CN107725283B - 一种基于深度信念网络模型的风机故障检测方法 - Google Patents
一种基于深度信念网络模型的风机故障检测方法 Download PDFInfo
- Publication number
- CN107725283B CN107725283B CN201710845180.7A CN201710845180A CN107725283B CN 107725283 B CN107725283 B CN 107725283B CN 201710845180 A CN201710845180 A CN 201710845180A CN 107725283 B CN107725283 B CN 107725283B
- Authority
- CN
- China
- Prior art keywords
- model
- value
- belief network
- fan
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 4
- 208000024891 symptom Diseases 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 125000004432 carbon atom Chemical group C* 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000013179 statistical model Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 230000003044 adaptive effect Effects 0.000 abstract description 9
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 238000007664 blowing Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005476 size effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/84—Modelling or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于深度信念网络模型的风机故障检测方法，它是采用深度信念网络建立风机流量预测模型，通过选择与风机流量相关的状态参数作为模型的输入变量，对风机的流量进行预测。深度信念网络由多层连续型限制玻尔兹曼机连续型限制玻尔兹曼机堆叠而成，并采用自适应步长方法加速算法训练过程。此外，根据滑动窗口计算残差分布特性，当残差的均值或标准差超过阈值时，发出报警。本发明能够准确预测风机流量，同时能够检测出风机异常工作状态，实现对风机的故障检测。
Description
技术领域
本发明属于热工自动控制领域，涉及了一种风机故障检测方法。
背景技术
风机对于保障整个发电系统的安全可靠运行至关重要，是机组运行过程中需要重点监控的设备。
随着电网对于调峰容量的需求和发电机组装机容量不断增加，风机常处于高参数、振动大、工作条件差和快速调节负荷的运行状态，风机运行的可靠性降低，故障率增加。此外，风机结构复杂，系统非线性强，很难建立设备的精确解析数学模型。
随着机器学习的发展，采用智能算法对设备进行故障检测高速发展。神经网络和支持向量机是两种较为成熟的算法，但传统的神经网络训练方法复杂，容易陷入局部最优。支持向量机对于大规模样本训练难以实施，它要求求解不等式约束下的二次规划问题，运算时间长。
发明内容
为了解决上述背景技术提出的技术问题，本发明旨在提供一种基于深度信念网络模型的风机故障检测方法，能够检测出风机的异常工作状态，提高风机运行的安全性、可靠性。
为了实现上述技术目的，本发明的技术方案为：
一种基于深度信念网络模型的风机故障检测方法，包括以下步骤：
(1)选择风机流量作为预测输出，确定与风机流量相关的状态参数作为模型的输入变量；所有数据的采样频率相同，对所有数据进行归一化处理，并将数据分为训练集和测试集，分别用于训练深度信念网络模型和验证该模型；
(2)确定模型的性能评价指标；
(3)建立深度信念网络模型的结构，并设计模型参数；所述深度信念网络模型由多层连续型限制玻尔兹曼机组成；
(4)采用自适应步长方法加速深度信念网络模型的训练过程；
(5)采用滑动窗口统计模型预测残差的均值和标准差；
(6)确定模型预测残差的均值和标准差的置信区间，通过训练集数据建立均值和标准差的阈值，当均值或标准差的置信区间超过阈值时，发出风机故障征兆报警；
(7)人为对输入变量进行偏移，模拟故障数据，对故障检测方法进行验证。
进一步地，在步骤(1)中，采用皮尔逊相关系数r衡量变量的相关性：
上式中，xi为风机流量的第i次采样值，yi为与风机流量相关的状态参数的第i次采样值，N为采样总数，分别是两组变量的平均值；
r的值越大表示两个变量的相关性越大，设定相关性阈值r0，选择r值超过r0的状态参数作为输入变量。
进一步地，在步骤(2)中，包含三个方面的性能评价指标，第一个方面是平均绝对值误差MAE，第二个方面是预测输出与实际输出的拟合度R，第三个方面是预测趋势的准确性DA：
上式中，yi是第i次实际输出，y′i是第i次模型预测输出，N为采样总数。
进一步地，在步骤(3)中，确定深度信念网络模型的最佳隐藏层结构的步骤如下：
(a)对9输入结点、单隐藏层和一个输出结点的结构进行试验，根据步骤(2)中的性能评价指标选择第一层隐藏层结点数n1；
(b)第一层隐藏层结点数设为n1，研究第二层隐藏层结点数对于预测性能的影响，根据性能评价指标选择第二层隐藏层结点数n2；
(c)前两层隐藏层结点数分别设为n1,n2，研究第三层隐藏层结点数对于预测性能的影响，根据性能评价指标选择第三层隐藏层结点数；
(d)依此类推，选择第四、五、六层隐藏层结点数；
(e)将步骤(a)-(d)中不同隐藏层结构的预测性能进行比较，确定最佳隐藏层结构。
进一步地，在步骤(3)中，设sj是模型的隐藏单元输出，si是可视单元的状态值。
其中：
上式中，μ是一个常数，Nj(0,1)代表均值为0方差为1的高斯随机变量，wij为隐藏层与可视层之间的权值，是激活函数，在θH和θL处有渐近线，噪声控制参数aj控制的斜率，从而控制单元概率分布的性质；
权值更新值Δwij和噪声控制参数更新值Δaj由下式计算：
Δwij＝ηwij(<sisj>data-<sisj>model)
上式中，ηwij和ηaj分别为权值wij和噪声控制参数aj的学习率，<>data和<>model代表训练数据和模型概率分布的期望。
进一步地，在步骤(4)中，当前后两次更新有着相同的方向时，对应的步长增加，当前后两次更新方向相反时，对应的步长减小，通过自适应改变步长，减小学习过程中由于学习率过大造成的振荡；采用下式对学习率ηwij和ηaj进行更新：
上式中，u>1，代表步长的增量因子，d<1，代表步长的减量因子，<>0代表上一次更新状态值的期望，<>1代表本次更新状态值的期望，和代表上一次更新时采用的学习率。
进一步地，在步骤(5)中，设某段时间内基于深度信念网络模型的风机流量预测残差序列为：
εGT＝[ε1,ε2...εM...]
对该序列取一个宽度为M的滑动窗口，对窗口内连续的M个残差计算均值和标准差：
上式中，为均值，St为标准差。
进一步地，在步骤(6)中，均值和标准差在置信度为1-α的置信区间分别为：
上式中，tα/2和分别为t分布和χ2分布的α/2的分位点，α为显著性水平；
所述均值和标准差的阈值分别为：
EY＝±k1EV
SY＝k2SV
上式中，EY和SY分别为均值和标准差的阈值，EV为残差均值绝对值的最大值，SV为残差标准差的最大值，k1和k2为人为设定的系数。
采用上述技术方案带来的有益效果：
本发明采用深度信念网络(Deep Belief Learning,DBN)建立风机流量预测模型，通过选择与风机流量相关的状态参数作为模型的输入变量，对风机的流量进行预测。此外，根据滑动窗口计算残差分布特性，当残差的均值或标准差超过阈值时，发出报警。本发明能够准确预测风机流量，同时能够检测出风机异常工作状态，实现对风机的故障检测。
附图说明
图1为本发明的CRBM结构图；
图2为本发明的DBN结构图；
图3为本发明深度信念网络学习过程流程图；
图4为本发明深度信念网络结构设计流程图；
图5为实施例中隐藏层层数对于平均相对误差的影响图；
图6为实施例中隐藏层层数对于预测趋势准确率的影响图；
图7为实施例中隐藏层层数对于拟合度的影响图；
图8为实施例中不同算法预测精度对比图；
图9为实施例中自适应步长与固定学习率重构误差对比图；
图10为实施例中滑动残差窗口示意图；
图11为实施例中风机训练集数据残差滑动窗口统计特性图；
图12为实施例中风机出口压力偏移后深度信念网络预测效果图；
图13为实施例中风机出口压力偏移后残差滑动窗口统计特性图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明提出了一种基于深度信念网络模型的风机故障检测方法，采用深度信念网络对于风机状态参数进行建模，该深度信念网络由多层连续型限制玻尔兹曼机组成，并采用自适应步长技术，加速深度信念网络的训练过程，能够准确预测风机流量。采用滑动残差窗口分析预测残差的统计特性，当残差的均值或标准差超过阈值时，发出报警信息。实现风机故障检测的具体步骤如下。
步骤1：选择风机流量作为预测输出，确定与风机流量相关的状态参数作为模型的输入变量。采用皮尔逊相关系数衡量变量的相关性，如公式(1)所示：
其中，是两组变量的平均值，xi和yi代表采样值。相关性与相关系数的值成正比。选择与流量相关性较大的状态参数作为输入变量，所有数据的采样频率相同，对所有数据进行归一化处理，并将数据分为训练集和测试集，分别用于训练模型和对模型进行验证。
步骤2：确定性能评价指标。从三个方面评价预测精度，第一个方面是预测误差评价：平均绝对值误差(Mean Absolute Error,MAE)，第二个方面是预测输出与实际输出的拟合度(R-squared,R)，第三个方面是预测趋势的准确性(Direction Accuracy,DA)，公式如(2)-(4)所示：
其中yi是实际输出，y′i是预测输出。
步骤3：深度信念网络算法的结构和参数设计。本发明中深度信念网络(DBN)由多层连续型限制玻尔兹曼机(CRBM)组成，CRBM的基本学习规则与限制性玻尔兹曼机(RBM)的基本学习规则相似。CRBM的结构如图1所示，DBN的结构如图2所示。不同之处在于RBM的二进制单位被替换为连续随机单元，并将零均值高斯噪声加到S形激活函数的输入端。如式(5)所示，sj是隐藏单元输出，si是可视单元的状态值。
其中：
其中μ是一个常数，Nj(0,1)代表均值为0方差为1的高斯随机变量，是激活函数，在θH和θL处有渐近线。参数a控制的斜率，从而控制单元概率分布的性质。改进后的CRBM是从一种无噪声-确定性模型转换到可控噪声-随机性模型。权值更新值Δwij和噪声控制参数更新值Δaj由式(7)、(8)计算：
Δwij＝ηwij(<sisj>data-<sisj>model) (3)
其中，每一对隐藏层和可视层的之间的权值wij和噪声控制参数aj分别采用独立的学习率ηwij和ηaj，<>data和<>model代表训练数据和模型概率分布的期望。为减少计算量，与RBM采用相同的采样方法，通过一次对比散度采样近似模型概率分布期望。
确定深度信念网络算法的相关参数，包括隐藏层层数、隐藏层单元数、动量、常数μ渐近线θH和θL等，由于本发明采用了自适应学习率，因此不需要对学习率进行选择，降低训练的复杂度。具体步骤如图3、4所示：
①对9输入结点，单隐藏层和一个输出结点的结构进行试验，根据3项预测评价指标选择第一层隐藏层结点数n1；
②第一层隐藏层结点数设为n1，研究第二层隐藏层结点数对于预测性能的影响，根据评价指标选择第二层隐藏层结点数n2；
③前两层隐藏层结点数分别设为n1,n2，研究第三层隐藏层结点数对于预测性能的影响，选择第三层隐藏层结点数；
④方法如上所述，选择第四、五、六层隐藏层结点数；
⑤将步骤①-④中不同隐藏层结构的预测性能进行比较，确定最佳隐藏层结构。
步骤4：本发明采用自适应步长方法加速深度信念网络训练过程每一步迭代计算中，对每一对隐藏层和可视层的之间的权值wij和噪声控制参数aj，采用独立的学习率，在每一次的迭代计算中，对学习率进行更新，公式如(9)(10)所示：
其中u>1，代表步长的增量因子，d<1代表步长的减量因子，<>0代表上一次更新状态值的期望，<>1代表本次更新状态值的期望，和代表上一次更新时采用的学习率。当两次更新有着相同的方向时，对应的步长增加。当两次更新方向相反时，步长减小，通过改变步长，可以减小学习过程中由于学习率过大造成的振荡。该方法的实质在于寻找最优的步长，避免陷入局部最优，同时加快了学习的速率。
步骤5：采用滑动窗口统计预测残差的均值和标准差。对于正常工作空间的某些特定点，预测精度比其它点差，可能会出现一些孤立的残差较大的点，这些孤立点并不是风机故障的征兆，通过选择合理的滑动窗口宽度，既能及时反应残差统计特性的连续变化，又能消除随机因素的影响，提高故障检测的可靠性，降低误报警的几率。
在某段时间内，基于连续RBM深度信念网络模型的风机流量预测残差序列为：
εGT＝[ε1,ε2...εN...] (11)
对该序列，取一个宽度为N的滑动窗口。对窗口内连续的N个残差计算其均值和标准差：
步骤6：确定残差或标准差的置信区间。由于非参数模型在对输出进行预测时存在一定的不确定性，本发明认为残差服从均值和方差未知的正态分布，在计算滑动窗口中残差序列的均值和标准差时，需要给出置信度为1-α的置信区间，均值和标准差的置信度为1-α的置信区间分别为：
tα/2和分别为t分布和χ2分布的α/2的分位点。通过训练集数据建立均值或标准差阈值，记验证序列的残差均值绝对值最大值为EV，标准差的最大值为SV，则风机故障征兆诊断的阈值标准为：
EY＝±k1EV (5)
SY＝k2SV (6)
式中k1和k2可以由现场运行人员根据运行经验参与确定当均值或标准差置信区间超过阈值时，发出风机故障征兆报警。
步骤7：人为对输入变量进行偏移模拟故障数据，对故障检测方法进行验证。
实施例：
选择风机状态检测的数据。选择流量作为预测向量，需确定与风机流量相关的风机参数作为观测向量中的建模变量。通过皮尔逊相关系数衡量变量相关性，风机各状态参数和风量信号的皮尔逊相关系数如表1所示。
表1
| 参数名称 | 皮尔逊相关系数 |
| 风机出口压力 | 0.9592 |
| 风机电流(硬接线) | 0.8399 |
| 电机线圈温度 | 0.7351 |
| 电机传动端轴承温度 | 0.6467 |
| 电机自由端轴承温度 | 0.6243 |
| 风机出口空气温度 | 0.6169 |
| 风机振动 | 0.5493 |
| 轴承温度 | 0.4827 |
| 风机进口空气温度 | 0.4430 |
| 风机供油温度 | 0.1989 |
| 风机油箱温度 | 0.1004 |
根据计算结果，选择相关性系数较大的风机出口压力、电流、电机线圈温度、传动段轴承温度、自由端轴承温度、轴承温度、风机出口空气温度、进口空气温度以及风机振动作为输入数据，将数据集分为训练集和测试集，分别占60％和40％，所有数据归一化到[0,1]。
设置深度信念网络的结构，首先确定第一层隐藏层网络结点数，隐藏层结点数对于风机流量预测性能的影响如表2所示。性能评价指标为10次实验的平均值。从表2中可以看出，除趋势准确率DA外，根据性能评价指标MAE，R，单隐藏层结点为5时，风量预测性能最好，指标分别为：0.0295，0.9906。因此选择第一隐藏层极点数为5。
第二步确定第二层隐藏层结点数目，实验结果如表3所示。从表中可以看出，当第二层结点数为13时，除DA外，其他评价指标达到最佳。两层隐藏层模型各项指标MAE，DA，R的均值分别为0.0291，0.4684和0.9919，均优于单隐藏层模型指标。
第三步确定第三层隐藏层结点数目。实验结果如表4所示。当第三隐藏层结点数为19时，除DA外，各评价指标达到最优。对三种隐藏层结构进行对比，采用三层隐藏层效果最好，两层隐藏层其次，单层隐藏层效果最差。三层隐藏层模型3种评价指标MAE，DA，R分别为0.0271，0.4690和0.9926。
表4
为进一步分析隐藏层层数对于预测性能的影响，本实施例分别采用4，5和6层隐藏层进行实验，结果如图5-7所示。随着隐藏层层数增加，MAE的均值和最小值均先减少，在隐藏层层数为3时达到最小，接着随着隐藏层层数的增加而增大。评价指标DA和R在隐藏层层数为3时，均值和最优值均达到最大值，随着隐藏层层数进一步增加，DA和R值有所减小。隐藏层层数为3时，各项指标最小值和均值达到最优。综上所述，本文选择3层隐藏层结构，第一层隐藏层单元数为5，第二层隐藏层单元数为13，第三层隐藏层单元数为19，输入结点为9，输出结点为1。
除隐藏层层数和单元数以外，还需确认公式(5)中的常数μ。通过大量的试验，本实施例最终选择μ＝0.5。同时，边界θH和θL。通过训练集的最小值和最大值决定，因此本实施例中θH＝1和θL＝0。
深度信念网络模型的验证与比较将该模型与多元线性回归MLR，神经网络BPNN和支持向量机SVM模型进行比较，进一步验证模型性能，数据集为测试集。三种模型的最优结构参数如下所述：MLR有9个独立变量，采用标准最小二乘法(OLS)来学习训练数据；BPNN采用三层网络，一层输入，一层输出和一层隐藏层，结点数分别为9,1,7，隐藏层激活函数采用sigm函数，输出层激活函数采用tanh函数，采用梯度下降算法；SVM模型采用径向基核函数。每种算法重复10次，对它们的预测均值进行比较。
图8为四种模型预测风量与实际风量的对比。从图中可以看出4种算法模型都能够预测风量。从图8中可以看出MLR相较于其他三种算法，预测性能较差。本发明通过量化数据进一步比较四种算法的预测性能，如表5所示。从表中可以看出，DBN预测精度均高于其它三种算法。这表明DBN模型可以更加准确地预测风机风量，这是因为该模型在无监督预学习和监督学习过程中有更高阶网络架构，能够学习风量和其它输入信号之间高度复杂的非线性关系。非线性模型BPNN，SVM，DBN的各项预测精度均高于线性模型MLR，说明非线性模型可以更精确的提取数据的特征。为验证四种模型的泛化性能，本文统计了四种模型对训练集和测试集的各项预测精度之差，如表6所示。从表中可以看出，从训练集到测试集，DBN各项预测精度的变化最小，说明该模型具有很好的稳定性和泛化性能。
验证自适应步长技术。图9是自适应步长与固定学习率重构误差MAE,MRE,RMSE的比较。自适应步长效果均优于三种固定学习率，与本文的预期一致。四种情况迭代收敛后的重构误差如表7所示，从表7中可以看出，自适应步长重构误差最小，随着学习率的增加，重构误差有所增大，同时误差的振荡增加。当学习率为固定值0.4和0.7时，在开始阶段重构误差下降较快，但收敛后的误差较大。自适应步长与固定学习率(γ＝0.1,γ＝0.4,γ＝0.7)达到重构误差收敛的迭代次数分别为14，40，107，411次，同时通过自适应步长技术，不需要再寻找最佳学习率，初始学习设置不当时，对于可视层的重构，重构误差的收敛和训练精度都有很大影响。
表7
| 学习率 | MAE |
| 自适应步长 | 0.1337 |
| 0.1 | 0.1413 |
| 0.4 | 0.1476 |
| 0.7 | 0.1554 |
风机流量的预测残差分析对训练集残差序列采用滑动窗口统计方法确定风机工作异常检测时所需的均值和标准差的阈值。本文中滑动窗口宽度为N＝100，滑动残差窗口如图10所示。训练集滑动窗口均值与标准差的变化趋势如图11所示。由图11得到上限EV1＝0.0322，下限EV2＝-0.0414，SV＝0.0580，本发明中取k1＝1.5，k2＝1，则风机故障报警阈值的EY2＝-0.0621，EY1＝0.0484，SY＝0.0580。
验证深度信念网络模型检测风机故障数据有效性，人为模拟风机故障时导致风机流量变化的情况。对1600个测试集数据从第1501个点开始对风机出口压力变量人为加入步距为0.01的累积压力偏移。故障模拟的DBN模型预测和残差如图12所示。从图中可以看出，风机预测流量与实际流量之间的偏差在1500点处有明显的增加。测试集风机出口压力偏移后，残差的统计特性如图13所示。从图13中可以看出，残差均值在第1446个滑动窗口，置信区间上限超过阈值，即在第1446+100＝1546点，检测出流量异常，由此可以看出，当由于故障导致风机的动态特性改变时，DBN模型能够有效检测故障发出报警信息。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (8)
1.一种基于深度信念网络模型的风机故障检测方法，其特征在于，包括以下步骤：
(1)选择风机流量作为预测输出，确定与风机流量相关的状态参数作为模型的输入变量；所有数据的采样频率相同，对所有数据进行归一化处理，并将数据分为训练集和测试集，分别用于训练深度信念网络模型和验证该模型；
(2)确定模型的性能评价指标；
(3)建立深度信念网络模型的结构，并设计模型参数；所述深度信念网络模型由多层连续型限制玻尔兹曼机组成；
(4)采用自适应步长方法加速深度信念网络模型的训练过程；
(5)采用滑动窗口统计模型预测残差的均值和标准差；
(6)确定模型预测残差的均值和标准差的置信区间，通过训练集数据建立均值和标准差的阈值，当均值或标准差的置信区间超过阈值时，发出风机故障征兆报警；
(7)人为对输入变量进行偏移，模拟故障数据，对故障检测方法进行验证。
2.根据权利要求1所述基于深度信念网络模型的风机故障检测方法，其特征在于：在步骤(1)中，采用皮尔逊相关系数r衡量变量的相关性：
上式中，xi为风机流量的第i次采样值，yi为与风机流量相关的状态参数的第i次采样值，N为采样总数，分别是两组变量的平均值；
r的值越大表示两个变量的相关性越大，设定相关性阈值r0，选择r值超过r0的状态参数作为输入变量。
3.根据权利要求1所述基于深度信念网络模型的风机故障检测方法，其特征在于：在步骤(2)中，包含三个方面的性能评价指标，第一个方面是平均绝对值误差MAE，第二个方面是预测输出与实际输出的拟合度R，第三个方面是预测趋势的准确性DA：
上式中，yi是第i次实际输出，y′i是第i次模型预测输出，N为采样总数。
4.根据权利要求1所述基于深度信念网络模型的风机故障检测方法，其特征在于：在步骤(3)中，确定深度信念网络模型的最佳隐藏层结构的步骤如下：
(a)对9输入结点、单隐藏层和一个输出结点的结构进行试验，根据步骤(2)中的性能评价指标选择第一层隐藏层结点数n1；
(b)第一层隐藏层结点数设为n1，研究第二层隐藏层结点数对于预测性能的影响，根据性能评价指标选择第二层隐藏层结点数n2；
(c)前两层隐藏层结点数分别设为n1,n2，研究第三层隐藏层结点数对于预测性能的影响，根据性能评价指标选择第三层隐藏层结点数；
(d)依此类推，选择第四、五、六层隐藏层结点数；
(e)将步骤(a)-(d)中不同隐藏层结构的预测性能进行比较，确定最佳隐藏层结构。
5.根据权利要求1所述基于深度信念网络模型的风机故障检测方法，其特征在于：在步骤(3)中，设sj是模型的隐藏单元输出，si是可视单元的状态值。
其中：
上式中，μ是一个常数，Nj(0,1)代表均值为0方差为1的高斯随机变量，wij为隐藏层与可视层之间的权值，是激活函数，在θH和θL处有渐近线，噪声控制参数aj控制的斜率，从而控制单元概率分布的性质；
权值更新值Δwij和噪声控制参数更新值Δaj由下式计算：
Δwij＝ηwij(<sisj>data-<sisj>model)
上式中，ηwij和ηaj分别为权值wij和噪声控制参数aj的学习率，<>data和<>model代表训练数据和模型概率分布的期望。
6.根据权利要求5所述基于深度信念网络模型的风机故障检测方法，其特征在于：在步骤(4)中，当前后两次更新有着相同的方向时，对应的步长增加，当前后两次更新方向相反时，对应的步长减小，通过自适应改变步长，减小学习过程中由于学习率过大造成的振荡；采用下式对学习率ηwij和ηaj进行更新：
上式中，u>1，代表步长的增量因子，d<1，代表步长的减量因子，<>0代表上一次更新状态值的期望，<>1代表本次更新状态值的期望，和代表上一次更新时采用的学习率。
7.根据权利要求1所述基于深度信念网络模型的风机故障检测方法，其特征在于：在步骤(5)中，设某段时间内基于深度信念网络模型的风机流量预测残差序列为：
εGT＝[ε1,ε2...εM...]
对该序列取一个宽度为M的滑动窗口，对窗口内连续的M个残差计算均值和标准差：
上式中，为均值，St为标准差。
8.根据权利要求7所述基于深度信念网络模型的风机故障检测方法，其特征在于：在步骤(6)中，均值和标准差在置信度为1-α的置信区间分别为：
上式中，tα/2和分别为t分布和χ2分布的α/2的分位点，α为显著性水平；
所述均值和标准差的阈值分别为：
EY＝±k1EV
SY＝k2SV
上式中，EY和SY分别为均值和标准差的阈值，EV为残差均值绝对值的最大值，SV为残差标准差的最大值，k1和k2为人为设定的系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710845180.7A CN107725283B (zh) | 2017-09-19 | 2017-09-19 | 一种基于深度信念网络模型的风机故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710845180.7A CN107725283B (zh) | 2017-09-19 | 2017-09-19 | 一种基于深度信念网络模型的风机故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107725283A CN107725283A (zh) | 2018-02-23 |
| CN107725283B true CN107725283B (zh) | 2019-05-21 |
Family
ID=61206623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710845180.7A Active CN107725283B (zh) | 2017-09-19 | 2017-09-19 | 一种基于深度信念网络模型的风机故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107725283B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108509634A (zh) * | 2018-04-10 | 2018-09-07 | 深信服科技股份有限公司 | 抖动故障监测方法、监测装置及计算机可读存储介质 |
| CN108334999B (zh) * | 2018-05-09 | 2024-02-27 | 山东交通学院 | 烟气热水型溴化锂制冷机组的故障预测方法及系统 |
| CN108918527A (zh) * | 2018-05-15 | 2018-11-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的印刷品缺陷检测方法 |
| CN110971321B (zh) * | 2018-09-29 | 2022-04-15 | 大唐移动通信设备有限公司 | 数据的干扰类型的确定方法、装置及设备 |
| CN109543743B (zh) * | 2018-11-19 | 2023-04-07 | 天津大学 | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 |
| CN110108457B (zh) * | 2019-04-18 | 2021-11-09 | 大唐东北电力试验研究院有限公司 | 一种基于万有引力神经网络的一次风机轴温诊断方法 |
| CN110067696B (zh) * | 2019-06-03 | 2020-05-19 | 浙江运达风电股份有限公司 | 一种风电机组载荷确定方法、装置、设备及可读存储介质 |
| CN110715808B (zh) * | 2019-09-25 | 2022-01-14 | 中车青岛四方机车车辆股份有限公司 | 故障检测方法及装置 |
| CN110689203A (zh) * | 2019-09-30 | 2020-01-14 | 国网山东省电力公司电力科学研究院 | 基于自编码器的火电厂一次风机故障预警方法 |
| CN110763997A (zh) * | 2019-11-04 | 2020-02-07 | 华北电力大学（保定） | 一种同步电机定子早期故障预警方法 |
| CN111064721A (zh) * | 2019-12-11 | 2020-04-24 | 中国科学院深圳先进技术研究院 | 网络流量异常检测模型的训练方法及检测方法 |
| CN111594996A (zh) * | 2020-05-29 | 2020-08-28 | 桂林电子科技大学 | 一种基于深度置信神经网络的变风量空调送风量的预测方法 |
| CN111929579B (zh) * | 2020-09-22 | 2021-02-09 | 北京京能能源技术研究有限责任公司 | 发电机在线故障诊断方法、设备及计算机设备 |
| CN112360702B (zh) * | 2020-11-16 | 2022-11-25 | 华能昌邑风力发电有限公司 | 一种振动数据的集中监测方法及装置 |
| CN112633558A (zh) * | 2020-12-08 | 2021-04-09 | 武汉理工大学 | 一种风机叶片结冰状态检测方法、装置及可读存储介质 |
| CN113297791B (zh) * | 2021-05-18 | 2024-02-06 | 四川大川云能科技有限公司 | 一种基于改进dbn的风功率组合预测方法 |
| CN113459867A (zh) * | 2021-07-19 | 2021-10-01 | 青岛科技大学 | 基于自适应深度置信网络的电动汽车充电过程故障预警方法 |
| CN113552855B (zh) * | 2021-07-23 | 2023-06-06 | 重庆英科铸数网络科技有限公司 | 工业设备动态阈值设定方法、装置、电子设备及存储介质 |
| CN113723634B (zh) * | 2021-08-30 | 2024-07-05 | 上海电气风电集团股份有限公司 | 故障变量确定方法、系统和可读存储介质 |
| CN113895272A (zh) * | 2021-10-15 | 2022-01-07 | 青岛科技大学 | 基于深度学习的电动汽车交流充电状态监测和故障预警方法 |
| CN114084024A (zh) * | 2021-12-27 | 2022-02-25 | 青岛科技大学 | 基于充电网的电动汽车大功率充电监控与多级预报警方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6553399B2 (ja) * | 2015-05-14 | 2019-07-31 | 株式会社日立製作所 | 演算システム、風力発電システム、又は、風車の余寿命又は疲労損傷量の算出方法 |
| WO2017142737A1 (en) * | 2016-02-17 | 2017-08-24 | Siemens Energy, Inc. | A prognostics and health management model for predicting wind turbine oil filter wear level |
| CN106499581B (zh) * | 2016-11-09 | 2019-02-22 | 南京理工大学 | 一种考虑变化湍流风况的风力机自适应转矩控制方法 |
| CN106593781A (zh) * | 2016-11-29 | 2017-04-26 | 上海电机学院 | 一种基于Android平台的风力发电机故障检测系统及方法 |
-
2017
- 2017-09-19 CN CN201710845180.7A patent/CN107725283B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107725283A (zh) | 2018-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107725283B (zh) | 一种基于深度信念网络模型的风机故障检测方法 | |
| CN112202736B (zh) | 基于统计学习和深度学习的通信网络异常分类方法 | |
| Yun et al. | A data-driven fault detection and diagnosis scheme for air handling units in building HVAC systems considering undefined states | |
| CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
| CN112926273B (zh) | 一种多元退化设备剩余寿命预测方法 | |
| CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
| CN101576443B (zh) | 基于灰色rbf神经网络的加速寿命试验寿命预测方法 | |
| Sedano et al. | A soft computing method for detecting lifetime building thermal insulation failures | |
| CN103413174A (zh) | 基于深度学习方法的短期风速多步预测方法 | |
| CN111415010A (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
| CN112364560A (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| CN116204779B (zh) | 一种判断储能盐穴运行状态的方法、系统及可读存储介质 | |
| CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
| Mao et al. | Comparative study on prediction of fuel cell performance using machine learning approaches | |
| CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
| CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
| CN110705186B (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
| CN114046816A (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
| CN110309586B (zh) | 基于ma-dbn的gis分解气体含量预测方法 | |
| CN110750756B (zh) | 通过最优支持向量机算法即时在线仪表校验和诊断方法 | |
| Ohunakin et al. | Conditional monitoring and fault detection of wind turbines based on Kolmogorov–Smirnov non-parametric test | |
| CN111798049B (zh) | 一种基于集成学习与多目标规划的电压稳定评估方法 | |
| CN114548701B (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |