[發明專利]一種基于LSTM深度學習模型的水電機組故障診斷方法與系統有效
| 申請號： | 201711463863.2 | 申請日： | 2017-12-28 |
| 公開（公告）號： | CN108197648B | 公開（公告）日： | 2020-06-05 |
| 發明（設計）人： | 李超順;王若恒;涂文奇;陳昊;陳新彪 | 申請（專利權）人： | 華中科技大學 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04;G06N3/08;G01R31/34 |
| 代理公司： | 深圳市六加知識產權代理有限公司 44372 | 代理人： | 嚴泉玉 |
| 地址： | 430070 湖北*** | 國省代碼： | 湖北;42 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 lstm 深度 學習 模型 水電 機組 故障診斷 方法 系統 | ||
1.一種基于LSTM深度學習模型的水電機組故障診斷方法，其特征在于，方法包括：
獲取水電機組的N個不同信號通道的振動信號的采樣序列，對每一個時間序列進行變分模態分解，得到K個IMF分量；
對每一個IMF分量進行歸一化處理，并構建相應的訓練集和待診斷集；
對每一個IMF分量的訓練集構建長短期記憶網絡(LTSM)深度學習模型，通過至少兩層的LSTM層來對每一個本征模態函數進行特征提取；
同一個信號通道的K個LSTM層輸出連接到一個Dense層，再將N個信號通道的Dense層輸出連接到Softmax層來進行分類，并通過交叉熵損失函數與故障標簽得到誤差來用于訓練；
通過RMSProp梯度下降算法對LTSM深度學習模型進行訓練，將訓練好的模型對待診斷集進行診斷，得到最終的診斷結果。
2.根據權利要求1所述的基于LSTM深度學習模型的水電機組故障診斷方法，其特征在于，所述對每一個時間序列進行變分模態分解，得到K個IMF分量，具體包括：
使每個模態的估計帶寬之和最小，約束條件為每個模態相加之和為原始輸入信號，變分問題構造過程如下：
通過進行Hilbert變換，得到每個模態函數的解析信號，其中δ(t)為脈沖信號函數，uk(t)為IMF分量，*為卷積計算符號，j表示虛數單位；
通過公式給各個模態的解析信號加入一個預估中心頻率其中ωk為中心頻率，使得每個模態的頻譜調制到相應的基頻帶；
再通過公式計算上述解析信號梯度的平方L2范數，估計出各個模態信號帶寬，通過估計的模態信號的帶寬之和，構造使總帶寬最小的變分求解問題，用于后續的變分模態分解；其中f(t)為原始信號，表示對時間進行求導，t為時間。
3.根據權利要求2所述的基于LSTM深度學習模型的水電機組故障診斷方法，其特征在于，所述通過估計的模態信號的帶寬之和，構造使總帶寬最小的變分求解問題，用于后續的變分模態分解，具體包括：
變分模態分解的算法通過引入懲罰因子α和拉格朗日乘法算子λ(t)得到擴展的拉格朗日表達式完成，其中拉格朗日表達式如下：
其中f(t)為原始信號；
在對變分問題構造了擴展的拉格朗日表達式后利用交替方向乘子算法ADMM求取IMF分量uk(t)的具體步驟如下：
步驟1.1、初始化λ1和n；
步驟1.2、執行循環n＝n+1；
步驟1.3、更新uk，僅計算頻域ω0的部分，其中f(ω)為原始信號f(t)的傅里葉變換，uk(ω)為信號uk(t)的傅里葉變換，ωk為中心頻率；
步驟1.4、中心頻率ωk的更新方程如下所示：
步驟1.5、更新拉格朗日乘法算子λ，λ更新式如下，其中τ為迭代系數：
步驟1.6、重復步驟1.2～步驟1.5，直到滿足停止條件由此得到的K個
步驟1.7、將滿足停止條件的K個通過反傅里葉變換再求實部來計算得到最后的K個IMF分量uk(t)，計算式為其中ifft()代表傅里葉反變換，表示取實數部分。
4.根據權利要求2或3所述的基于LSTM深度學習模型的水電機組故障診斷方法，其特征在于，通過選擇同一個信號通道分解得出的一部分IMF分量作為輸入進行分類輸出，分析不同組合的IMF分量對分類結果精確度的影響大小，選擇出IMF分量uk(t)中對結果影響較大的IMF分量來用于特征提取。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于華中科技大學，未經華中科技大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201711463863.2/1.html，轉載請聲明來源鉆瓜專利網。
