本发明属于热工自动控制技术领域,涉及一种电站风机故障诊断方法,更为具体的说,是涉及一种基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法。
背景技术:
电站风机对于保障整个发电系统的安全可靠运行至关重要,是机组运行过程中需要重点监控的设备。由于表征风机不同故障的参数之间存在着耦合的情况,故障特征与故障模式类别之间的对应关系不明显,因此如何确定故障原因和故障程度具有很大的挑战性。
此外,由于风机结构复杂,系统非线性强,很难建立设备的精确解析数学模型,因此基于数据驱动的故障诊断方法称为研究的热点。近年来,深度学习从图像领域延伸到故障诊断领域,然而传统的深度学习方法需要根据经验反复调整隐藏层层数和各层神经元个数等参数,这也正是该方法的一个主要缺点。因此,目前的故障诊断方法并不理想,不能满足当前需求。
技术实现要素:
为解决上述问题,本发明针对电站风机,提出一种基于稀疏局部嵌入深度卷积网络(sparselylocalembeddingnetwork,slenet)的故障诊断方法,对风机的常见故障进行故障诊断。其中,slenet是新设计的一个三层深度学习网络,它的前两层类似于卷积神经网络中的卷积层,区别在于采用稀疏局部嵌入方法代替了卷积核;第三层采用空间金字塔最大池化方法;最后采用支持向量机对于网络输出的所有特征进行分类。
为了达到上述目的,本发明提供如下技术方案:
基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法,包括以下步骤:
(1)风机数据选择及预处理;
(2)训练稀疏局部嵌入深度卷积网络的前两层,得到稀疏系数矩阵和前两层网络的输出矩阵;
(3)在输出层中,对前两层网络的输出矩阵进行池化处理,并输出故障特征;
(4)训练支持向量机分类器,对故障特征进行分类,输出为故障的原因及程度;
(5)根据每一个采样时刻的输入数据,进行在线故障诊断。
进一步的,所述步骤(1)包括如下过程:选择与风机故障相关的主要参数作为稀疏局部嵌入深度卷积网络故障诊断模型的输入参数,并将带标签的故障数据分为训练集和测试集,分别用于网络训练和测试网络性能。
进一步的,所述主要参数包括振动参数和其他过程参数。
进一步的,所述步骤(2)中前两层网络的训练方法相同,其中第一层的训练方法包括如下步骤:
(a)设训练样本数为n,将输入数据整理成大小为p×q的输入矩阵
(b)在第一层中对输入矩阵
(c)计算矩阵
(d)对于第一层网络计算得到的高维均值矩阵
式中,wij为系数矩阵w的元素,代表了
(e)保持w不变,代入并求解下述优化问题,其中i为单位矩阵:
式中,l1为稀疏局部嵌入算法中低维空间的维数;通过使嵌入代价函数最小,把高维数据空间中的样本
(f)获得一个从
式中,sj是矩阵s1的行向量,yj是
(g)计算s1与矩阵
(h)将每一行输出
第二层网络的每一个输入矩阵
进一步的,在步骤(3)中,对于前两层网络的输出矩阵
(a)对于第二层网络的输出
hij=sign(tij)
ifhij<0,thenhij=0
式中,hij和tij分别是hg,k和
(b)将l2个二进制hg,k矩阵转化为十进制矩阵οg,g=1,2...,l1:
ak=2k-1
(c)将十进制矩阵οg按金字塔三种划分方式处理:第一层只有一个单元,该单元包括了整个og矩阵,金字塔的第二层将og矩阵分为4个单元,第三层有16个单元,在三层的每一个单元中进行直方图统计,取最大特征值,输出21维故障特征。
进一步的,所述步骤(5)中,每个采样周期具体的在线故障诊断过程如下:
(a)将每一个时刻的测试数据集整理成大小为p×q的矩阵γtest;
(b)对于每一个矩阵γtest,采用一个大小为k1×k2的滑动窗口对其进行采样,将所有的采样值向量化记为
(c)利用稀疏系数矩阵s1提取出
(d)把输出矩阵ytest的行向量整理为矩阵形式,并作为下一层网络的输入矩阵
(e)在第二层网络中的处理方法与第一层相同,即重复一次a)~d)步,得到第二层网络的输出数据块
(f)在输出层中首先对
(g)采用支持向量机对于故障原因和程度进行分类。
与现有技术相比,本发明具有如下优点和有益效果:
本发明方法能够检测出风机故障的程度和原因,提高风机运行的安全性、可靠性。新设计的深度学习网络前两层采用稀疏局部嵌入方法代替了卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程,减少了需要依赖经验选择的网络参数;第三层采用空间金字塔最大池化方法,减少网络的输出维数,从而减少了分类器的计算量。
附图说明
图1为本发明的slenet网络结构图。
图2为本发明的邻域保持映射示意图。
图3为本发明空间金字塔最大池化方法示意图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提出了一种基于稀疏局部嵌入深度卷积网络的风机故障诊断方法。首先选择风机系统主要变量和参数,作为稀疏局部嵌入深度卷积网络故障诊断模型的输入参数,网络结构如图1所示。然后将输入数据整理成大小为p×q的矩阵,并送入网络的第一层中;接着在第一层中进行块向量化去均值处理(其中设定滑动窗口的大小为k1×k2),并采用稀疏系数矩阵s代替卷积核(s是需要利用数据样本训练确定的网络参数),对输入矩阵进行卷积;网络第二层的结构和处理过程与第一层基本相同;第三层是输出层,采用hashing编码和空间金字塔最大池化方法处理,并输出故障特征。该故障特征最后被送入支持向量机中进行故障分类。需要说明的是,对于不同的数据集和故障诊断问题,可以根据具体情况减少或者增加网络的层数。实现本发明风机故障诊断方法的具体步骤如下:
步骤1:风机数据选择及预处理,主要包括如下步骤:
(a)选择与风机故障相关的主要参数作为稀疏局部嵌入深度卷积网络故障诊断模型的输入参数,如表1所示:
表1
(b)本发明对于风机的常见故障进行故障诊断,主要包括:动静摩擦、转轴弯曲、轴承超温、油膜涡流与油膜振荡、失速和喘振。将带标签的故障数据分为训练集和测试集,分别用于网络训练和测试网络性能;
步骤2:训练稀疏局部嵌入深度卷积网络的前两层,主要包括如下步骤:
对一个新设计的深度学习网络slenet的前两层进行训练,由于前两层网络的训练方法相同,因此仅介绍第一层网络的训练过程,第一层网络具体的训练过程如下:
(a)设训练样本数为n,将输入数据整理成大小为p×q的输入矩阵
(b)在第一层中对输入矩阵
(c)计算矩阵
(d)对于第一层网络计算得到的高维均值矩阵
式中,wij为系数矩阵w的元素,代表了
(e)保持w不变,代入并求解下述优化问题,其中i为单位矩阵:
通过使嵌入代价函数最小,把高维数据空间中的样本
(f)获得一个从
式中,sj是矩阵s1的行向量,yj是
(g)计算s1与矩阵
(h)将每一行输出
步骤3:在输出层中,对于前两层网络的输出矩阵
(a)对于第二层网络的输出
hij=sign(tij)
ifhij<0,thenhij=0
式中,hij和tij分别是hg,k和
(b)将l2个二进制hg,k矩阵转化为十进制矩阵οg(g=1,2...,l1):
ak=2k-1
(c)将十进制矩阵οg按金字塔三种划分方式处理,如图3所示:第一层只有一个单元,该单元包括了整个og矩阵,金字塔的第二层将og矩阵分为4个单元,第三层有16个单元,在三层的每一个单元中进行直方图统计,取最大特征值,输出21维故障特征。
步骤4:训练支持向量机分类器,对故障特征进行分类,输出为故障的原因及程度;
步骤5:根据每一个采样时刻的输入数据,进行在线故障诊断,主要包括如下步骤:
(a)将每一个时刻的测试数据集整理成大小为p×q的矩阵γtest;
(b)对于每一个矩阵γtest,采用一个大小为k1×k2的滑动窗口对其进行采样,将所有的采样值向量化记为
(c)利用稀疏系数矩阵s1提取出
(d)把输出矩阵ytest的行向量整理为矩阵形式,并作为下一层网络的输入矩阵
(e)在第二层网络中的处理方法与第一层相同,即重复一次a)~d)步,得到第二层网络的输出数据块
(f)在输出层中首先对
(g)采用支持向量机对于故障原因和程度进行分类。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。