[發(fā)明專利]基于難樣本挖掘的深度度量網(wǎng)絡(luò)的風(fēng)機(jī)多故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910835384.1
• 申請(qǐng)日: 2019-09-05
• 公開（公告）號(hào): CN110555478B
• 公開（公告）日: 2023-02-03
• 發(fā)明（設(shè)計(jì)）人: 劉金海;劉曉媛;曲福明
• 申請(qǐng)（專利權(quán)）人: 東北大學(xué)
• 主分類號(hào): G06F18/2411
• 分類號(hào): G06F18/2411;G06F18/214;G06N3/0464;G06N3/08;G01M13/02
• 代理公司: 沈陽東大知識(shí)產(chǎn)權(quán)代理有限公司 21109
• 代理人: 李珉

1.一種基于難樣本挖掘的深度度量網(wǎng)絡(luò)的風(fēng)機(jī)多故障診斷方法，其特征在于：包括以下步驟：

步驟1：構(gòu)建難訓(xùn)練樣本挖掘模型；針對(duì)一個(gè)風(fēng)力渦輪機(jī)z種不同類型的SCADA數(shù)據(jù)集，D＝[D₁，D₂，...，D_z]^T，其中每一類型包括正常數(shù)據(jù)Rⁿ、異常數(shù)據(jù)R^f；將異常數(shù)據(jù)R^f分為早期故障數(shù)據(jù)S^ef和故障數(shù)據(jù)S^f，對(duì)正常數(shù)據(jù)和異常數(shù)據(jù)進(jìn)行樣本均衡化，構(gòu)成難樣本集A＝Rⁿ∪R^f；

步驟2：構(gòu)造難樣本數(shù)據(jù)集的優(yōu)化模型；將構(gòu)造的難樣本數(shù)據(jù)集進(jìn)行圖像化處理，圖像矩陣的橫軸為時(shí)間軸，縱軸為各類SCADA數(shù)據(jù)變量；為了提高深度度量網(wǎng)絡(luò)卷積層對(duì)圖像卷積的精度，優(yōu)化各類SCADA數(shù)據(jù)變量，使數(shù)據(jù)變量之間的排列在時(shí)間空間上連續(xù)，最終得到優(yōu)化后的訓(xùn)練樣本集X；

步驟3：構(gòu)造基于改進(jìn)三元組訓(xùn)練樣本集損失函數(shù)的深度度量網(wǎng)絡(luò)模型；從優(yōu)化后的訓(xùn)練樣本集X中選出訓(xùn)練正樣本，訓(xùn)練錨樣本、訓(xùn)練負(fù)樣本，分別記作x^p、x^a、xⁿ，構(gòu)成訓(xùn)練樣本三元組數(shù)據(jù)集；所述訓(xùn)練正樣本和訓(xùn)練錨樣本為同類樣本，訓(xùn)練錨樣本和訓(xùn)練負(fù)樣本為異類樣本；建立三個(gè)權(quán)值共享且結(jié)構(gòu)相同的深度度量網(wǎng)絡(luò)作為度量判別網(wǎng)絡(luò)，在最大邊界α指導(dǎo)下，將輸入到深度度量網(wǎng)絡(luò)的三元組數(shù)據(jù)集映射到特征空間，進(jìn)而得到特征向量f(x_i^p)、f(x_i^a)、f(x_iⁿ)；通過改進(jìn)的三元組訓(xùn)練樣本集的損失函數(shù)反向更新深度度量網(wǎng)絡(luò)參數(shù)，使同類樣本的特征向量f(x_i^a)和f(x_i^p)距離變小，異類樣本的特征向量f(x_i^a)和f(x_iⁿ)距離變大；

步驟3.1：從優(yōu)化后的訓(xùn)練樣本集X中選出訓(xùn)練正樣本x_p，訓(xùn)練錨樣本x_a和訓(xùn)練負(fù)樣本x_n，構(gòu)成訓(xùn)練樣本三元組數(shù)據(jù)集；

步驟3.2：建立三個(gè)權(quán)值共享且結(jié)構(gòu)相同的深度度量網(wǎng)絡(luò)作為度量判別網(wǎng)絡(luò)，在最大邊界α指導(dǎo)下，將輸入到深度度量網(wǎng)絡(luò)的三元組數(shù)據(jù)集映射到特征空間，進(jìn)而得到特征向量f(x_i^p)、f(x_i^a)、f(x_iⁿ)，i＝1，2，...，ρ，ρ為訓(xùn)練樣本三元組數(shù)據(jù)集中三元組的組數(shù)；

步驟3.3：對(duì)訓(xùn)練樣本三元組數(shù)據(jù)集的損失函數(shù)進(jìn)行改進(jìn)，進(jìn)而實(shí)現(xiàn)對(duì)深度度量網(wǎng)絡(luò)的訓(xùn)練；

步驟3.4：通過改進(jìn)的損失函數(shù)反向更新深度度量網(wǎng)絡(luò)參數(shù)，重新執(zhí)行步驟3.2直至損失函數(shù)收斂至零，得到訓(xùn)練好的深度度量網(wǎng)絡(luò)；

步驟4：采用SVM構(gòu)造多故障診斷模型，將三元組樣本通過訓(xùn)練好的深度度量網(wǎng)絡(luò)映射得到的特征向量作為訓(xùn)練集輸入到SVM模型中，訓(xùn)練SVM模型，使其實(shí)現(xiàn)對(duì)m類風(fēng)力渦輪機(jī)數(shù)據(jù)進(jìn)行分類，進(jìn)而實(shí)現(xiàn)對(duì)風(fēng)力渦輪機(jī)進(jìn)行故障診斷。