CN112393934B - 基于稀疏自编码与极限学习机的风电机组故障诊断方法 - Google Patents

基于稀疏自编码与极限学习机的风电机组故障诊断方法 Download PDF

Info

Publication number
CN112393934B
CN112393934B CN202011313196.1A CN202011313196A CN112393934B CN 112393934 B CN112393934 B CN 112393934B CN 202011313196 A CN202011313196 A CN 202011313196A CN 112393934 B CN112393934 B CN 112393934B
Authority
CN
China
Prior art keywords
hidden layer
learning machine
extreme learning
sparse
fault
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
Application number
CN202011313196.1A
Other languages
English (en)
Other versions
CN112393934A (zh
Inventor
王欣
秦斌
吴天霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202011313196.1A priority Critical patent/CN112393934B/zh
Publication of CN112393934A publication Critical patent/CN112393934A/zh
Application granted granted Critical
Publication of CN112393934B publication Critical patent/CN112393934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/045—Combinations of 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

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)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Wind Motors (AREA)

Abstract

本发明针对风力发电系统故障检测问题，提出了一种基于稀疏自编码深度神经网络与极限学习机相结合的风力发电系统故障检测方法。包括两个阶段：第一阶段训练稀疏自编码神经网络，作为特征提取器；第二阶段利用极限学习机进行分类。具体有以下步骤：提取风力发电系统的数据作为稀疏自编码神经网络的输入数据，采用稀疏自编码器输入数据进行特征值提取，得到能高度表达原始数据的特征值；利用极限学习机网络作为分类器，实现对风电系统运行状态进行分类得到故障诊断结果。本发明能对风电机组传感器与执行器的故障进行有效诊断，可提高系统的稳定性，对提高风电场运行经济效益具有重要意义。

Description

基于稀疏自编码与极限学习机的风电机组故障诊断方法
技术领域
本发明涉及风机故障诊断领域，具体地说，涉及稀疏自编码与极限学习机的风机故障诊断方法。
背景技术
随着风力发电技术的飞速发展，风电机组单机装机容量的不断增加，其结构复杂性和控制方法的多样性使得故障的发生率也随之增加。这使得我们在发展风力发电技术的同时，除了要考虑系统的经济性、功能性还需要考虑系统的可靠性。分析系统可靠性时需要采集于分析系统的数据，研究故障机理，进而对风力发电系统进行故障检测与容错控制。传感器、执行器是风力发电系统中的重要元件，种类繁多，分布于系统各处，在系统的各类故障中传感器与执行器故障发生的概率是最大的。传感器在系统中多安装在反馈通道中，起数据传送的作用。若传感器发生故障，故障信息被输入到系统控制器中，很微小的故障也有可能导致系统性能降低，甚至破坏系统的稳定性。因此，快速有效地诊断风电机组传感器、执行器故障是提高风电场经济效益的有效措施。
目前，应用于风电机组故障诊断的人工智能方法主要有反向传播神经网络(BPNN)、支持向量机(SVM)和最小二乘支持向量机(LS-SVM)。BPNN算法可以实现非线性复杂映射，并且具有良好的自适应能力；然而该算法的隐含层数目难以确定，且存在“过拟合”，收敛速度慢，容易陷入局部最优的问题，影响模型的预测能力；SVM算法不存在BPNN算法的问题；但是需要借助二次规划获得支持向量，且约束条件为不等式约束，影响分类精度；LS-SVM算法在SVM算法的基础上有所改进，将最小二乘线性系统作为损失函数，代替二次规划，且用等式约束代替不等式约束；但是LS-SVM模型不具有稀疏性，对于未知样本的分类需要将所有训练样本都作为支持向量，导致该算法的训练速度较慢。
发明内容
为快速有效地对风电机组发电机传感器与执行器故障进行诊断，提出了一种基于稀疏自编码器(Sparse Auto Encoder,SAE)与极限学习机(Extreme Learning Machine,ELM)结合的风机故障诊断方法，解决了现有故障诊断方法的准确率低、耗时长等问题，同时减少不必要的停机时间，提高风电场的经济效益。
为了达到上述目的，其过程如下：
总共可以分为两个阶段：第一阶段：用SAE进行特征值提取；第二阶段：对提取的特征值进行应用(用于ELM故障分类)
步骤1：随机选取不同运行状态下风力发电机组的动态运行数据：桨距角β、风轮转子转速ωt、风电机组输出功率P、发电机转速ωg、发电机转矩Tg作为数据样本输入集，将风力发电系统状态细化为正常、传感器恒偏差故障、传感器恒增益故障、执行器恒偏差故障、执行器恒增益故障,输出依次用{0,1,2,3,4}表示；
步骤2：为消除量纲和单位不同对网络学习的影响，保证网络神经元的非线性作用及较快的学习速度，避免因净输入绝对值过大造成神经元的输出饱和，应将神经网络的样本数据进行归一化处理。按照
Figure BDA0002790475290000021
将样本数据归一化到[0,1]区间。
步骤3：将归一化后的样本数据集{β、ωt、P、ωg、Tg}作为稀疏自编码神经网络的输入数据，用SAE对输入数据进行特征提取。得到能高度表达原始数据的特征向量{β'、ωt'、P'、ωg'、Tg'}作为ELM分类器的输入；
步骤4：确定极限学习机故障诊断模型的输入节点数、隐含层节点数、输出节点数，选定极限学习机故障分类模型的激活函数g(x)；
步骤5：利用训练样本数据集对风力发电ELM故障诊断模型进行训练；
其中，所述步骤5进一步包括以下步骤：
步骤5.1：对输入权值矩阵wi以及阈值bi进行随机赋值，l为隐含层节点数，x为样本，Q为样本个数；
步骤5.2：计算对应于训练样本数据的隐含层输出矩阵
Figure BDA0002790475290000022
步骤5.3：利用最小二乘法求解隐含层输出矩阵Htrain的Moore-Penrose广义逆
Figure BDA0002790475290000023
步骤5.4：计算输出权重
Figure BDA0002790475290000024
其中β＝[β1,L,βQ]T,Ttrain＝[t1,LtQ]T。
步骤6：将测试集的样本代入ELM分类器中验证其类别。
所述步骤6包括以下步骤：
步骤6.1：计算对应M测试样本数据的隐含层输出矩阵
Figure BDA0002790475290000025
步骤6.2：计算极限学习机的输出Ttest＝Htestβ；
步骤6.3：将极限学习机的识别结果与风力发电系统正常运行情况作比较，计算正确率，对风力发电系统的极限学习机故障识别模型进行验证。
本发明提供的基于极限学习-稀疏自编码的风电机组故障状态识别方法，可用于风电机组发电机系统中。对风力发电机组离线检测数据，利用SAE进行特征提取，得到能高度表达原始数据的特征向量作为ELM分类器的输入，进行极限学习机故障识别模型的训练。在该方法下，经由SAE对原始数据进行特征提取使得输入ELM的特征向量具有高度的特征表达能力。ELM隐含层节点阈值和输入层与隐含层之间的连接权值是随机产生的，在训练过程中不需要进行调整；设置隐含层神经元个数后可直接实现多类故障状态识别；识别模型无需多次迭代，便可获得全局最优解，因此识别速度极快，准确率高。
附图说明
图1是自编码器-结构图。
图2是风电机组基于极限学习机与稀疏自编码运行状态识别方法的流程图；
具体实施方式
下面将结合附图对本发明提出的基于稀疏自编码与极限学习机风电机组故障识别方法进行详细说明。
图1是风电机组基于极限学习机与稀疏自编码运行状态识别方法的流程图；在图1中，本发明提出基于极限学习机与稀疏自编码的运行状态识别方法，包括以下步骤：
步骤1：将桨距角β，风轮转速ωt，发电功率P，发电机转速ωg与转矩Tg信号作为数据源， x(i)＝[β,ωt,P,ωg,Tg]，作为SAE的输入数据，对应于正常、传感器恒偏差故障、传感器恒增益故障、执行器恒偏差故障、执行器恒增益故障分别依次用{0,1,2,3,4}表示，为输出t(i)。
步骤2：将神经网络的样本数据进行归一化处理到[0,1]区间。
步骤3：用SAE对输入数据进行特征提取。得到能高度表达原始数据的特征向量作为ELM分类器的输入。
原理为：
假设aj(x)表示隐含层第j个单元的激活量，第j个单元的平均激活量可表示为
Figure BDA0002790475290000031
ρ为稀疏常数，为使大多数神经元为非激活状态，在自编码器代价函数加入稀疏惩罚项，来惩罚
Figure BDA0002790475290000032
偏离ρ。选用KL散度作为惩罚项PN的表达式
Figure BDA0002790475290000033
式中：S2为隐层的单元数；
Figure BDA0002790475290000034
为KL散度。KL散度数学表达式为：
Figure BDA0002790475290000035
当
Figure BDA0002790475290000036
时，KL散度值为0，KL散度随着
Figure BDA0002790475290000037
偏离ρ逐渐增大。对于自编码而言，一般代价函数可以写成
Figure BDA0002790475290000041
式中：λ是权值衰减常数；nl为神金网络层数；Sl为l层的神经元个数；Sl+1为l+1层神经元个数。包含稀疏惩罚项的总代价函数为
Jsparse(W,b)＝J(W,b)+cPN (5)
式中c为稀疏惩罚项系数。根据最小化稀疏代价函数求解得到最优的输入权值W和隐含层阈值b,最终可得到输入数据的隐含层稀疏表达特征。
步骤4：确定极限学习机故障诊断模型的输入节点数、隐含层节点数、输出节点数，选定极限学习机故障分类模型的激活函数g(x)；所述输入层节点数需与输入特征向量的维度相对应，所述输出层节点数为步骤3中的故障类型数；隐含层节点数是特征向量维数的两倍；激活函数选用径向基函数：
Figure BDA0002790475290000042
其中wi为输入权值矩阵，bi为隐含层阈值，x为样本；
步骤5：利用训练样本数据集对风力发电ELM故障诊断模型进行训练；所述模型训练过程具体如下：
步骤5.1：对输入权重矩阵wi以及阈值bi进行随机赋值，x为样本，l为隐含层节点数， Q为样本个数；
步骤5.2：计算对应于训练样本数据的隐含层输出矩阵
Figure BDA0002790475290000043
步骤5.3：利用最小二乘法求解隐含层输出矩阵Htrain的Moore-Penrose广义逆
Figure BDA0002790475290000044
步骤5.4：计算输出权重
Figure BDA0002790475290000045
其中β＝[β1,L,βQ]T,Ttrain＝[t1,LtQ]T。
步骤6：将测试集的样本代入ELM分类器中验证其类别。进一步包含以下步骤：
步骤6.1：计算对应测试样本数据的隐含层输出矩阵
Figure BDA0002790475290000051
步骤6.2：计算极限学习机的输出Ttest＝Htestβ；
步骤6.3：将极限学习机的识别结果与风力发电系统正常运行情况作比较，计算正确率，对风力发电系统的极限学习机故障识别模型进行验证。
上述具体实现只是本发明的较佳实现而已，当然，本发明还可有其他多种实施例，在不背离本发明精神及其本质的情况下，熟悉本领域的技术人员当可根据本发明作为各种相应的改变和变形，但这些相应的改变和变形都应属于本发明的权利要求的保护范围。

Claims (1)

1.一种风力发电系统故障诊断方法，其特征是基于稀疏自编码(Sparse AutoEncoder,SAE)与极限学习机(Extreme Learning Machine,ELM)理论方法，包含以下步骤：
步骤1：将桨距角β，风轮转速ωt，发电功率P，发电机转速ωg与转矩Tg信号作为数据源，x(i)＝[β,ωt,P,ωg,Tg]，作为SAE的输入数据，对应于正常、传感器恒偏差故障、传感器恒增益故障、执行器恒偏差故障、执行器恒增益故障分别依次用{0,1,2,3,4}表示，为输出t(i)；
步骤2：为消除量纲和单位不同对网络学习的影响，保证网络神经元的非线性作用及较快的学习速度，将神经网络的样本数据进行归一化处理，将样本数据归一化到[0,1]区间；
步骤3：用SAE对输入数据进行特征提取；得到能高度表达原始数据的特征向量作为ELM分类器的输入；
原理为：
假设aj(x)表示隐含层第j个单元的激活量，第j个单元的平均激活量表示为
Figure FDA0003541430240000011
ρ为稀疏常数，k为样本数，为使大多数神经元为非激活状态，在自编码器代价函数加入稀疏惩罚项，来惩罚
Figure FDA0003541430240000012
偏离ρ；选用KL散度作为惩罚项PN的表达式
Figure FDA0003541430240000013
式中：S2为隐含层的单元数；
Figure FDA0003541430240000014
为KL散度；KL散度数学表达式为：
Figure FDA0003541430240000015
当
Figure FDA0003541430240000016
时，KL散度值为0，KL散度随着
Figure FDA0003541430240000017
偏离ρ逐渐增大；对于自编码而言，代价函数为
Figure FDA0003541430240000021
Figure FDA0003541430240000022
式中：λ是权值衰减常数；nl为神经网络层数；Sl为l层的神经元个数；Sl+1为l+1层神经元个数；w为权值；包含稀疏惩罚项的总代价函数为
Jsparse(W,b)＝J(W,b)+cPN (5)
式中c为稀疏惩罚项系数；根据最小化稀疏代价函数求解得到最优的输入权值W和隐含层阈值b,最终可得到输入数据的隐含层稀疏表达特征；
步骤4：确定极限学习机故障诊断模型的输入节点数、隐含层节点数、输出节点数，选定极限学习机故障分类模型的激活函数g(x)；所述输入节点数需与输入特征向量的维度相对应，所述输出层节点数为步骤3中的故障类型数；隐含层节点数是特征向量维数的两倍；激活函数选用径向基函数：
Figure FDA0003541430240000023
其中wi为输入权值矩阵，bi为隐含层阈值，x为样本；
步骤5：利用训练样本数据集对风力发电ELM故障诊断模型进行训练；所述模型训练过程具体如下：
步骤5.1：对输入权重矩阵wi以及阈值bi进行随机赋值，x为样本，l为隐含层节点数，Q为样本个数；
步骤5.2：计算对应于训练样本数据的隐含层输出矩阵
Figure FDA0003541430240000024
步骤5.3：利用最小二乘法求解隐含层输出矩阵Htrain的Moore-Penrose广义逆
Figure FDA0003541430240000031
步骤5.4：计算输出权重
Figure FDA0003541430240000032
其中β＝[β1,…,βQ]T,Ttrain＝[t1,…tQ]T；
步骤6：将测试集的样本代入ELM分类器中验证其类别；进一步包含以下步骤：
步骤6.1：计算对应M个测试样本数据的隐含层输出矩阵
Figure FDA0003541430240000033
步骤6.2：计算极限学习机的输出Ttest＝Htestβ；
步骤6.3：将极限学习机的识别结果与风力发电系统正常运行情况作比较，计算正确率，对风力发电系统的极限学习机故障识别模型进行验证。
CN202011313196.1A 2020-11-20 2020-11-20 基于稀疏自编码与极限学习机的风电机组故障诊断方法 Active CN112393934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011313196.1A CN112393934B (zh) 2020-11-20 2020-11-20 基于稀疏自编码与极限学习机的风电机组故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011313196.1A CN112393934B (zh) 2020-11-20 2020-11-20 基于稀疏自编码与极限学习机的风电机组故障诊断方法

Publications (2)

Publication Number Publication Date
CN112393934A CN112393934A (zh) 2021-02-23
CN112393934B true CN112393934B (zh) 2022-05-13

Family

ID=74606119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011313196.1A Active CN112393934B (zh) 2020-11-20 2020-11-20 基于稀疏自编码与极限学习机的风电机组故障诊断方法

Country Status (1)

Country Link
CN (1) CN112393934B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378887B (zh) * 2021-05-14 2022-07-05 太原理工大学 一种乳化液泵故障分级诊断方法
CN113591911B (zh) * 2021-06-25 2024-07-09 南京财经大学 散粮集装箱物流运输过程的级联多类异常识别方法
CN114298079A (zh) * 2021-07-20 2022-04-08 齐丰科技股份有限公司 基于线圈电流信号的变电站高压断路器故障诊断方法
CN113627554B (zh) * 2021-08-18 2024-07-12 北京工业大学 基于自编码和极限学习机的药品分类方法
CN114626415A (zh) * 2022-03-14 2022-06-14 广西大学 一种基于人工智能的风电机组复合故障诊断方法
CN114877925B (zh) * 2022-03-31 2023-08-22 上海交通大学 一种基于极限学习机的综合能源系统传感器故障诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156560A (zh) * 2014-07-12 2014-11-19 中国矿业大学 一种基于SaE-ELM的煤矿多等级突水预测方法
CN107563251B (zh) * 2016-07-01 2021-11-09 华北电力大学（保定） 基于极限学习机的风机故障诊断方法
CN107563567A (zh) * 2017-09-18 2018-01-09 河海大学 基于稀疏自编码的核极限学习机洪水预报方法
CN110470477B (zh) * 2019-09-19 2021-12-21 福州大学 一种基于ssae和ba-elm的滚动轴承故障诊断方法
CN111079343B (zh) * 2019-12-04 2022-05-17 浙江大学 一种基于宽度学习的风电机组有效风速估计方法

Also Published As

Publication number Publication date
CN112393934A (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
CN112393934B (zh) 基于稀疏自编码与极限学习机的风电机组故障诊断方法
Li et al. A systematic review of deep transfer learning for machinery fault diagnosis
He et al. Ensemble transfer CNNs driven by multi-channel signals for fault diagnosis of rotating machinery cross working conditions
Lei et al. Fault diagnosis of wind turbine based on Long Short-term memory networks
Udmale et al. Application of spectral kurtosis and improved extreme learning machine for bearing fault classification
Niu et al. An optimized adaptive PReLU-DBN for rolling element bearing fault diagnosis
CN112132102B (zh) 一种深度神经网络结合人工蜂群优化的智能故障诊断方法
CN112765890A (zh) 基于动态域适应网络的多工况旋转机械剩余寿命预测方法
Huo et al. A class-level matching unsupervised transfer learning network for rolling bearing fault diagnosis under various working conditions
Saufi et al. Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal
Huang et al. Research on fan vibration fault diagnosis based on image recognition
CN114861349A (zh) 一种基于模型迁移和维纳过程的滚动轴承rul预测方法
CN111428788A (zh) 基于深度学习的汽轮机发电机组转子多故障诊断方法及系统
CN114358075A (zh) 一种数据驱动的转子系统典型故障自动识别方法
CN116821730B (zh) 风机故障检测方法、控制装置及存储介质
CN113221996A (zh) 一种基于多头注意力机制的轴承故障诊断方法及系统
Li et al. Intelligent fault diagnosis of rotating machinery based on deep recurrent neural network
Xu et al. Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions
Zhou et al. Degradation State Recognition of Rolling Bearing Based on K‐Means and CNN Algorithm
Kibrete et al. Applications of artificial intelligence for fault diagnosis of rotating machines: A review
Pérez-Pérez et al. Fault detection and isolation in wind turbines based on neuro-fuzzy qLPV zonotopic observers
Xiao et al. Health assessment for piston pump using LSTM neural network
CN113469263B (zh) 适于小样本的预测模型训练方法、装置及相关设备
CN113624466B (zh) 汽轮机转子故障诊断方法、装置、设备及存储介质
Zhao et al. Remaining useful life prediction method based on convolutional neural network and long short-term memory neural network

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