双向小波卷积长短时记忆网络风力发电机故障诊断方法

文档序号:32442574发布日期:2022-12-06 22:41阅读:来源:国知局

技术特征:
1.一种双向小波卷积长短时记忆网络风力发电机故障诊断方法,其特征在于,包括以下步骤:s1、建立多源故障数据集,给每类故障打上标签,划分训练集与测试集;s2、构建bwcovlstm网络模型,将多源故障数据集样本分割成若干个时间步长的输入矩阵,作为网络模型的输入;s3、对由输入矩阵和短时记忆状态拼接的数据矩阵做二维离散小波变换,得到近似细节、水平细节、垂直细节、对角细节四个特征矩阵;s4、将得到的四个特征矩阵与权重矩阵卷积作为

门’操作的输入,最终得到当前时间步的输出特征;s5、计算相邻时间步输出的余弦距离,最后输入全连接层获得诊断结果,计算交叉熵损失函数,调整模型参数;s6、将测试集输入训练好的网络,得到模型的准确率和t-sen可视化图。2.根据权利要求1所述的一种双向小波卷积长短时记忆网络风力发电机故障诊断方法,其特征在于,所述步骤s2具体包括:将长短时记忆网络lstm单元数据矩阵与权重矩阵的点乘操作替换为卷积,使得网络的输入从一维信号拓展到多维信号,在一个时间步内提取时空特征;f
t
、i
t
、o
t
分别表示遗忘门,输入门和输出门。将上一时间步的输出h
t-1
信息和当前的输入信号x
t
拼接成[h
t-1
,x
t
]作为卷积长短时记忆网络covlstm单元的输入与对应权重w相乘,然后经过小波变换和卷积操作,分别经sigmoid或tanh激活函数处理作为“门”操作的输入;遗忘门根据当前输入控制丢弃多少上一个时间步长时记忆状态c
t-1
中的信息,如式(1)所示;f
t
=sigmoid(cov(w
f
,[h
t-1
,x
t
])+b
f
)
ꢀꢀꢀꢀ
(1)输入门根据当前输入控制向当前时间步长时记忆状态c
t
中添加多少信息,如式(2)(3)(4)所示:i
t
=sigmoid(cov(w
i
,[h
t-1
,x
t
])+b
i
)
ꢀꢀꢀ
(2)o
t
=sigmoid(cov(w
o
,[h
t-1
,x
t
])+b
o
)
ꢀꢀꢀ
(3)c
t
=f
t
*c
t-1
+i
t
*tanh(cov(wt(w
c
,[h
t-1
,x
t
]))+b
c
)
ꢀꢀꢀꢀꢀ
(4)输出门根据当前输入控制当前长时记忆状态选择哪些信息作为当前时间步的输出h
t
,如式(5)所示:h
t
=o
t
*tanh(c
t
)
ꢀꢀꢀꢀ
(5)。3.根据权利要求1所述的一种双向小波卷积长短时记忆网络风力发电机故障诊断方法,其特征在于,所述步骤s3具体包括:获取haar小波的分解滤波器值,即dec_lo,dec_ho,求内积,如式(6)-(9)所示:ll=dec_lo
·
dec_lo
ꢀꢀꢀ
(6)lh=dec_ho
·
dec_lo
ꢀꢀꢀ
(7)lh=dec_lo
·
dec_ho
ꢀꢀꢀ
(8)hh=dec_ho
·
dec_ho
ꢀꢀꢀ
(9)其中,ll、lh、lh、hh分别表示近似、水平、对角、垂直方向的滤波器;将ll、lh、hl、hh设置为固定的卷积核,设置合适的步长,通过卷积的方式来实现批量小波变换。
4.根据权利要求1所述的一种双向小波卷积长短时记忆网络风力发电机故障诊断方法,其特征在于,所述步骤s4具体包括:将近似细节、水平细节、垂直细节、对角细节,拼接成一个特征矩阵,然后通过卷积、激活函数分别通过遗忘门、输入门,输出门控制长时记忆状态c
t
和输出h
t
的信息。5.根据权利要求1所述的一种双向小波卷积长短时记忆网络风力发电机故障诊断方法,其特征在于,所述步骤s5具体包括:将时间步输出特征作为向量,计算相邻时间步输出的余弦距离:h
t
为当前时间步输出,h
t-1
为上一时间步的输出,x表示特征点;全连接层的每一个结点都与上一层的所有结点相连,用来把前边提取到的特征综合起来。可表述为:α=w1cosθ
t
+w2cosθ2+

+w
n
cosθ
n
α为全连接层中一个节点输出值,w为权重系数,cosθ为余弦距离,节点输出值个数由故障类型个数决定,如m个分类就有m个节点输出[α1,α2,


m
],其最大值对应的位置序号就是故障类型对应的标签;交叉损失函数可表述为:y
i
为标签值,y'
i
为预测值,交叉熵损失函数能够衡量真实概率分布与预测概率分布之间的差异,其值越小,诊断效果越好。6.根据权利要求1所述的一种双向小波卷积长短时记忆网络风力发电机故障诊断方法,其特征在于,所述步骤s6具体包括:准确率计算公式可表述为:t_sne是常用的数据可视化方法,它是通过放射变换将数据点映射到概率分布上,分为两个步骤:(1)构建高维对象之间的概率分布,使得相似的对象有更高的概率被选择,而不相似的对象有更低的概率;(2)sne在低维空间中构建这两个分布,使得两个概率分布尽可能相似。

技术总结
本发明公开了一种双向小波卷积长短时记忆网络风力发电机故障诊断方法,包括以下步骤:建立多源故障数据集,给每类故障打上标签,划分训练集与测试集;构建BWCovLSTM网络模型,将多源故障数据集样本分割成若干个时间步长的输入矩阵,作为网络模型的输入;对由输入矩阵和短时记忆状态拼接的数据矩阵做二维离散小波变换,得到近似细节、水平细节、垂直细节、对角细节四个特征矩阵;将得到的四个特征矩阵与权重矩阵卷积作为


技术研发人员:王进花 王少鹏 曹洁 安永胜
受保护的技术使用者:兰州理工大学
技术研发日:2022.08.18
技术公布日:2022/12/5
当前第2页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1