本发明涉及一种基于堆栈自动编码器的水利机组故障分析方法，属于水利机组故障诊断技术领域。
背景技术：
水利机组的故障诊断是指通过对水利机组大量状态数据的学习，利用深度网络模型对机组当前健康状况做出预测分析。
目前现有的水利机组检修的状态信息分析主要以振动信号为主，信息分析不全面，而且征兆与故障之间关系的复杂性不明确，构造出的机组故障诊断模型诊断精度不高。
技术实现要素：
针对现有技术存在的不足，本发明目的是提供一种基于堆栈自动编码器的水利机组故障分析方法，本方法直接采用水利机组全部运行状态的监测数据，通过堆栈自动编码器方法，可以对水利机组当前健康状态进行更全面的评估，另外，基于深度学习的堆栈自动编码器网络构建机组的故障诊断模型，诊断更加精确。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明的基于堆栈自动编码器的水利机组故障分析方法,包括以下几个步骤：
(1)从水利机组检测系统采集机组运行原始状态数据，并进行人工标记；
(2)将所述机组运行原始状态数据划分为训练数据和测试数据，同时获得训练标签和测试标签；
(3)利用所述训练数据对堆栈自动编码器的每一层自动编码器进行预训练，提取预训练的特征；然后，利用训练标签对网络进行微调，获得微调后的基于堆栈自动编码器网络，作为水利机组故障分析模型；
(4)将所述测试数据输入到水利机组故障分析模型，完成水利机组故障分析。
步骤(1)中，从水利机组检测系统采集的机组运行原始状态数据整理并保存为表格格式；步骤(2)中，人工标记后的训练标签数据和测试标签数据同样以表格方式进行存储。
当前我国大型水利机组都设置有监测点，实现了对机组运行状态的实时监测，同时存留有运行数据；步骤(1)中，机组运行原始状态数据的采集及人工标记的具体方法如下：
设定机组有n个监测点，每一个监测项作为一列，某一时刻所有监测项数据构成一条n列的数据；采集m个时刻的运行数据，获得m条机组运行数据；
每一条数据对应机组某个时刻的运行状态，根据状态类别标号进行人工标记独立存储，类别标号设定为1,2，…,n。
步骤(2)中，训练数据、测试数据的划分以及训练标签、测试标签获取的具体方法如下：
读取机组运行原始状态数据，获得m×n的机组运行状态矩阵；对机组运行状态矩阵数据，从第一行开始，由上至下每隔七行抽取行向量，形成测试数据，其余构成训练数据；
读取人工标记数据，获得n×1的向量；从第一行开始，由上至下每隔七行抽取向量，形成测试标签，其余构成训练标签。
上述训练数据和测试数据的构成比例为7:3。
上述水利机组故障分析模型具体的获得方法如下：
基于堆栈自动编码器网络的水利机组故障分析模型设置为m层，m为正整数，构成堆栈自动编码器的每一层均为自动编码器，隐层节点个数分别为h1、h2...hm，其中，h1、h2...hm为正整数；前一层自动编码器的输出作为下一层自动编码器的输入；
首先，将训练数据作为堆栈自动编码器的第一层自动编码器的输入，以非监督学习方式训练当前层，并且把结果作为下一层自动编码器的输入，继续训练下一层，直至训练完构成堆栈自动编码器网络的所有层，从而完成基于堆栈自动编码器网络的预训练和特征提取；
在m层自动编码器的输出端采用分类器，m层自动编码器的hm个输出作为分类器的输入，分类器输出节点的个数是机组状态类别总数c；
利用训练标签数据采用反向传播算法对网络权重进行微调，最终获得微调后的基于堆栈自动编码器网络，作为水利机组故障分析模型。
上述分类器具体采用的是softmax分类器。
水利机组故障分析模型的层数m值取为3-7，隐层节点个数h1、h2...hm的值取为20-100。
步骤(4)中，具体的方法如下：
利用步骤(3)中训练好的水利机组故障分析模型，将所述测试数据作为输入，进行分类，分类器输出为机组当前运行状态的标号，完成当前机组健康状况评估，以及机组故障分析；通过水利机组故障分析模型的输出标号和测试标签对比，从而计算出整个模型的分类准确度，评估模型分析性能。
本发明的有益效果如下：
提出了基于堆栈自动编码器的水利机组故障分析方法，填补了国内在水利机组故障诊断领域的技术空白；本方法直接采用水利机组全部运行状态的监测数据，与以往以振动信号分析为主的方法相比，结合了状态参数如负荷、流量等综合分析，对水利机组的状态信息分析更全面；针对征兆与故障之间关系的复杂以及不明确性，基于深度学习的堆栈自动编码器网络构建机组的故障诊断模型，学习到的特征更加本质，诊断更加精确；若将该方法应用于水利机组的检修，可以为机组故障诊断提供智能决策支持。
附图说明
图1为本发明的基于堆栈自动编码器的水利机组故障分析方法工作流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
参见图1，本实施方式的基于堆栈自动编码器的水利机组故障分析方法，它包括以下步骤：
(1)通过水利机组检测系统采集机组运行状态数据，并进行大量人工标记。
(2)机组运行状态数据划分为训练数据和测试数据，同时获得训练标签和测试标签。
(3)利用训练数据对堆栈自动编码器的每一层自动编码器进行预训练，提取特征；在预训练的基础上，利用训练标签对网络进行微调，获得训练良好的基于堆栈自动编码器网络，作为水利机组故障分析模型。
(4)将测试数据送入水利机组故障分析模型，完成故障辅助分析。
步骤(1)中，通过水利机组检测系统采集的机组运行状态数据整理并保存为表格格式，人工标记后的标签数据同样以表格方式进行存储，方便后续处理。
步骤(2)中，读取机组运行状态数据，获得m×n的矩阵；对机组运行状态矩阵数据，从第一行开始，由上至下每隔七行抽取行向量，形成测试数据，其余构成训练数据，训练数据和测试数据的构成比例为7:3；读取人工标记数据，获得n×1的向量；从第一行开始，由上至下每隔七行抽取向量，形成测试标签，其余构成训练标签。
步骤(3)中，基于堆栈自动编码器网络的水利机组故障分析模型设置为m层，m为正整数，m值通常取3-7。构成堆栈自动编码器的每一层均为自动编码器，隐层节点个数分别为h1、h2...hm，h为正整数，h值通常取20-100。前一层自动编码器的输出作为下一层自动编码器的输入。首先将训练数据作为堆栈自动编码器的第一层自动编码器的输入，以非监督学习方式训练当前层，并且把结果作为下一层自动编码器的输入。继续训练下一层，直至训练完构成堆栈自动编码器网络的所有层，从而完成基于堆栈自动编码器网络的预训练和特征提取。
在m层自动编码器的输出端采用softmax分类器，m层自动编码器的hm个输出作为softmax分类器的输入，分类器输出节点的个数是机组状态类别总数c。利用训练标签数据采用反向传播算法对网络权重进行微调，最终获得训练好的基于堆栈自动编码器网络，作为水利机组故障分析模型。
步骤(4)中，利用步骤(3)中训练好的故障分析模型，将测试数据作为输入，进行分类。分类器输出为机组当前运行状态的标号，完成当前机组健康状况评估，以及机组故障辅助分析。通过分析模型的输出标号和测试标签对比，可以计算整个模型的分类准确度，评估模型分析性能。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。