CN111142020B - 通过多结构方式进行风力发电机故障诊断的方法和装置 - Google Patents
通过多结构方式进行风力发电机故障诊断的方法和装置 Download PDFInfo
- Publication number
- CN111142020B CN111142020B CN201911361946.XA CN201911361946A CN111142020B CN 111142020 B CN111142020 B CN 111142020B CN 201911361946 A CN201911361946 A CN 201911361946A CN 111142020 B CN111142020 B CN 111142020B
- Authority
- CN
- China
- Prior art keywords
- sample data
- data
- equal
- local linear
- linear structure
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及一种通过多结构方式进行风力发电机故障诊断的方法和装置。所述方法包括根据风力发电机在不同运行状态下的运行数据,构建原始数据空间;确定所述原始数据空间中任一样本数据的K近邻样本数据;基于所述任一样本数据的K近邻样本数据,分别利用第一方式和第二方式,得到两种任一样本数据与其对应的K近邻样本数据之间的局部线性结构;分别利用第三方式和第四方式将基于所述第一方式得到的局部线性结构和基于所述第二方式得到的局部线性结构进行结构融合,构造任一样本数据与其对应的K近邻样本数据之间的两种复合局部线性结构;基于构造样本数据的复合局部线性结构,得到所述样本数据的低维特征集合,将所述低维特征集合输入至支持向量机中,得到风力发电机的故障检测结果。
Description
技术领域:
本发明涉及一种风力发电机的故障检测方法及装置。
背景技术:
随着流形学习理论的逐步完善,流形学习被广泛应用于故障诊断领域。与传统的特征提取方法相比,流形学习是以整个数据集而非单一数据作为研究对象,能充够利用原始数据间的局部结构信息,但是流形学习在故障诊断中的应用依旧存在着诸多问题。其具体表现在现有的流形学习算法仅考虑了原始数据的单一结构,这使得原始样本数据的结构信息不能充分被利用,使得最终的低维特征集合不能准确地反映原始数据的本质特征,这严重影响了故障诊断精度。
发明内容:
为了解决背景技术中所提到的技术问题,本发明提供一种风力发电机故障检测方法及装置,利用该检测方法及装置能够增强所提取特征的显著性,提高最终故障识别的精度。该方法利用了两种不同的方法挖掘出了原始数据两种不同的局部线性结构,并基于该两种局部线性结构采用两种结构融合的方法构造了两种基于多种局部线性结构流形学习故障诊断方法。它通过在低维空间中保持该多种局部线性结构不变得到原始数据对应的低维特征集合。将得到的低维特征集合输入至支持向量机中,根据支持向量机的输出样本类别信息,对风力发电机故障进行检测。同时本发明给出了一种快速处理新增样本数据的方法,将新增的样本数据输入至能提取所述样本数据重要特征的反向传播神经网络中,根据该网络的输出信息实现快速提取所述样本数据的重要特征,将得到的重要特征输入至支持向量机中,根据支持向机的输出实现快速处理新增风力发电机故障的检测。
本发明所述风力发电机故障检测方法,包括如下步骤:
第一步,根据风力发电机在不同运行状态下的运行数据,构建原始数据空间,包括:
通过至少一种传感器采集风力发电机在不同运行状态下的运行数据;
根据预设周期,从每种传感器采集的运行数据中截取预设长度的运行数据;
对截取的预设长度的运行数据执行归一化处理,得到所述样本数据X,并基于所述样本数据形成所述原始数据空间;
其中,对运行数据执行归一化处理的表达式如式(1):
其中,N为选取的预设长度的运行数据的数目,也为得到的样本数据的组数;X为归一化后得到的样本数据的集合,以矩阵集合的方式表示,X={x1,x2,...,xN};i为大于或者等于1且小于或者等于N的整数;j表示样本数据的第j个特征,i为大于或者等于1且小于或者等于N的整数;xi表示第i个预设长度的运行数据;
第二步,按照式(2)找到与所述原始数据空间中任一样本数据距离最小的K组样本数据,确定为该样本数据的K近邻样本数据,K为大于零且小于样本数据总数的整数:
其中,dist(xi,xj)表示所述原始数据空间任意两组样本数据间的距离,xik和xjk分别表示所述原始数据空间中的样本数据xi和xj的第k个特征,k表示任一样本数据对应的特征,k为大于或者等于1且小于或者等于D的整数,D表示所述原始数据空间样本数据的维数,也为所述原始数据空间的特征组数;
第三步,基于第二步所获得的任一样本数据的K近邻样本数据,通过下列第一方式和第二方式,得到所述任一样本数据与对应的K近邻样本数据之间的第一种和第二种局部线性结构;
其中,所述通过第一方式得到任一样本数据与对应的K近邻样本数据之间的第一种局部线性结构,按照如下路径进行:
首先按照式(3)计算出任一样本数据的第一种局部结构:
式中i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本,数据的组数;K表示样本数据xi近邻点的组数,1≤K≤N;j为大于或者等于1且小于或者等于K的整数;w1ij表示样本数据xi的第一种局部线性结构;tr(.)表示迹函数,计算矩阵的迹;X表示所述原始样本数据;XT表示X的转置;M=(I-W)(I-W)T,I表示单位矩阵,W表示w1ij的集合,(I-W)T表示(I-W)的转置;
之后,采用最小二乘法利用式(4)求得式(3)的解:
W1=(ATA)-1ATx………式(4)
其中,x表示所述原始数据空间中的任一样本数据;A表示样本数据x的K近邻样本数据x1,x2,...,xK的集合;A={x1,x2...,xK};AT表示A的转置;(ATA)-1表示(ATA)的逆变换;W1表示基于第一方式确定的样本数据x和与其对应的K近邻样本数据之间的第一种局部线性结构;
所述通过第二方式得到任一样本数据与对应的K近邻样本数据之间的第二种局部线性结构,按照如下路径进行:
首先,按照式(5)计算出任一样本数据的第二种线性结构:
其中,i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;K表示所述任一样本数据近邻点的组数,1≤K≤N;w2ij表示样本数据xi的第二种局部线性结构;λ1、λ2表示非负调节参数;||w2ij||1表示w2ij的L1范数,表示w2ij的L2范数;tr(.)表示迹函数,计算矩阵的迹;X表示所述原始样本数据;XT表示X的转置;I表示单位矩阵;W2表示w2ij的集合;(I-W2)T表示(I-W2)的转置;
之后,利用式(6)和式(7)通过迭代方式计算求得式(5)中所述的第二种局部线性结构:
x=AW2+λ||W2||1………式(6)
W2(j+1)=W2(j)+γδ(j)………式(7)
其中,x表示原始数据空间中的样本数据;A表示样本数据x的K近邻样本数据x1,x2,...,xK的集合;A={x1,x2,...,xK};W2表示基于第二方式确定的样本数据x和与其对应的K近邻样本数据之间的第二种局部线性结构;W2(j)为第j次迭代得到的局部线性结构;γ为迭代步长;δ(j)为迭代方向;j为迭代次数,1≤j≤K;λ为调节系数,0≤λ≤1;
第四步,对第三步所获得的第一种局部线性结构和第二种局部线性结构,利用第三方式得到所述样本数据的第一复合局部线性结构,所述第三方式为按照式(8)执行加权求和处理;
W*=αW1+(1-α)W2………式(8)
其中,W1表示基于第一方式确定的样本数据x和与其对应的K近邻样本数据之间的第一种局部线性结构;W2表示基于第二方式确定的样本数据x和与其对应的K近邻样本数据之间的第二种局部线性结构;α表示两种局部线性结构的权重,0≤α≤1;W*为所述样本数据的第一复合局部线性结构;
第五步,按照式(9),对基于第四步所获得的第一复合局部线性结构进行处理,得到所述原始数据空间中样本数据的第一低维特征集合;
其中,yi表示原始数据空间中第i组样本数据对应的低维特征;i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;K表示所述任一样本数据近邻点的组数,1≤K≤N;表示第i组样本数据的第j个近邻点;j为大于或者等于1且小于或者等于K的整数;表示所述任一样本数据的第一复合局部线性结构;Y表示所述原始样本数据对应的低维特征集合;YT表示Y的转置;I表示单位矩阵;W*表示所述样本数据第一复合局部线性结构集合;tr(.)表示迹函数,计算矩阵的迹;
第六步,对第三步所获得的第一种和第二种局部线性结构,利用第四方式得到所述样本数据的第二复合局部线性结构,并基于得到的第二复合局部线性结构得到所述原始数据空间中样本数据的第二低维特征集合;所述第四方式为按照式(10)执行数据拟合:
其中,yi表示原始数据空间中第i组样本数据对应的低维特征;i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;K表示所述任一样本数据近邻点的组数,1≤K≤N;yj表示第i组样本数据的第j个近邻点;j为大于或者等于1且小于或者等于K的整数;表示所述样本数据的第二复合局部线性结构;Y表示所述原始数据空间中样本数据的第二低维特征集合;YT表示Y的转置;M=(I-W)(I-W)T;I表示单位矩阵;W表示所述样本数据第一种局部线性结构;(I-W)T表示(I-W)的转置;W2表示所述样本数据第二种局部线性结构;(I-W2)T表示(I-W2)的转置;β表示所述样本数据两种局部线性结构的权重,0≤β≤1;tr(.)表示迹函数,计算矩阵的迹;
第七步,任选第五步或第六步中所获得的低维特征集合之一,作为支持向量机的输入,通过支持向量机输出的信息进行风力发电机的故障检测。
进一步的,针对所述的一种风力发电机故障检测方法,增加优化步骤,即:
将第一步中所构建的原始数据空间中的样本数据作为反向传播神经网络的输入数据,任选第五步或第六步中所获得的低维特征集合之一,作为反向传播神经网络的输出数据;
按照所确定的输入数据和输出数据对所述反向传播神经网络结构进行权重训练,直至所获得的权重误差范围达到预期值,则确定该权重下的反向传播神经网络结构是能准确提取出所述原始样本数据的重要低位特征的反向传播神经网络,即训练完备的反向传播神经网络;将所述原始数据空间之外的新增的风力发电机故障数据输入至所述训练完备的反向传播神经网络中,根据所述训练完备的反向传播神经网络的输出结果得到新增风力发电机故障数据的低维特征集合;将所述新增风力发电机故障数据低维特征集合作为支持向量机的输入,根据支持向量机的输出信息进行风力发电机的故障检测。
为实现以上方法,给出一种风力发电机故障检测装置,包括:
采集模块,其用于采集风力发电机在不同运行状态下的运行数据,构建原始数据空间,所述原始数据空间包括多组基于所述运行数据确定的样本数据;
K近邻确定模块,其用于确定所述原始数据空间中任一样本数据的K近邻样本数据,K为大于零且小于样本数据总数的整数;
第一获得模块,其用于基于所述任一样本数据的K近邻样本数据,分别利用第一种方式和第二种方式,得到所述任一样本数据与其对应的K近邻样本数据之间的两种局部线性结构;
第二获得模块,其基于所述第一获得模块获得所述样本数据的两种局部线性结构分别利用第三方式和第四方式构造样本数据的两种复合局部线性结构,基于获得所述样本数据的两种复合局部线性结构得到所述原始数据空间中样本数据的两种低维特征集合;
检测模块,其用于将所述第二获得模块输出的低维特征集合输入至支持向量机中,通过支持向量机输出的类别信息得到风力发电机的故障检测结果。
本公开具有如下有益效果:与现有技术相比,本公开所述方法根据数据的特点,从多结构挖掘的角度出发,分别利用第一方式和第二方式得到所述数据的第一种局部线性结构和第二种局部线性结构,并利用第三方式和第四方式将两种样本数据的复合局部线性,基于样本数据的两种复合局部线性结构,得到所述原始数据对应的低维特征集合,使得到的低位特征中更多地保留了原始数据的特征,极大地提高故障检测的精度。
针对本公开提出的多结构局部线性流形学习故障诊断方法,它是以整个数据集为研究对象,同时从多结构挖掘的角度出发,使得最终的低维特征更多地保留了原始数据的本质特征,因此该方法适用于复杂的故障检测场景。此外,本公开提出的基于多结构流形学习的反向传播神经网络故障检测方法可以实现对新增风力发电机样本故障数据的特征提取,能显著提高风力发电机的故障检测效率。另外,本公开所述方法可以只对单一传感器采集的数据进行处理,降低了硬件成本。
附图说明:
图1为本公开所述风力发电机故障检测方法的流程图;
图2为图1中步骤S10的流程图;
图3为图1中步骤S20的流程图;
图4为图1中步骤S30的流程图;
图5为图1中步骤S40的流程图;
图6为图1中步骤S50的流程图;
图7为本公开所述风力发电机故障检测装置的构成框图;
图8示出为可实施本发明的一种电子设备的框图;
图9示出为可实施本发明的另一种电子设备的框图;
具体实施方式:
下面结合附图对本发明作进一步说明:
鉴于流形学习通过挖掘数据在高维空间中的局部线性几何结构,并在低维空间中保持该结构关系,实现对数据降维。因此,数据的局部几何结构对最终的降维结果至关重要。目前已有的流形学习研究成果中,大都采用单一的结构来描述数据间的局部几何关系,这就使得最终的低维特征无法全面地揭示出原始数据的内在本质属性,低维特征的可识别性较差。为此,本发明拟提供两种能够结合多种局部线性结构风力发电机特征提取方法,以实现对风力发电机运行状态的实时监测,其中可以采用两种不同的方式获得两种不同的局部线性结构,并采用两种不同的方式结合该两种局部线性结构得到原始数据空间中的样本数据对应的低维特征,通过该低维特征执行故障检测,可以提升故障检测的精确度。与现有技术相比,本发明具有较小的计算复杂度,且极大地降低了原始数据空间维数,适用于复杂的故障检测场景。
图1为本发明所述风力发电机故障检测方法的流程图,本种风力发电机故障检测方法可以用于检测任意类型的发电机的故障情况,例如风力发电机、水力发电机,或者其他任意类型的发电机,本公开对此不作具体限定。另外,本发明所述发电机故障检测方法的执行主体可以是任意的电子设备,例如,发电机故障检测方法可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该发电机的故障检测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示,所述风力发电机的故障检测方法可以包括:
S10:根据风力发电机在不同运行状态下的运行数据,构建原始数据空间,所述原始数据空间包括多组基于所述运行数据确定的样本数据;
在一些可能的实施方式中,风力发电机的运行状态可以包括正常状态、执行器故障状态、传感器故障状态中的至少一种。通过在发电机上或者发电机的各个器件上设置不同的传感器,可以检测发电机在不同运行状态下的运行数据。其中传感器可以实时的检测对应的运行数据。例如,运行数据可以包括浆距角、发电机转矩、发电机转动角速度以及转子角速度中的至少一种。对应的可以通过相应类型的传感器检测各运行数据。继而可以利用各运行数据得到多组样本数据,基于该做足样本数据构成原始数据空间。另外,本公开实施例中的相同组内的样本数据中的各运行数据为相同类型,不同组的样本数据中的运行数据的类型可以相同,也可以不同。
本公开实施例中,得到的各组样本数据可以构建原始数据空间,该原始数据空间可以表示为矩阵模型,其中每组样本数据可以表示为特征向量,通过该多组样本数据对应的特征向量可以构建矩阵模型。
S20:确定所述原始数据空间中任一样本数据的K近邻样本数据,K为大于零且小于样本数据总数的整数;
在一些可能的实施方式中,在得到原始数据空间中的多组样本数据的情况下,可以获得每组样本数据的近邻,本公开实施例可以为每组样本数据确定对应的K近邻,K大于或者等于1,小于等于N的整数。通过获得K近邻的方式可以选择出与每组样本数据对应的相似样本数据。本公开实施例可以根据样本数据之间的距离,确定上述K近邻样本数据,该距离可以为欧式距离,也可以是马氏距离,或者也可以为其他距离得到K近邻,如曼哈顿距离、测地线距离、闵可夫斯基距离以及皮尔逊系数中至少一种,本公开对此不作具体限定。
S30:基于所述任一样本数据的K近邻样本数据,分别利用第一方式和第二方式,得到所述任一样本数据与其对应的K近邻样本数据之间的两种局部线性结构;
在一些可能的实施方式中,可以利用不同方式得到样本数据和其对应的K近邻之间的局部线性结构,该局部线性结构可以为样本数据和对应的K近邻之间的权重。例如,如某个样本数据可以表示为x,其K近邻样本数据可以表示为A={x1,x2,...,xK},则x的结构为x=AW,W为样本数据x和其K近邻样本数据之间的第一种局部线性结构。x可以表示为样本数据的特征向量,其对应的K近邻样本数据即为矩阵,该矩阵的每一列为x的一个近邻样本数据。
本公开实施例中的第一方式可以为最小二乘法,第二方式可以为基于范数的LARS(最小角回归算法)算法。
S40:基于所述第一方式得到样本数据的第一种局部线性结构和所述第二方式得到的第二种局部线性结构,分别利用第三方式和第四方式得到两种样本数据的复合局部线性结构;
在一些可能的实施方式中,在分别通过第一方式得到样本数据与其K近邻样本数据对应的第一种局部线性结构,以及通过第二方式得到样本数据与其K近邻样本数据对应的第二种局部线性结构的情况下,采用第三方式将得到的所述样本数据的两种局部线性结构进行加权求和处理得到所述样本数据的第一种复合局部结构;与此同时,采用第四方式通过样本数据的两种相似性度量矩阵M与进行加权求和,得到所述样本数据的另一种复合局部结构;
S50:基于获得的样本数据的两种复合局部线性结构,对样本数据进行降维处理,得到样本数据的低维特征。
在一些可能的实施方式中,可以针对每个样本数据对应的重构的多种局部线性结构,得到相应样本数据的低维特征。通过低维特征描述各样本数据,可以剔除数据的冗余维度,揭示出数据的内在的本质特征,提高系统的诊断精度。
S60:基于所述低维特征得到风力发电机的故障检测结果。
即将获得的低维特征集合作为支持向量机的输入,通过支持向量机输出的类别信息进行风力发电机故障检测。所述支持向量机简称为SVM,具体路径包括:
首先,根据S40得到的低维特征任意选择出两种类别的数据构造SVM的输入训练样本集。其中,输入训练样本集表示为:
T={(y1,l1),...,(yk,lk),...,(yN,lc)}∈(Y,L)
其中,N表示SVM输入样本数目;k表示分类编号,且k=1,2,...,l,l表示类别编号数目;yk∈Y=Rd,d表示所述SVM输入样本数据的维度;lk∈L={-1,1}。
然后,通过训练SVM的输入,寻找一个最优超平面,使得这个超平面能够很好地解决二分类问题,按照式(11)的决策函数得到所述最优的超平面:
其中,yk∈y=Rd,y表示所述SVM输入的训练样本集;w*表示最终最优超平面的权值向量;表示w*的转置;b*表示最终的最优平面的偏置;αk表示拉格朗日因子,且αk>0;k表示分类编号,且k=1,2,...,l,l表示类编号数目;sgn(.)表示跃阶函数。
之后,根据输入测试样本yi,利用最优分类函数即可分辨两种数据的所属类别。从而实现对这两种风力发电机故障进行检测。
再后,将SVM输入的其他类别的低维特征也两两结合进行上述的三个步骤,直至完成所有的分类,根据样本所属类别检测出风力发电机的故障。
优选的,为了快速处理新增的故障数据,将新增的风力发电机故障数据输入至能提取所述样本数据重要特征的反向传播神经网络中,得到所述样本数据的低维特征集合,将该低维特征集合作为支持向量机的输入,根据支持向量机的输出得到风力发电机的故障检测结果。即在以上方案基础上形成一种基于反向传播神经网络的增量式风力发电机故障检测方法,可以将基于所述原始数据空间中样本数据作为反向传播神经网络的输入数据,将得到的低维特征集合作为反向传播神经网络的输出数据,之后,选择反向传播神经网络结构进行优化参数训练,直至得到一个达到预期值的反向传播神经网络,之后再将新增的风力发电机故障数据输入至上述反向传播神经网络中,将该反向传播神经网络的新的输出结果作为支持向量机的输入,根据支持向量机的输出信息可以实现风力发电机的故障检测。
具体路径如下:
1、反向传播神经网络模型的确定。
首先计算所述原始高维数据在时域和频域空间的特征作为神经元输入,其中,输入量包括所述高维数据的均值,方差,协方差,峭度等39个时频域特征量作为神经网络的输入层。神经网络的输出层个数为4,其中3个故障状态,1个正常状态。假设,此时隐含层个数的设置服从Gorman提出的隐含层结点数s与输入层节点数n的关系式(s=log2n),隐含层确定为4。故反向传播神经网络的结构确定为39-4-4。
2、反向传播神经网络的训练过程
(1)首先,确定隐含层输入的加权求和公式为:
式中,n表示输入层节点个数;μj表示BP神经网络隐含层的第j个输入加权和,j=1,2,...,r;r表示隐含层节点数;wij表示反向传播神经网络输入层到隐含层的权值;xi表示反向传播神经网络的输入。
(2)输出层的输出满足线性关系,所以反向传播神经网络的输出关系为:
式中,yk表示第k个分类输出,k=1,2,...,m;m表示输出层节点个数;表示BP神经网络隐含层到输出层的权值。
(3)反向传播神经网络训练终止条件
通过反复训练,设定一个相对合适的反向传播神经网络训练误差阈值,当反向传播神经网络的输出误差小于该阈值,停止网络的训练。其中,输出反向传播神经网络训练误差函数为
式中,N表示训练集中样本总数;tk表示第k个目标输出值,k=1,2,...,m。
3、反向传播神经网络的权值更新。
采用梯度下降法可以使误差函数极小化,可以使得BP神经网络在训练过程中,能较快、准确地对权值进行自我更新,进而达到对风力发电机故障的精确分类;
权值更新的过程如下:
隐含层和输出层的训练更新权值为式(15)和式(16)
4、利用反向传播神经网络处理新增风力发电机样本数据
将新增的风力发电机故障数据输入至上述的反向传播神经网络中,将神经网络输出的低维特征集合输入至支持向量机中,根据支持向量机的输出进行风力发电机的故障检测。
下面继续结合附图对本发明进行详细说明。图2示出步骤S10的流程图。其中,所述根据发电机在不同运行状态下的运行数据,构建原始数据空间,可以包括:
S101:通过至少一种传感器采集发电机在不同运行状态下的运行数据;
具体实施时可以采用一种传感器采集发电机在不同状态下的运行数据,或者也可以采用不同的传感器采集发电机在不同运行状态下的不同类型的运行数据。通过设置单一传感器可以减少硬件成本,通过设置多种传感器可以实现更全面的故障检测。
可以通过传感器实时的检测相应的运行数据,并实时存储。例如可以通过角度传感器检测发电机不同运行状态下的转动角速度,通过位移传感器检测发电机的转矩等,本公开对此不作具体限定,可以采用不同的传感器采集相应类型的运行数据。
S102:根据预设周期,从每种传感器采集的运行数据中截取预设长度的运行数据;
在一些可能的实施方式中,可以从每种运行数据中选择一个或多个预设长度的运行数据,或者可以周期性的截取多组预设长度的运行数据。其中预设长度可以为预先设置的值,如可以为10,也可以为5,预设周期和预设长度对应,本公开不作具体限定。
S103:对截取的预设长度的运行数据执行归一化处理,得到所述样本数据,并基于所述样本数据形成所述样本数据。
在一些可能的实施方式中,可以将截取的预设长度的运行数据直接作为样本数据,或者也可以将预设长度的运行数据进行归一化处理,得到相应的样本数据,并基于样本数据构成原始数据空间。
由于运行数据不同维度间的单位可能是不同的,这就导致了各维度实际数据有可能不在同一数量级上,直接对原始数据进行分析,很容易使得某些数量级较大的维度在分析中影响较大,而一些重要的小数值维度信息被忽略,影响了数据最终的处理结果。另外,大量的大数值数据的存在同时也会降低算法的计算速度。因此,在对原始运行数据分析之前,通常需要进行归一化处理,将各选取的运行数据统一在同一区域内。常用的数据归一化方法是利用数据中的最大值和最小值通过线性变换实现的,这种只依赖个别数据点的归一化方法受数据中的奇异值影响较大。本公开实施例引入向量的l2范数对数据进行归一化处理,具体计算公式如下:
其中,N为选取的预设长度的运行数据的数目,也为得到的样本数据的组数;X表示归一化后得到的样本数据的集合;xi表示所述任一样本数据;i,j均为大于等于1小于等于N的整数;xj为所述样本数据的第j个特征;由于所有预设长度的运行数据均参与了归一化过程中,可以降低个别异常数据的影响,提高了归一化算法的鲁棒性。
在得到多样样本数据的情况下,可以得到样本数据的K近邻。本公开实施例可以KNN算法是估计样本数据的局部区域范围,即估计每个样本数据的K近邻样本数据,其思想就是确定样本数据最近的K个样本数据构成了该样本数据的局部区域。图3示出根据本公开实施例的步骤S20的流程图。
其中,如图3所示,所述确定所述原始数据空间中任一样本数据的K近邻样本数据,包括:
S201:获得所述原始数据空间多组样本数据中任意两组样本数据之间的距离;
如上述实施例所述每组样本数据可以表示为向量形式,对应的可以将相应的向量之间的距离作为样本数据之间的距离,即可以得到每组样本数据与其余各样本数据之间的距离,如欧式距离,或者也可以采用其他距离,上述距离可以表示两个样本数据之间的相似度。距离越小,说明相似度越高。
S202:针对任一样本数据,将与所述任一样本数据之间的距离最小的K组样本数据,确定为所述任一样本数据的K近邻样本数据。
在一些可能的实施方式中,可以将与样本数据距离最小的K组样本数据作为样本数据的K近邻样本数据。即确定与每个样本数据最相似的K组样本数据。
在得到每组样本数据的K近邻样本数据的情况下,可以得到样本数据与K近邻样本数据之间的局部线性结构,该局部线性结构与K近邻样本数据之间的乘积可以为样本数据。对应的局部线性结构也可以表示向量,其中局部线性结构内的各数值表示K近邻样本数据中
每个样本数据对应的权重。图4示出根据本公开实施例的步骤S30的流程图。
S301:针对任一样本数据,利用第一方式可以为最小二乘法,得到任一样本数据的第一种局部线性结构,其表达是为:
W1=(ATA)-1ATx………式(4)
其中,x表示所述原始数据空间中的任一样本数据;A表示样本数据x的K近邻样本数据x1,x2,...,xK的集合;A={x1,x2...,xK};AT表示A的转置;(ATA)-1表示(ATA)的逆变换;W1表示基于第一方式确定的样本数据x和与其对应的K近邻样本数据之间的第一种局部线性结构;
S302:针对任一样本数据,利用第二方式可以为最小角回归算法,得到任一样本数据的第二种局部线性结构,其表达是为:
x=AW2+λ||W2||1………式(6)
W2(j+1)=W2(j)+γδ(j)………式(7)其中,x表
示原始数据空间中的任一样本数据;A表示样本数据x的K近邻样本数据x1,x2,....,xK的集合;A={x1,x2,....,xK};W2为x第二种局部线性结构;W2(j)为第j次迭代得到的局部线性结构;γ为迭代步长;δ(j)为迭代方向;j表示迭代次数;λ表示系数。
基于上述,本公开实施例可以得到基于最小二乘法以及稀疏变换的方式得到样本数据的局部线性结构,在利用不同方式得到的局部线性结构的情况下,可以获得两种复合局部线性结构。本公开实施例基于第一方式对应的局部线性结构以及第二方式对应的局部线性结构,分别利用第三方式和第四方式得到两种样本数据的复合局部线性结构,并利用获得的两种复合局部线性结构得到样本数据对应的低维特征。通过重构的复合局部线性结构可以融合两种方式得到的局部线性结构的信息,提高了原始数据结构信息的利用率。
图5示出根据本公开实施例中步骤S40的流程图。其中所述基于
所述第三方式得到的多种局部线性结构和所述第四方式得到所述样本数据的两种复合局部线性结构:
S401:对所述第一方式得到的局部线性结构和第二方式得到的局部线性结构执行加权求和处理,得到样本数据多种局部线性结构;
图6示出根据本公开实施例中步骤S50的流程图。其中所述基于所述获得样本数据的多种局部线性结构,得到所述原始数据空间中所述样本数据的低维特征;
S501:将第三种方式和第四种方式构造的权重矩阵进行特征值分解,将对应的特征值按从小到大排列;
S502:根据上述特征值的排序,选择最小的d个特征值对应的低维特征向量作为样本数据的低维特征集合;
如上述实施例所述,本公开实施例可以对第一方式和第二方式得到的局部线性结构进行结构融合,得到样本数据的第一种复合局部线性结构,其中结构融合的方式可以为对两个局部线性结构进行加权求和处理,即对于样本数据x,其与K近邻样本数据集合A之间重构的局部线性结构W可以表示为第一方式得到的局部线性结构W1,以及第二方式得到的局部线性结构W2之间的加权求和值。在其他实施方式中,也可以基于W1、W2之间的求和得到样本数据的复合局部线性结构,本公开对此不作具体限定。此外,我们还利用第四方式,基于第一方式和第二方式得到样本数据的局部线性结构W1和W2,分够构造对应的矩阵M和将M与进行加权求和处理,以构造所述样本数据的第二种复合局部线性结构;
在得到样本数据的复合局部线性结构的情况下,可以利用第五方式和第六方式,得到样本数据对应的低维特征,其中所述表达式为:
示原始数据空间中第i组样本数据的低维特征;i为大于或者等于1且小于或者等于N的整数;N为样本数据的总组数;yj表示第i组样本数据的第j个近邻点;j为大于或者等于1且小于或者等于K的整数;表示第一种局部线性结构与第二种局部线性结构的加权和;I表示单位矩阵;W*表示所述样本数的集合;(I-W*)T表示(I-W*)的转置;表示第四方式得到所述样本数据的复合局部线性线构;β表示两种局部线性构的权重;Y表示所述原始样本数据的低维特征集合,YT表示Y的转置;tr(.)表示矩阵的迹函数,用来计算矩阵的迹;另外,样本数据的低维特征的维度小于样本数据的维度。
通过上述实施方式,可以实现利用获得的多种局部线性结构得到所述原始样本数据的低维特征集合,通过挖掘原始数据的两种局部线性结构,,采用两种不同的方式构造结构融合,实现对所述原始样本数据低维显著特征的提取。并且通过低维特征描述各样本数据,可以剔除数据的冗余维度,揭示出数据的内在的本质特征,提高系统的诊断精度。
在本公开的其他实施方式中,也可以直接通过第一方式和第二方式得到的局部线性结构,得到样本数据的低维特征,例如本公开实施例可以利用第七方式,基于所述第一方式得到的局部线性结构和所述第二方式得到的局部线性结构,得到所述原始数据空间中所述样本数据的低维特征,其中所述第七方式包括:
其中,yi表示原始数据空间中第i组样本数据的低维特征,i为大于或者等于1且小于或者等于N的整数,N为样本数据的总组数,yj表示第i组样本数据的第j个K近邻,j为大于或者等于1且小于或者等于K的整数,w1ij表示基于第一方式确定局部线性结构中第i组样本数据和对应的K近邻之间的权重,w2ij表示基于第二方式确定局部线性结构中第i组样本数据和对应的K近邻之间的权重。
通过上述方式可以方便的结合两种局部线性结构,实现样本数据低维特征的确定。
图7示出根据本公开实施例的发电机故障装置的框图,如图5所示,所述故障检测装置包括:
采集模块,其用于采集风力发电机在不同运行状态下的运行数据,构建原始数据空间,所述原始数据空间包括多组基于所述运行数据确定的样本数据;
K近邻确定模块,其用于确定所述原始数据空间中任一样本数据的K近邻样本数据,K为大于零且小于样本数据总数的整数;
第一获得模块,其用于基于所述任一样本数据的K近邻样本数据,分别利用第一方式和第二方式,得到所述任一样本数据与其对应的K近邻样本数据之间的两种局部线性结构;
第二获得模块,其用于对所述第一获得模块获得的两种局部线性结构分别利用第三方式和第四方式构造样本数据的复合局部线性结构,基于获得的复合局部线性结构得到所述原始数据空间中样本数据的低维特征集合;
检测模块,其用于将所述第二获得模块输出的低维特征集合输入至支持向量机中,通过支持向量机输出的信息得到风力发电机的故障检测结果。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。所述电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。电子设备可以被提供为终端、服务器或其它形态的设备。
图8示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出可实施本发明的另一种电子设备的框图。例如,电子设备1900可以被提供为一服务器。参照图9,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
用于实现本发明的装置可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。其中,计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明所述操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
Claims (3)
1.一种通过多结构方式进行风力发电机故障诊断的方法,
包括如下步骤:
第一步,根据风力发电机在不同运行状态下的运行数据,构建原始数据空间,包括:
通过至少一种传感器采集风力发电机在不同运行状态下的运行数据;
根据预设周期,从每种传感器采集的运行数据中截取预设长度的运行数据;
对截取的预设长度的运行数据执行归一化处理,得到样本数据X,并基于所述样本数据形成所述原始数据空间;
其中,对运行数据执行归一化处理的表达式如式(1):
其中,N为选取的预设长度的运行数据的数目,也为得到的样本数据的组数;X为归一化后得到的样本数据的集合,以矩阵集合的方式表示,X={x1,x2,...,xN};i为大于或者等于1且小于或者等于N的整数;j表示样本数据的第j个特征,j为大于或者等于1且小于或者等于N的整数;xi表示第i个预设长度的运行数据;
第二步,按照式(2)找到与所述原始数据空间中任一样本数据距离最小的K组样本数据,确定为该样本数据的K近邻样本数据,K为大于零且小于样本数据总数的整数:
其中,dist(xi,xj)表示所述原始数据空间任意两组样本数据间的距离,xik和xjk分别表示所述原始数据空间中的样本数据xi和xj的第k个特征,k表示任一样本数据对应的特征,k为大于或者等于1且小于或者等于D的整数,D表示所述原始数据空间样本数据的维数,也为所述原始数据空间的特征组数;
第三步,基于第二步所获得的任一样本数据的K近邻样本数据,通过下列第一方式和第二方式,得到所述任一样本数据与对应的K近邻样本数据之间的第一种和第二种局部线性结构;
其中,所述通过第一方式得到任一样本数据与对应的K近邻样本数据之间的第一种局部线性结构,按照如下路径进行:
首先按照式(3)计算出任一样本数据的第一种局部结构:
式中,i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;K表示样本数据xi近邻点的组数,1≤K≤N;j为大于或者等于1且小于或者等于K的整数;w1ij表示样本数据xi的第一种局部线性结构;tr(.)表示迹函数,计算矩阵的迹;X表示所述原始样本数据;XT表示X的转置;M=(I-W)(I-W)T,I表示单位矩阵,W表示w1ij的集合,(I-W)T表示(I-W)的转置;
之后,采用最小二乘法利用式(4)求得式(3)的解:
W1=(ATA)-1ATx………式(4)
其中,x表示所述原始数据空间中的任一样本数据;A表示样本数据x的K近邻样本数据x1,x2,...,xK的集合;A={x1,x2...,xK};AT表示A的转置;(ATA)-1表示(ATA)的逆变换;W1表示基于第一方式确定的样本数据x和与其对应的K近邻样本数据之间的第一种局部线性结构;
所述通过第二方式得到任一样本数据与对应的K近邻样本数据之间的第二种局部线性结构,按照如下路径进行:
首先,按照式(5)计算出任一样本数据的第二种线性结构:
其中,i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;K表示所述任一样本数据近邻点的组数,1≤K≤N;w2ij表示样本数据xi的第二种局部线性结构;λ1、λ2表示非负调节参数;||w2ij||1表示w2ij的L1范数,表示w2ij的L2范数;tr(.)表示迹函数,计算矩阵的迹;X表示所述原始样本数据;XT表示X的转置;I表示单位矩阵;W2表示w2ij的集合;(I-W2)T表示(I-W2)的转置;
之后,利用式(6)和式(7)通过迭代方式计算求得式(5)中所述的第二种局部线性结构:
x=AW2+λ||W2||1 ………式(6)
W2(j+1)=W2(j)+γδ(j) ………式(7)
其中,x表示原始数据空间中的样本数据;A表示样本数据x的K近邻样本数据x1,x2,...,xK的集合;A={x1,x2,...,xK};W2表示基于第二方式确定的样本数据x和与其对应的K近邻样本数据之间的第二种局部线性结构;W2(j)为第j次迭代得到的局部线性结构;γ为迭代步长;δ(j)为迭代方向;j为迭代次数,1≤j≤K;λ为调节系数,0≤λ≤1;
第四步,对第三步所获得的第一种局部线性结构和第二种局部线性结构,利用第三方式得到所述样本数据的第一复合局部线性结构,所述第三方式为按照式(8)执行加权求和处理;
W*=αW1+(1-α)W2 ………式(8)
其中,W1表示基于第一方式确定的样本数据x和与其对应的K近邻样本数据之间的第一种局部线性结构;W2表示基于第二方式确定的样本数据x和与其对应的K近邻样本数据之间的第二种局部线性结构;α表示两种局部线性结构的权重,0≤α≤1;W*为所述样本数据的第一复合局部线性结构;
第五步,按照式(9),对基于第四步所获得的第一复合局部线性结构进行处理,得到所述原始数据空间中样本数据的第一低维特征集合;
其中,yi表示原始数据空间中第i组样本数据对应的低维特征;i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;K表示所述任一样本数据近邻点的组数,1≤K≤N;表示第i组样本数据的第j个近邻点;j为大于或者等于1且小于或者等于K的整数;表示所述任一样本数据的第一复合局部线性结构;Y表示所述原始样本数据对应的低维特征集合;YT表示Y的转置;I表示单位矩阵;W*表示所述样本数据第一复合局部线性结构集合;tr(.)表示迹函数,计算矩阵的迹;
第六步,对第三步所获得的第一种和第二种局部线性结构,利用第四方式得到所述样本数据的第二复合局部线性结构,并基于得到的第二复合局部线性结构得到所述原始数据空间中样本数据的第二低维特征集合;所述第四方式为按照式(10)执行数据拟合:
其中,yi表示原始数据空间中第i组样本数据对应的低维特征;i为大于或者等于1且小于或者等于N的整数;N表示所述原始数据空间的样本数据的组数;K表示所述任一样本数据近邻点的组数,1≤K≤N;yj表示第i组样本数据的第j个近邻点;j为大于或者等于1且小于或者等于K的整数;表示所述样本数据的第二复合局部线性结构;Y表示所述原始数据空间中样本数据的第二低维特征集合;YT表示Y的转置;M=(I-W)(I-W)T;I表示单位矩阵;W表示所述样本数据第一种局部线性结构;(I-W)T表示(I-W)的转置;W2表示所述样本数据第二种局部线性结构;(I-W2)T表示(I-W2)的转置;β表示所述样本数据两种局部线性结构的权重,0≤β≤1;tr(.)表示迹函数,计算矩阵的迹;
第七步,任选第五步或第六步中所获得的低维特征集合之一,作为支持向量机的输入,通过支持向量机输出的信息进行风力发电机的故障检测。
2.根据权利要求1所述的一种通过多结构方式进行风力发电机故障诊断的方法,其特征在于:
将第一步中所构建的原始数据空间中的样本数据作为反向传播神经网络的输入数据,任选第五步或第六步中所获得的低维特征集合之一,作为反向传播神经网络的输出数据;
按照所确定的输入数据和输出数据对所述反向传播神经网络结构进行权重训练,直至所获得的权重误差范围达到预期值,则确定该权重下的反向传播神经网络结构是能准确提取出所述原始样本数据的重要低位特征的反向传播神经网络,即训练完备的反向传播神经网络;
将所述原始数据空间之外的新增的风力发电机故障数据输入至所述训练完备的反向传播神经网络中,根据所述训练完备的反向传播神经网络的输出结果得到新增风力发电机故障数据的低维特征集合;
将所述新增风力发电机故障数据低维特征集合作为支持向量机的输入,根据支持向量机的输出信息进行风力发电机的故障检测。
3.一种风力发电机故障检测装置,其特征在于,包括:
采集模块,其用于采集风力发电机在不同运行状态下的运行数据,构建原始数据空间,所述原始数据空间包括多组基于所述运行数据确定的样本数据;
K近邻确定模块,其用于确定所述原始数据空间中任一样本数据的K近邻样本数据,K为大于零且小于样本数据总数的整数;
第一获得模块,其用于基于所述任一样本数据的K近邻样本数据,分别利用权利要求1第三步所述的第一种方式和第二种方式,得到所述任一样本数据与其对应的K近邻样本数据之间的两种局部线性结构;
第二获得模块,其基于所述第一获得模块获得所述样本数据的两种局部线性结构分别利用权利要求1中第四步所述的第三方式和权利要求1中第六步所述的第四方式构造样本数据的两种复合局部线性结构,基于获得所述样本数据的两种复合局部线性结构得到所述原始数据空间中样本数据的两种低维特征集合;
检测模块,其用于将所述第二获得模块输出的低维特征集合输入至支持向量机中,通过支持向量机输出的类别信息得到风力发电机的故障检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911361946.XA CN111142020B (zh) | 2019-12-26 | 2019-12-26 | 通过多结构方式进行风力发电机故障诊断的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911361946.XA CN111142020B (zh) | 2019-12-26 | 2019-12-26 | 通过多结构方式进行风力发电机故障诊断的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111142020A CN111142020A (zh) | 2020-05-12 |
CN111142020B true CN111142020B (zh) | 2021-11-23 |
Family
ID=70520150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911361946.XA Active CN111142020B (zh) | 2019-12-26 | 2019-12-26 | 通过多结构方式进行风力发电机故障诊断的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111142020B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005155384A (ja) * | 2003-11-21 | 2005-06-16 | Toyota Motor Corp | ターボチャージャを備える内燃機関の故障診断装置 |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
CN104215456A (zh) * | 2014-08-20 | 2014-12-17 | 昆明理工大学 | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
-
2019
- 2019-12-26 CN CN201911361946.XA patent/CN111142020B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005155384A (ja) * | 2003-11-21 | 2005-06-16 | Toyota Motor Corp | ターボチャージャを備える内燃機関の故障診断装置 |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
CN104215456A (zh) * | 2014-08-20 | 2014-12-17 | 昆明理工大学 | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN109707615A (zh) * | 2019-02-26 | 2019-05-03 | 东北石油大学 | 基于精细多重分形的往复压缩机故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
"A fault diagnosis approach for roller bearing based on symplectic geometry matrix machine";Haiyang Pan;《Mechanism and Machine Theory》;20190519;全文 * |
"Bearing feature extraction using multi一structure locally linear embedding";Yuanhong Liu;《Neurocomputing》;20211130;全文 * |
"Fault Diagnosis Method Based Semi-supervised Manifold Learning and Transductive SVM";Jiufei Luo;《2017 International Conference on Sensing, Diagnostics, Prognostics, and Control 》;20171231;全文 * |
"基于多结构元素形态滤波和EMD的轴承故障诊断";郑小霞;《组合机床与自动化加工技术》;20180530;全文 * |
"基于改进核主成分分析的故障检测与诊断方法";韩敏;《化工学报》;20150630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111142020A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210264227A1 (en) | Method for locating image region, model training method, and related apparatus | |
US20210304069A1 (en) | Method for training classification model, classification method and device, and storage medium | |
CN113743535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN109800325B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
EP3186751B1 (en) | Localized learning from a global model | |
CN110599557B (zh) | 图像描述生成方法、模型训练方法、设备和存储介质 | |
CN107491541B (zh) | 文本分类方法及装置 | |
Yin et al. | A subgrid-oriented privacy-preserving microservice framework based on deep neural network for false data injection attack detection in smart grids | |
KR20190130636A (ko) | 기계번역 방법, 장치, 컴퓨터 기기 및 기억매체 | |
CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
EP3923202A1 (en) | Method and device for data processing, and storage medium | |
CN109543824A (zh) | 一种序列模型的处理方法和装置 | |
CN111816159B (zh) | 一种语种识别方法以及相关装置 | |
CN111931844B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
GB2546360A (en) | Image captioning with weak supervision | |
US11556761B2 (en) | Method and device for compressing a neural network model for machine translation and storage medium | |
US20210312137A1 (en) | Encoding method, apparatus, and storage medium | |
CN112926310B (zh) | 一种关键词提取方法及装置 | |
CN113792207A (zh) | 一种基于多层次特征表示对齐的跨模态检索方法 | |
TW202029062A (zh) | 網路優化方法及裝置、圖像處理方法及裝置、儲存媒體 | |
US20210090288A1 (en) | Pose detection method and device, electronic device and storage medium | |
CN111062447B (zh) | 通过降维方式进行风力发电机故障诊断的方法和装置 | |
CN110991566B (zh) | 通过信息融合方式进行风力发电机故障诊断的方法和装置 | |
CN111142020B (zh) | 通过多结构方式进行风力发电机故障诊断的方法和装置 | |
CN113139484A (zh) | 人群定位方法及装置、电子设备和存储介质 |
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 |