[发明专利]一种基于DdAE深度学习模型的水电机组故障诊断方法与系统

说明书

本发明涉及水电机组故障诊断技术领域，具体涉及一种基于DdAE深度学习模型的水电机组故障诊断方法与系统。本发明建立在对水电机组原始振动数据分析的基础上，采用了基于多层神经网络模型的深度学习特征提取方法，不需要复杂的人工处理和特征提取过程，采用基于随机搜索的ASFA方法进行DdAE的结构参数调优，达到策略优化的目的。通过深度降噪自动编码器模型实现了原始数据的分布式表达，并将特征提取后的重构数据输入至Softmax回归模型判断水电机组的工作状态和故障类型。网络试验结果分析表明，该方法能有效地应用于水电机组的故障诊断。

技术领域

本发明属于水电机组故障诊断技术领域，更具体地，涉及一种基于DdAE深度学习模型的水电机组故障诊断方法与系统。

背景技术

在一个水力发电系统中，水轮发电机组是最关键的主设备，它的运行状态是否安全可靠直接关系到水电站能否安全、经济的为国家各经济部门和人民的日常生活提供可靠的电力，也直接关系到水电站本身的安全。不断改进优化的状态监测与故障诊断系统，不仅能提高水电站的经济效益和社会效益，也有利于我国在大型水电机组故障诊断技术领域方面的发展。随着现在科学技术水平的日益提高，尤其是信号处理、知识工程和计算智能等理论技术的发展，水轮发电机组的故障诊断也正由人工诊断到智能诊断、由离线诊断到在线诊断，由现场诊断到远程诊断的逐渐发展。

传统机器学习和信号处理技术探索仅含单层非线性变换的浅层学习结构。浅层模型的一个共性是仅含单个将原始输入信号转换到特定问题空间特征的简单结构。典型的浅层学习结构包括传统隐马尔可夫模型(hidden Markov model，简写为：HMM)、条件随机场(conditional random field，简写为：CRFs)、最大熵模型(The Maximum Entropy model，简写为：MaxEnt)、支持向量机(Support Vector Machine，简写为：SVM)、核回归及仅多层感知器(Multi-Layer Perceptron，简写为：MLP)等。例如，SVM用包含一层或者零个特征转换层的浅层模式分离模型。浅层结构的局限性在于有限的样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。

水电机组的振动与一般动力机械的振动有所不同。除需考虑机组本身的转动或固定部分的振动外，水电机组振动尚需考虑作用于发电机部分的电磁力及作用于水电机过流部分的流体动压力对系统及其部件振动的影响。在机组运转的情况下，流体、机械、电磁三部分是相互影响的。因此，水电机组的振动是电气、机械、流体耦合振动。根据水电站所积累的典型经验，可将引起机组振动的原因划分为机械、水力、电气和噪声等方面因素。目前，在水力发电机组振动故障诊断中得以研究和应用的主要有故障树故障诊断方法、模糊诊断方法、小波分析和神经网络等方法。

故障树故障诊断方法在传统支持向量机(Classical-Support Vector Machine，简写为：C-SVM)的基础上，通过集成模糊聚类技术和支持向量机算法，构造一种适合于故障诊断的多级二叉树分类器。缺点是不能诊断不可预知的故障；诊断结果严重依赖于故障树信息的正确性和完整性。而且水电机组故障诊断一般为多故障诊断，支持向量机是一种典型的二分类分类器，用于多分类时会有计算量大的问题。

模糊诊断方法是利用集合论中的隶属度函数和模糊关系矩阵的概念来解决故障与征兆之间的不确定关系。模糊故障诊断方法的不足之处在于，复杂的诊断系统要建立正确的模糊规则和隶属函数非常困难，而且工作量大。

小波分析能够解决许多傅立叶变换难以解决的问题。它在时域和频域都有良好的局域化能力，能聚焦到信号的任意细节，对信号的突变有很强的识别能力，能有效地去噪和提取有用信号。但是小波分析方法中的小波基是很难选取的，一般很难选到非常符合要求的小波基，而且小波变换的实现效果在高维情况下不能得到保证。