[發(fā)明專利]基于多分辨率時序循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組故障診斷方法

在審

• 申請?zhí)枺?/td>: 202011639677.1
• 申請日: 2020-12-31
• 公開（公告）號: CN112798956A
• 公開（公告）日: 2021-05-14
• 發(fā)明（設(shè)計）人: 武鑫;呂佃順;王立鵬;馬強;趙棟利;江國乾;謝平;何群
• 申請（專利權(quán)）人: 江蘇國科智能電氣有限公司;燕山大學(xué)
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06N3/04
• 代理公司: 北京科迪生專利代理有限責(zé)任公司 11251
• 代理人: 關(guān)玲

1.一種基于多分辨率時序循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組故障診斷方法，其特征在于：所述的方法包括如下步驟：

S1：對風(fēng)電機組監(jiān)測控制和數(shù)據(jù)采集系統(tǒng)采集到的數(shù)據(jù)進行小波分解，設(shè)置相應(yīng)的小波分解層數(shù)L，計算得到原始輸入信號的高頻細(xì)節(jié)系數(shù)，直到達到所述分解水平L，得到原始輸入的局部信號；

S2：將原始信號和分解得到的局部信號分別進行空間上變量間動態(tài)調(diào)整不同特征的權(quán)重，進行空間維度的學(xué)習(xí)，并將調(diào)整后的信號同時輸入到門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)中進行特征學(xué)習(xí)，獲取輸入信號在的全局特征輸出子網(wǎng)絡(luò)和局部特征輸出子網(wǎng)絡(luò)的時間維度上的信息；

S3：將全局特征和局部特征每個子網(wǎng)絡(luò)的輸出進行級聯(lián)，實現(xiàn)全局特征和局部特征的自適應(yīng)動態(tài)融合，再將融合后的結(jié)果輸入到softmax分類器，根據(jù)所述的輸入時間序列的多分辨率特征產(chǎn)生其分類結(jié)果；

S4：將分類結(jié)果通過滑動窗口和多數(shù)投票的方法以生成最終的檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于多分辨率時序循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組故障診斷方法，其特征在于，所述的步驟S1中，小波層的輸入大小為N×D的時間序列樣本，其中N為信號的長度，D為信號的維數(shù)，首先設(shè)置小波的分解層L，然后從原始輸入信號中計算細(xì)節(jié)系數(shù)，直到達到所指定的小波分解水平L，此時原始信號被分解為若干小波系數(shù)，每個小波層的輸入大小為[N/2ⁱ]×D，其中i＝1,2…,L。

3.根據(jù)權(quán)利要求1所述的基于多分辨率時序循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組故障診斷方法，其特征在于，所述的步驟S2中，原始信號層和局部信號層的GRU神經(jīng)網(wǎng)絡(luò)層數(shù)相同，每層GRU神經(jīng)網(wǎng)絡(luò)層后加入dropout層，以防止過擬合。

4.根據(jù)權(quán)利要求1所述的基于多分辨率時序循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組故障診斷方法，其特征在于，所述的步驟S3中，進行全局特征和局部特征的自適應(yīng)動態(tài)融合的方法如下：

S3.1、對全局特征和局部特征中的多個特征維度進行降維操作，將輸入u_c(t)通過使用全局平均池化來生成通道統(tǒng)計信息，得到輸出z_c，計算公式如下：其中T表示輸入信號的時間維度，z_c是時間維度T上的通道全局平均輸出；

S3.2、為了捕獲通道依賴，將門控機制作用于z_c計算加權(quán)后的輸出s，計算公式如下：s＝F_ex(z_c,W)＝σ(W₂δ(W₁z_c))，其中F_ex為一個被參數(shù)化的神經(jīng)網(wǎng)絡(luò)，σ為sigmoid激活函數(shù)，δ為ReLU激活函數(shù)，W₁和W₂分別是降維層和增維層的權(quán)值參數(shù)；

S3.3、最后，對輸出模塊進行重新排序，得到結(jié)果為計算公式如下：其中F_scale(u_c,s_c)表示特征映射u_c∈R^T與尺度s_c之間的通道相乘。

5.根據(jù)權(quán)利要求1所述的基于多分辨率時序循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組故障診斷方法，其特征在于，所述的步驟S4中，采用基于滑動窗口和多數(shù)投票的算法步驟如下：

S4.1、首先定義兩個變量：滑動窗口的長度L_w及滑動步長L_s，其中L_w＞＞L_s；

S4.2、將時間序列分割成長度為L_s的子序列，讓長度為L_w的滑動窗口沿輸入時間序列移動一個長度為L_s的步長；

S4.3、然后訓(xùn)練后的分類器將預(yù)測滑動窗口內(nèi)的時間序列，每次滑動窗口移動時，都會做出一個預(yù)測，這樣，當(dāng)滑動窗口沿著信號移動時，每個子序列將積累L_w/L_s個預(yù)測值。

S4.4、最后將預(yù)測結(jié)果緩存起來供多數(shù)投票通過，投票結(jié)果將顯示是否檢測到風(fēng)機部件故障情況。