳，张哲豪，王立闻，周宏林，
申请(专利权)人：东方电气集团科学技术研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。