一种基于LSTM深度学习模型的水电机组故障诊断方法与系统与流程

技术特征：

1.一种基于LSTM深度学习模型的水电机组故障诊断方法，其特征在于，方法包括：

获取水电机组的N个不同信号通道的采样序列，对每一个时间序列进行变分模态分解，得到K个IMF分量；

对每一个IMF分量进行归一化处理，并构建相应的训练集和待诊断集；

对每一个IMF分量的训练集构建长短期记忆网络模型，通过至少两层的LSTM层来对每一个本征模态函数进行特征提取；

同一个信号通道的K个LSTM层输出连接到一个Dense层，再将N个信号通道的Dense层输出连接到Softmax层来进行分类，并通过交叉熵损失函数与故障标签得到误差来用于训练；

通过RMSProp梯度下降算法对深度学习神经网络模型进行训练，将训练好的模型对待诊断集进行诊断，得到最终的诊断结果。

2.根据权利要求1所述的基于LSTM深度学习模型的水电机组故障诊断方法，其特征在于，所述对每一个时间序列进行变分模态分解，得到K个IMF分量，具体包括：

使每个模态的估计带宽之和最小，约束条件为每个模态相加之和为原始输入信号，变分问题构造过程如下：

通过进行Hilbert变换，得到每个模态函数的解析信号，其中δ(t)为脉冲信号函数，uk(t)为IMF分量，*为卷积计算符号，j表示虚数单位；

通过公式给各个模态的解析信号加入一个预估中心频率其中ωk为中心频率，使得每个模态的频谱调制到相应的基频带；

再通过公式计算上述解调信号梯度的平方L2范数，估计出各个模态信号带宽，通过估计的模态信号的带宽之和，构造使总带宽最小的变分求解问题，用于后续的变分模态分解；其中f(t)为原始信号，表示对时间进行求导，t为时间。

3.根据权利要求2所述的基于LSTM深度学习模型的水电机组故障诊断方法，其特征在于，所述通过估计的模态信号的带宽之和，构造使总带宽最小的变分求解问题，用于后续的变分模态分解，具体包括：

变分模态分解的算法通过引入惩罚因子α和拉格朗日乘法算子λ(t)得到扩展的拉格朗日表达式完成，其中拉格朗日表达式如下：

其中f(t)为原始信号；

在对变分问题构造了扩展的拉格朗日表达式后利用交替方向乘子算法ADMM求取IMF分量uk(t)的具体步骤如下：

步骤1.1、初始化和n；

步骤1.2、执行循环n＝n+1；

步骤1.3、更新仅计算频域ω>0的部分，其中为原始信号f(t)的傅里叶变换，为信号uk(t)的傅里叶变换，ωk为中心频率；

步骤1.4、频率中心ωk的更新方程如下所示：

步骤1.5、更新拉格朗日乘法算子λ，λ更新式如下，其中τ为迭代系数：

步骤1.6、重复步骤1.2～步骤1.5，直到满足停止条件由此得到的K个

步骤1.7、将满足停止条件的K个通过反傅里叶变换再求实部来计算得到最后的K个IMF分量uk(t)，计算式为其中ifft()代表傅里叶反变换，表示取实数部分。

4.根据权利要求2或3所述的基于LSTM深度学习模型的水电机组故障诊断方法，其特征在于，通过选择同一个信号通道分解的出的一部分IMF分量作为输入进行分类输出，分析不同组合的IMF分量对分类结果精确度的影响大小，选择出IMF分量uk(t)中对结果影响较大的IMF分量来用于特征提取。

5.根据权利要求1-3任一所述的基于LSTM深度学习模型的水电机组故障诊断方法，其特征在于，通过长短期记忆网络LSTM对每一个IMF分量的时间序列进行处理，序列每一个时刻的值作为一个LSTM神经元的输入，其神经元的前向计算包括：

遗忘门的前向根据ft＝sigmoid(θf·[ht-1,xt]+bf)计算，其中ft为遗忘门的输出值，θf为遗忘门输入权重，bf为遗忘门输入偏置；

输入门的前向根据it＝sigmoid(θi·[ht-1,xt]+bi)计算，其中it为输入门的输出值，θi为输入门输入权重，bi为遗忘门输入偏置；

输出门的前向根据ot＝sigmoid(θo·[ht-1,xt]+bo)计算，其中ot为输入门的输出值，θo为输入门输入权重，bo为输入门输入偏置；

输入门it控制的向记忆单元Cell里面添加的输入值根据计算，其中为输入门it控制的输入值，θc为输入权重，bc为输入偏置；

对记忆单元Cell的记忆内容的更新根据计算，其中ct-1为上一个时刻的记忆单元的值；

输出给下一层的隐藏层输出值ht根据ht＝ot⊙tanh(ct)计算，并由输出门来控制记忆单元进行输出；其中ht-1为t-1时刻的隐层输出，xt为输入值，对应一个IMF分量的t时刻的值。

6.根据权利要求1-3任一所述的基于LSTM深度学习模型的水电机组故障诊断方法，其特征在于，使用全连接层Dense层连接在LSTM层后面，将LSTM层的输出作为其输入向量来进行特征提取，获取特征向量；Dense层的激活函数选择ReLu，Dense的计算公式为Dense(x)＝ReLu(θ·x+b)，其中θ为权重，b为偏置，x为输入，对应K个LSTM层的输出组成的输出向量；

ReLu的计算公式为：

7.根据权利要求6所述的基于LSTM深度学习模型的水电机组故障诊断方法，其特征在于，通过Softmax层对Dense层的特征向量进行特征分类得到概率输出向量，其具体公式如下：

其中x为Softmax层的输入向量，在模型中为Dense层的输出，θ为softmax层的权重矩阵，左边向量中的元素p(y＝n|x；θ)表示输出y的值为n的概率，对应的多个概率值组成Softmax层的概率输出向量。

8.根据权利要求1所述的基于LSTM深度学习模型的水电机组故障诊断方法，其特征在于，采用交叉熵损失函数作为整个模型的损失函数，损失函数是通过将期望输出与实际输出进行计算指标，具体公式为：

其中L(f(x⁽ⁱ⁾；θ),y⁽ⁱ⁾)为损失函数，m为样本个数，y⁽ⁱ⁾为第i个样本的期望输出，f(x⁽ⁱ⁾；θ)为第i个样本的实际输出，对应Softmax层实际的概率输出向量。

9.根据权利要求1所述的基于LSTM深度学习模型的水电机组故障诊断方法，其特征在于，RMSProp算法通过结合交叉熵损失函数L(f(x⁽ⁱ⁾；θ),y⁽ⁱ⁾)对各个权重θ进行梯度求导，求出使损失函数变小的权重变化值，同时引入梯度累计量r和衰减系数ρ，具体梯度更新步骤如下：

步骤5.1、根据计算梯度g的大小，L(f(x⁽ⁱ⁾；θ),y⁽ⁱ⁾)为交叉熵损失函数，表示对权重θ求导；

步骤5.2、根据r←ρr+(1-ρ)g⊙g计算梯度累计量r，其中ρ为衰减系数；

步骤5.3、根据计算权重更新值Δθ，η为学习率，δ为一个小常数(通常取10^-6)，用于被小数除时的数值稳定；

步骤5.4、根据θ←θ+Δθ，更新权重θ的值。

10.一种基于LSTM深度学习模型的水电机组故障诊断系统，其特征在于，系统包括：

IMF分量获取单元，用于获取水电机组的N个不同信号通道的采样序列，对每一个时间序列进行变分模态分解，得到K个IMF分量；

训练集和待诊断集获取单元，用于对每一个IMF分量进行归一化处理，并构建相应的训练集和待诊断集；

特征提取单元，用于对每一个IMF分量的训练集构建长短期记忆网络模型，通过至少两层的LSTM层来对每一个本征模态函数进行特征提取；

训练模块，用于将同一个信号通道的K个LSTM层输出连接到一个Dense层，再将N个信号通道的Dense层输出连接到Softmax层来进行分类，并通过交叉熵损失函数与故障标签得到误差来用于训练；

诊断模块，用于通过RMSProp梯度下降算法对深度学习神经网络模型进行训练，将训练好的模型对待诊断集进行诊断，得到最终的诊断结果。