[發明專利]一種自聯想神經網絡診斷風機故障方法

有效

• 申請號: 202011639678.6
• 申請日: 2020-12-31
• 公開（公告）號: CN112746934B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 武鑫;王立鵬;呂佃順;李練兵;李思佳;李政宇;陳偉光
• 申請（專利權）人: 江蘇國科智能電氣有限公司;河北工業大學
• 主分類號: F03D17/00
• 分類號: F03D17/00;G06N3/04;G06N3/12
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 關玲

1.一種自聯想神經網絡診斷風機故障的方法，其特征在于，所述方法包括以下步驟：

步驟1：采用風電機組的數據采集與監控系統(SCADA)采集的數據進行歸一化以及奇異值去除預處理操作，將所述的數據分為訓練數據和測試數據；根據風電機組的數據采集與監控系統采集的數據確定自聯想神經網絡模型的輸入和輸出節點數；

步驟2：設置種群數量N，最大迭代次數M，并隨機生成N個個體作為初始種群，采用實數編碼的方法對自聯想神經網絡的權值和閾值進行編碼，每個個體包含自聯想神經網絡的全部權值、閾值以及每個個體的位置信息；

步驟3：對每個個體解碼獲取自聯想神經網絡的權值、閾值；訓練自聯想神經網絡，計算個體適應度值；

步驟4：依據適應度值對個體降序排列，然后按照改進的選擇算子對種群中的個體進行選取，除了精英保留策略選取的個體外，對其余選中個體的自適應交叉概率和自適應變異概率進行交叉和變異操作；

步驟5：判斷適應度值是否達到最大進化代數，若滿足，則輸出最優個體，否則進入步驟3；

步驟6：解碼最優個體，并將權閾值信息賦予自聯想神經網絡的參數空間，進行參數微調訓練，然后將測試數據輸入自聯想神經網絡模型中，獲得殘差數據及其分布信息，對殘差進行分析，驗證算法的準確性及效率。

2.根據權利要求1所述的診斷風機故障的方法，其特征在于：所述步驟4選擇算子公式的方法如下：

1)確定一個初始種群，依據適應度函數計算每個個體的適應度值；

2)按照適應度值的大小將種群中的個體降序排序；

3)根據當前迭代次數和總迭代次數，確定保留優秀個體的數量n，余下的個體使用輪盤賭法選擇，然后將選出的個體進行交叉和變異操作；

保留優秀個體的數量n的計算公式如下：

式中，P為需要選出的優秀個體占總體的最大比例，N為種群個體總數，x_max為最大進化代數，n為優秀個體數量，x為進化代數，e為自然對數的底數；

4)進行精英保留操作；比較上一代和本代最優的個體，選出適應度最高的個體作為本代最優個體，并替換本代最差個體。

3.根據權利要求2所述的診斷風機故障的方法，其特征在于：所述適應度函數為適合風機變槳系統故障診斷的適應度函數，所述步驟3設計適應度函數的方法如下：

選取自聯想神經網絡的輸出值與期望輸出值y之差的絕對值作為目標函數J_m；取目標函數的倒數作為適應度函數；J_m目標函數的計算公式為：

式中，m為自聯想神經網絡輸出節點數；

在現有遺傳算法適應度函數的基礎上加入自聯想神經網絡的接收者操作特征曲線ROC下方的面積AUC值；

適應度函數f(x_i)計算公式為：

式中，ζ為一個極小值，防止分母為0，k為調節系數,f(x_i)為改進的適應度函數；J_m為目標函數，AUC為接收者操作特征曲線ROC下方的面積；

將個體解碼賦給自聯想神經網絡AANN的權值、閾值，再輸入訓練數據，可求出接收者操作特征曲線ROC下方的面積AUC值。

4.根據權利要求1所述的診斷風機故障的方法，其特征在于：所述步驟6中，使用庫爾貝克-萊布勒(KL)散度的變體詹森-山農(JS)散度分析殘差數據及其分布，詹森-山農(JS)散度是庫爾貝克-萊布勒(KL)散度的變體，其中庫爾貝克-萊布勒(KL)散度的計算公式為：

將風機故障診斷得到的殘差范圍分成n等份，統計落入每個殘差區間中殘差的個數，得到殘差的概率分布p(x_i)＝x_i/s_p、q(x_i)＝x_i/s_q；其中p(x_i)為變槳系統正常運行時殘差落入區間i的比率，s_p為變槳系統正常運行時所有區間的殘差個數；q(x_i)為故障時刻殘差落入區間i的比率，s_q為故障時刻所有區間的殘差個數，x_i為落入第i個區間的殘差個數，n為模型輸出的殘差范圍等分區間的個數，i為模型輸出殘差的第i個區間；

相較于庫爾貝克-萊布勒(KL)散度，詹森-山農(JS)散度對相似度的判別更加準確，詹森-山農(JS)散度的計算公式JS(p||q)如下：

式中，p為數據的真實分布，q為數據的擬合分布。