[发明专利]基于深度神经网络的风机叶片早期结冰故障检测方法

权利要求书

1.基于深度神经网络的风机叶片早期结冰故障检测方法，其特征在与：该方法的实现步骤如下：

步骤(1)：获取风机结冰原始数据集；

步骤(2)：对原始数据集进行预处理，获取训练集和测试集；

步骤(3)：使用自编码器逐层对DNN进行预训练,即根据DNN隐藏层的层数N来构建N个自编码器，第i个自编码器的参数θ_i用于初始化DNN的第i个隐藏层，i＝1，2…,n；

步骤(4)：确定网络结构，即利用训练集训练深度神经网络模型并对模型进行优化和微调；

步骤(5)：风机叶片早期结冰故障检测

将待预测数据集输入模型，对风机叶片是否结冰进行检测，该模型可在结冰早期及时诊断叶片是否结冰。

2.根据权利要求1所述的基于深度神经网络的风机叶片早期结冰故障检测方法，其特征在于：所述风机结冰原始数据包含但不限于风速、发电机转速、网侧有功功率、风向角、各叶片角度、变桨电机温度特征维度。

3.根据权利要求1所述的基于深度神经网络的风机叶片早期结冰故障检测方法，其特征在于：所述预处理包括：根据数据中结冰和不结冰的时间段，把原始数据分为正常数据即正样本，标签为正常，故障数据即负样本，标签为故障，无效数据即无标签的数据；在构建训练集时，首先删除无标签的无效数据，然后为了平衡训练集的正负样本数量，从正常数据中删除了明显不结冰的样本，再利用smote算法对负样本进行过采样，将预处理之后的数据，一部分作为训练集，一部分作为测试集。

4.根据权利要求1所述的基于深度神经网络的风机叶片早期结冰故障检测方法，其特征在于：步骤(3)的实施过程为：

1)对于未经预处理的原始数据集的每条数据x^m,经过自编码器的编码函数f_θ,可获得对应的编码向量h^m：

h^m＝f_θ(x^m) (2)

解码器网络是编码向量h^m由重构函数g_θ′映射回高维空间：

是被重构的原始输入数据。

2)取平方误差函数作为自动编码器的重构误差函数：

x为自动编码器的输入，即原始数据；为自动编码器的输出

3)选择sigmoid函数作为解码器的激活函数S_f，取恒等函数S_g(z)＝z作为编码器的激活函数,编码器和解码器分别可表示为：

f_θ(x)＝S_f(W_x+b) (5)

g_θ′(x)＝S_g(W^T_x+d) (6)

这里自动编码器的参数集是θ＝{W,b}和θ′＝{W^T,d},其中b和d是偏移向量，W和W^T是权重矩阵。

4)整体的损失函数为：

这里M表示样本的总数。

5)训练过程如下，首先通过最小化公式(7)中的损失函数来训练第一个自动编码器，获得编码器网络的训练参数集θ₁，对于数据x^m的第一条编码向量计算如下：

将作为第二个自动编码器的输入，训练得到参数集θ₂和第二个编码向量该过程按顺序进行，x^m的第n个编码向量为：

其中θ_N第n个自动编码器的参数集。

5.根据权利要求1所述的基于深度神经网络的风机叶片早期结冰故障检测方法，其特征在于：步骤(4)具体过程为：

1)根据步骤(3)确定的参数集θ来初始化DNN的隐藏层.

2)选用马修斯相关系数(Matthews Correlation Coefficient,MCC)作为评价模型分类的准则。

其中TP为非结冰样本预测正确的个数，TN为结冰样本预测正确的个数，FP为非结冰样本预测错误的个数，FN为结冰样本预测错误的个数，MCC的取值范围为[-1,1]。

选用二元交叉熵损失函数加上有关马修斯相关系数的惩罚项作为此神经网络的Loss函数：

Loss＝binary_crossentropy+λ*(1-MCC) (12)

x表示样本，y表示实际值即期望的输出值，a表示输出值，M表示样本总数。MCC为当前模型的马修斯相关系数，λ为惩罚因子，λ取值0.001，0.01，0.1，1。

3)为了正确逼近输出目标，利用BP算法反向调整DNN的参数，x^m表示训练样本，y^m表示实际值即标签值，a^m表示DNN输出的预测值,最终损失函数可表示为：

DNN参数集η∈(0,1)为微调过程的学习速率，所以参数集的更新准则为：

4)利用步骤(2)经过预处理的训练集作为输入DNN神经网络，通过反向传播和梯度下降，不断修改、更新各层神经元的参数值以及连接权重，使误差值达到最小，模型参数不断优化，满足迭代停止条件，得到训练好的深度神经网络。

5)利用步骤(2)中经过预处理的测试集对训练好的神经网络进行测试，选择准确率(Accuracy)作为评价准则，选择对应准确率高的层数N和惩罚因子λ作为最终的模型结构参数。