CN115712064A - 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 - Google Patents
一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 Download PDFInfo
- Publication number
- CN115712064A CN115712064A CN202211382981.1A CN202211382981A CN115712064A CN 115712064 A CN115712064 A CN 115712064A CN 202211382981 A CN202211382981 A CN 202211382981A CN 115712064 A CN115712064 A CN 115712064A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fault
- lstm
- model
- state data
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 105
- 230000005284 excitation Effects 0.000 title claims abstract description 102
- 238000003745 diagnosis Methods 0.000 title claims abstract description 94
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims description 100
- 230000006870 function Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 13
- 230000001629 suppression Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 229910052799 carbon Inorganic materials 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000022131 cell cycle Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007787 long-term memory Effects 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
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提出一种基于LSTM‑CNN混合神经网络的励磁系统故障诊断方法，所述方法包括：按时序采集励磁系统待诊断的状态数据；对所述励磁系统待诊断的状态数据进行预处理；将预处理后的所述状态数据输入预先练好的LSTM‑CNN混合神经网络故障诊断模型中进行诊断，得到所述励磁系统的故障诊断结果；其中，所述LSTM‑CNN混合神经网络故障诊断模型是以历史时段内各时刻的所述励磁系统的状态数据作为输入，以历史时段内各时刻的所述励磁系统的状态数据对应的故障诊断结果作为输出进行训练得到的。本申请提出的技术方案，基于多源状态数据的采集，可以更精确的反映故障信息及精确的定位故障，进而提高故障诊断的准确性。
Description
技术领域
本申请涉及同步发电机领域，尤其涉及一种基于LSTM-CNN混合神经网络的励磁系统故障诊断方法。
背景技术
电力关乎国计民生，2018年，火电机组装机容量已达11亿千瓦，火电机组占到总容量的70％。预计到2019年底，发电装机容量有望首次突破20亿千瓦，总装机容量稳居世界第一。随着装机容量的日益增长，系统的安全问题得到密切关注，而发电机作为火电机组的三大主机之一，其设备可靠性对机组的运行有着重大影响。其中，励磁系统更是发电机组安全稳定运行的关键，针对励磁系统的故障诊断和研究可以避免故障进一步发展，维护机组稳定安全运行，减少因机组非计划停运而导致的损失，维护电网的安全。
如今，市场上常用的针对励磁系统的故障诊断方法能够实现对一些越限的情况报警，对状态量的监测与报警，可以简单判别基本故障。但是由于故障诊断的信息一般比较单一，通常只是采集了单个传感器的数据用作诊断分析，导致了诊断结果准确性降低，可能会引起某些报警装置的误报或者漏报的情况发生。而且针对较为复杂的故障时或者系统同时发生多种故障时，单一的信息并不能有效的发现故障，能找到故障原因的可能性更小。
发明内容
本申请提供一种基于LSTM-CNN混合神经网络的励磁系统故障诊断方法，以至少解决诊断结果准确性低的技术问题。
本申请第一方面实施例提出一种基于LSTM-CNN混合神经网络的励磁系统故障诊断方法，所述方法包括：
按时序采集励磁系统待诊断的状态数据；
对所述励磁系统待诊断的状态数据进行预处理；
将预处理后的所述状态数据输入预先练好的LSTM-CNN混合神经网络故障诊断模型中进行诊断，得到所述励磁系统的故障诊断结果；
其中，所述LSTM-CNN混合神经网络故障诊断模型是以历史时段内各时刻的所述励磁系统的状态数据作为输入，以历史时段内各时刻的所述励磁系统的状态数据对应的故障诊断结果作为输出进行训练得到的。
优选的，所述状态数据包括：励磁变二次侧电压、励磁变温度、有功功率、无功功率、机组频率、定子电压、功率因数、稳定性、动态特性、励磁电压、励磁电流、触发脉冲、触发角、风机温度、碳刷温度、转子温度、灭磁开关、灭磁波形数据；
所述故障诊断结果包括：开机过程故障、励磁调节器故障、励磁功率单元故障、励磁变压器故障、灭磁回路故障。
进一步的，所述对所述励磁系统待诊断的状态数据进行预处理，包括：
对所述励磁系统待诊断的状态数据进行缺失值的补充，并进行归一化处理。
优选的，所述LSTM-CNN混合神经网络故障诊断模型包括：LSTM神经网络模型和CNN神经网络模型；
所述LSTM神经网络模型包括：第一输入层、隐藏层和输出层；
所述CNN神经网络模型包括：第二输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层。
进一步的，所述LSTM-CNN混合神经网络故障诊断模型的训练过程包括：
获取所述励磁系统历史时段各时刻的状态数据、所述状态数据对应的故障特征数据、所述故障特征数据对应的故障类型数据，并对所述状态数据、所述状故障特征数据、所述故障类型数据进行预处理；
将预处理后的所述状态数据、所述状故障特征数据、所述故障类型数据划分为训练集和测试集；
以训练集中的状态数据为输入，以训练集中所述状态数据对应的故障特征数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法进行训练，得到初始的LSTM神经网络模型，然后对所述模型进行校验，得到训练好的LSTM神经网络模型；
以训练集中的故障特征数据为输入，以训练集中所述故障特征数据对应的故障类型数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法对所述模型进行训练，得到初始的CNN神经网络模型，然后对所述模型进行校验，得到训练好的CNN神经网络模型。
进一步的，所述对所述模型进行校验，得到训练好的LSTM神经网络模型，包括：
将测试集中的状态数据输入到所述初始的LSTM神经网络模型中，得到所述初始的LSTM神经网络模型输出的故障特征数据；
基于测试集中的故障特征数据判断所述初始的LSTM神经网络模型的准确率，若所述初始的LSTM神经网络模型准确率大于预设的第一准确率阈值，则将所述初始的LSTM神经网络模型作为训练好的LSTM神经网络模型，否则调节模型参数从新进行训练；
所述对所述模型进行校验，得到训练好的CNN神经网络模型，包括：
将测试集中的故障特征数据输入到所述初始的CNN神经网络模型中，得到所述初始的CNN神经网络模型输出的故障类型数据；
基于测试集中的故障类型数据判断所述初始的CNN神经网络模型的准确率，若所述初始的CNN神经网络模型准确率大于预设的第二准确率阈值，则将所述初始的CNN神经网络模型作为训练好的CNN神经网络模型，否则调节模型参数从新进行训练。
本申请第二方面实施例提出一种基于LSTM-CNN混合神经网络的励磁系统故障诊断的系统，所述系统包括：
采集模块，用于按时序采集励磁系统待诊断的状态数据；
预处理模块，用于对所述励磁系统待诊断的状态数据进行预处理；
诊断模块，用于将预处理后的所述状态数据输入预先练好的LSTM-CNN混合神经网络故障诊断模型中进行诊断，得到所述励磁系统的故障诊断结果；
其中，所述LSTM-CNN混合神经网络故障诊断模型是以历史时段内各时刻的所述励磁系统的状态数据作为输入，以历史时段内各时刻的所述励磁系统的状态数据对应的故障诊断结果作为输出进行训练得到的。
本申请第三方面实施例提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如第一方面实施例所述的方法。
本申请第四方面实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所述的方法。
本申请的实施例提供的技术方案至少带来以下有益效果：
本申请提出了一种基于LSTM-CNN混合神经网络的励磁系统故障诊断方法，所述方法包括：按时序采集励磁系统待诊断的状态数据；对所述励磁系统待诊断的状态数据进行预处理；将预处理后的所述状态数据输入预先练好的LSTM-CNN混合神经网络故障诊断模型中进行诊断，得到所述励磁系统的故障诊断结果；其中，所述LSTM-CNN混合神经网络故障诊断模型是以历史时段内各时刻的所述励磁系统的状态数据作为输入，以历史时段内各时刻的所述励磁系统的状态数据对应的故障诊断结果作为输出进行训练得到的。本申请提出的技术方案，基于多源状态数据的采集，可以更精确的反映故障信息及精确的定位故障，进而提高故障诊断的准确性。
本申请附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请一个实施例提供的一种基于LSTM-CNN混合神经网络的励磁系统故障诊断方法的流程图；
图2为根据本申请一个实施例提供的LSTM神经网络的结构图；
图3为根据本申请一个实施例提供的CNN神经网络模型的结构图；
图4为根据本申请一个实施例提供的LSTM-CNN混合神经网络故障诊断模型的训练过程的流程图；
图5为根据本申请一个实施例提供的LSTM-CNN混合神经网络故障诊断模型的训练过程的详细流程图；
图6为根据本申请一个实施例提供的一种基于LSTM-CNN混合神经网络的励磁系统故障诊断的系统的结构图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
本申请提出的一种基于LSTM-CNN混合神经网络的励磁系统故障诊断方法，所述方法包括：按时序采集励磁系统待诊断的状态数据；对所述励磁系统待诊断的状态数据进行预处理；将预处理后的所述状态数据输入预先练好的LSTM-CNN混合神经网络故障诊断模型中进行诊断，得到所述励磁系统的故障诊断结果；其中，所述LSTM-CNN混合神经网络故障诊断模型是以历史时段内各时刻的所述励磁系统的状态数据作为输入，以历史时段内各时刻的所述励磁系统的状态数据对应的故障诊断结果作为输出进行训练得到的。本申请提出的技术方案，基于多源状态数据的采集，可以更精确的反映故障信息及精确的定位故障，进而提高故障诊断的准确性。
下面参考附图描述本申请实施例的一种基于LSTM-CNN混合神经网络的励磁系统故障诊断方法。
实施例一
图1为根据本申请一个实施例提供的一种基于LSTM-CNN混合神经网络的励磁系统故障诊断方法的流程图，如图1所示，所述方法包括：
步骤1：按时序采集励磁系统待诊断的状态数据；
需要说明的，基于电厂的安全仪表系统(Safety Instrumented System.SIS)联动和红外热像仪采集励磁系统待诊断的状态数据；
所述状态数据包括：在线监测的同步发电机励磁系统中励磁变状态的励磁变二次侧电压、励磁变温度；发电机组状态的有功功率、无功功率、机组频率、定子电压、功率因数；调节器状态的稳定性、动态特性；功率单元状态的励磁电压、励磁电流、触发脉冲、触发角、风机温度、碳刷温度；转子及灭磁回路状态的转子温度、灭磁开关、灭磁波形数据。
步骤2：对所述励磁系统待诊断的状态数据进行预处理；
步骤3：将预处理后的所述状态数据输入预先练好的LSTM-CNN混合神经网络故障诊断模型中进行诊断，得到所述励磁系统的故障诊断结果；
其中，所述LSTM-CNN混合神经网络故障诊断模型是以历史时段内各时刻的所述励磁系统的状态数据作为输入，以历史时段内各时刻的所述励磁系统的状态数据对应的故障诊断结果作为输出进行训练得到的。
在本公开实施例中，所述故障诊断结果包括：开机过程故障、励磁调节器故障、励磁功率单元故障、励磁变压器故障、灭磁回路故障。
在本公开实施例中，所述步骤2具体包括：
对所述励磁系统待诊断的状态数据进行缺失值的补充，并进行归一化处理。
其中，所述缺失值的补充可以为利用公式
xa+1为第a+1个时刻第x种状态数据的补充状态数据，xa为采集的a时刻的第x种状态数据，xa+2为采集的a+2时刻的第x种状态数据。
利用公式
式中，x′a为第a个时刻第x种状态数据归一化后的值，ymax为预设第一系数，取-1，ymin为第二预设系数，取1，xmax为第x种状态数据中的最大值，xmin为第x种状态数据中的最小值。
在本公开实施例中，所述LSTM-CNN混合神经网络故障诊断模型包括：LSTM神经网络模型和CNN神经网络模型；
所述LSTM神经网络模型包括：第一输入层、隐藏层和输出层；
所述CNN神经网络模型包括：第二输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层。
在本公开实施例中，LSTM神经网络模型的输入层即第一输入层为4个神经元，隐藏层LSTM结构单元设定为3层，分别含有单元个数为40，80，120，为了防止过拟合，隐藏层权重丢失率分别为0.2，0.3，0.2，输出层为2个神经元，最大迭代数为1000；CNN网络模型：CNN采用6层网络结构，通过3个一维卷积层和3个一维池化层将故障特征量进行特征重构与特征向量降维，没有破坏特征向量时序性。
示例的，如图2所示为LSTM神经网络模型中LSTM神经网络的结构图，在所述结构中，参数会随着输入序列而改变，会选择记住和遗忘输入序列里的相关特征信息，其具有内部的LSTM细胞循环，细胞状态相当于信息传输的路径，LSTM结构中贯穿细胞的水平线Ct代表了其中的长时记忆，ht代表了工作记忆或短时记忆。LSTM网络通过门结构对细胞的状态进行删除或添加信息，主要包括：遗忘门、输入门和输出门。
其中，整个结构中的计算公式如下所示：
ft＝σ(Wf·[ht-1，xtx]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
ot＝σ(Wo[ht-1，xt]+bo)
ht＝ot⊙tanh(Ct)
式中，ft，it，ot分别代表在t时刻状态下的遗忘门，输入门和输出门，
为新的候选节点信息，表示当前的输入内容，Ct为传入下一个节点的状态,与输入门和遗忘门都有关，ht为隐含的传输状态，表示t时刻单元的输出；σ表示sigmoid激活函数，可以将数据转换为0到1之间的数值，tanh为激活函数，将结果转换成-1到1之间的值；W为权重矩阵，b为偏置量，⊙为哈达玛积，表示矩阵中对应的元素相乘。
在本公开实施例中，如图3所示为CNN神经网络模型的结构图，CNN神经网络模型是由一系列层构成，数据在层与层之间流动。基本结构：输入层即第二输入层、卷积层、激活函数、池化层、全连接层，卷积层是一个特征提取层，每个神经元的输入连接到前一层的局部感受野，并提取局部的特征，卷积层的计算公式可以为：
式中,
为第l层输出的第j个特征图，Mj为前一层与当前层第j个特征图有联系的特征图集合，
为第l-1层输出的第j个特征图，
为第l层的第j个特征图与前一层第z个特征图之间的卷积核，
为第l层第j个特征图的偏置；激活函数是用于添加非线性因素，因为卷积方法来用于处理线性操作，即为每个像素点分配权值。线性模型的表达力不够，因而引入激活函数。常见的激活函数有SigInoid函数、Tanh函数、ReLU函数、Leaky ReLU函数等。
池化层是特征映射层，通过对每个特征映射图的局部区域进行加权求和，增加偏置后通过一个非线性函数在池化层得到新的特征图，主要作用是：减小特征图尺寸，简化网络计算复杂度；进行特征压缩，提取主要特征，计算公式可以为：
为第l层输出的第j个特征图对应的比例偏置，subdown(·)为池化下采样函数，
为第l层输出的第j个特征图对应的加性偏置。
需要说明的是，卷积神经网络一般由多个卷积层和池化层交替构成，全连接层用于对提取的特征进行分类以输出结果，最终输出模型的测试准确率和误差损失函数值。
在本公开实施例中，如图4所示，所述LSTM-CNN混合神经网络故障诊断模型的训练过程包括：
步骤F1:获取所述励磁系统历史时段各时刻的状态数据、所述状态数据对应的故障特征数据、所述故障特征数据对应的故障类型数据，并对所述状态数据、所述状故障特征数据、所述故障类型数据进行预处理；其中，所述预处理包括对所述数据进行缺失值的补充，并进行归一化处理；
步骤F2:将预处理后的所述状态数据、所述状故障特征数据、所述故障类型数据划分为训练集和测试集；
步骤F3：以训练集中的状态数据为输入，以训练集中所述状态数据对应的故障特征数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法进行训练，得到初始的LSTM神经网络模型，然后对所述模型进行校验，得到训练好的LSTM神经网络模型；
其中，所述对所述模型进行校验，得到训练好的LSTM神经网络模型，包括：
将测试集中的状态数据输入到所述初始的LSTM神经网络模型中，得到所述初始的LSTM神经网络模型输出的故障特征数据；
基于测试集中的故障特征数据判断所述初始的LSTM神经网络模型的准确率，若所述初始的LSTM神经网络模型准确率大于预设的第一准确率阈值，则将所述初始的LSTM神经网络模型作为训练好的LSTM神经网络模型，否则调节模型参数从新进行训练；
步骤F4：以训练集中的故障特征数据为输入，以训练集中所述故障特征数据对应的故障类型数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法对所述模型进行训练，得到初始的CNN神经网络模型，然后对所述模型进行校验，得到训练好的CNN神经网络模型。
其中，所述对所述模型进行校验，得到训练好的CNN神经网络模型，包括：
将测试集中的故障特征数据输入到所述初始的CNN神经网络模型中，得到所述初始的CNN神经网络模型输出的故障类型数据；
基于测试集中的故障类型数据判断所述初始的CNN神经网络模型的准确率，若所述初始的CNN神经网络模型准确率大于预设的第二准确率阈值，则将所述初始的CNN神经网络模型作为训练好的CNN神经网络模型，否则调节模型参数从新进行训练。
示例的，如图5所示为所述LSTM-CNN混合神经网络故障诊断模型具体的训练过程，包括：
1)获取所述励磁系统历史时段各时刻的状态数据、所述状态数据对应的故障特征数据、所述故障特征数据对应的故障类型数据，并对所述状态数据、所述状故障特征数据、所述故障类型数据进行预处理；其中，所述预处理包括对所述数据进行缺失值的补充，并进行归一化处理；
2)将预处理后的所述状态数据、所述状故障特征数据、所述故障类型数据划分为训练集和测试集；
3)用trainNetwork以指定的训练选项训练LSTM神经网络模型，在Options中设定的参数，计算长短时记忆神经网络存储单元的输出值、每个LSTM神经网络存储单元的误差项，结合相应的误差项，计算每个权重的梯度，采用梯度优化算法，更新权值，并利用测试集进行校验；当LSTM神经网络训练好，并且输出的准确率指标值，跳出训练过程；
然后训练CNN神经网络模型，在模型的训练阶段，通过Softmax分类函数进行反向传播，使用Adam优化器动态调整网络权值与偏差，最终使损失函数达到最小值，完成模型参数的训练；在模型测试阶段，采用已训练好的CNN神经网络模型对测试集中数据进行特征提取计算，最后输入Softmax分类器完成故障分类并输出准确率指标值。
在本公开实施例中，所述方法还可以包括对所述对训练好的LSTM-CNN混合神经网络故障诊断模型进行评价，具体为：
获取所述系统的状态数据及所述状态数据对应的故障类型；
将所述状态数据输入所述训练好的LSTM-CNN混合神经网络故障诊断模型中，得到故障类型即故障结果；
将模型输出的故障结果与获取的故障类型进行对比，将模型输出的故障结果进行分类，可以分为真正类、假正类、真负类和假负类；
基于各个分类中的数据个数，确定所述模型的精确率、召回率即灵敏度、准确率、调和均值；
基于确定的所述模型的精确率、召回率即灵敏度、准确率、调和均值对所述模型进行评价。
其中，所述精确率的计算式如下：
P＝TP/(TP+FP)×100％
所述召回率的计算式如下：
R＝TP/(TP+FN)×100％
所述准确率的计算式如下：
A＝(TP+TN)/(TP+FN+FP+TN)×100％
所述调和均值的计算式如下：
式中，P为精确率，R为召回率，A为准确率，F1为调和均值，TP为模型输出的结果属于真正类的个数，TN为模型输出的结果属于真负类的个数，FN为模型输出的结果属于假负类的个数，FP为模型输出的结果属于假正类的个数。
综上所述，本实施例提出的一种基于LSTM-CNN混合神经网络的励磁系统故障诊断方法，具有多源数据的采集，18个多维的状态数据作为模型的输入可以更精确的反映故障信息，可以更精确的定位故障，同时构建的LSTM-CNN组合模型能充分提取数据中的故障特征，在LSTM神经网络模型提取故障特征的基础上进一步使用CNN神经网络模型进行特征提取，可以深层次发掘故障数据时间和空间上的隐藏特征，提高故障诊断的准确性。
实施例二
图6为根据本申请一个实施例提供的一种基于LSTM-CNN混合神经网络的励磁系统故障诊断的系统的结构图，如图6所示，所述系统包括：
采集模块100，用于按时序采集励磁系统待诊断的状态数据；
预处理模块200，用于对所述励磁系统待诊断的状态数据进行预处理；
诊断模块300，用于将预处理后的所述状态数据输入预先练好的LSTM-CNN混合神经网络故障诊断模型中进行诊断，得到所述励磁系统的故障诊断结果；
其中，所述LSTM-CNN混合神经网络故障诊断模型是以历史时段内各时刻的所述励磁系统的状态数据作为输入，以历史时段内各时刻的所述励磁系统的状态数据对应的故障诊断结果作为输出进行训练得到的。
在本公开实施例中，所述状态数据包括：励磁变二次侧电压、励磁变温度、有功功率、无功功率、机组频率、定子电压、功率因数、稳定性、动态特性、励磁电压、励磁电流、触发脉冲、触发角、风机温度、碳刷温度、转子温度、灭磁开关、灭磁波形数据；
所述故障诊断结果包括：开机过程故障、励磁调节器故障、励磁功率单元故障、励磁变压器故障、灭磁回路故障。
在本公开实施例中，所述预处理模块200具体用于：
对所述励磁系统待诊断的状态数据进行缺失值的补充，并进行归一化处理。
需要说明的是，所述LSTM-CNN混合神经网络故障诊断模型包括：LSTM神经网络模型和CNN神经网络模型；
所述LSTM神经网络模型包括：第一输入层、隐藏层和输出层；
所述CNN神经网络模型包括：第二输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层。
其中，所述LSTM-CNN混合神经网络故障诊断模型的训练过程包括：
获取所述励磁系统历史时段各时刻的状态数据、所述状态数据对应的故障特征数据、所述故障特征数据对应的故障类型数据，并对所述状态数据、所述状故障特征数据、所述故障类型数据进行预处理；
将预处理后的所述状态数据、所述状故障特征数据、所述故障类型数据划分为训练集和测试集；
以训练集中的状态数据为输入，以训练集中所述状态数据对应的故障特征数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法进行训练，得到初始的LSTM神经网络模型，然后对所述模型进行校验，得到训练好的LSTM神经网络模型；
以训练集中的故障特征数据为输入，以训练集中所述故障特征数据对应的故障类型数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法对所述模型进行训练，得到初始的CNN神经网络模型，然后对所述模型进行校验，得到训练好的CNN神经网络模型。
进一步的，所述对所述模型进行校验，得到训练好的LSTM神经网络模型，包括：
将测试集中的状态数据输入到所述初始的LSTM神经网络模型中，得到所述初始的LSTM神经网络模型输出的故障特征数据；
基于测试集中的故障特征数据判断所述初始的LSTM神经网络模型的准确率，若所述初始的LSTM神经网络模型准确率大于预设的第一准确率阈值，则将所述初始的LSTM神经网络模型作为训练好的LSTM神经网络模型，否则调节模型参数从新进行训练；
所述对所述模型进行校验，得到训练好的CNN神经网络模型，包括：
将测试集中的故障特征数据输入到所述初始的CNN神经网络模型中，得到所述初始的CNN神经网络模型输出的故障类型数据；
基于测试集中的故障类型数据判断所述初始的CNN神经网络模型的准确率，若所述初始的CNN神经网络模型准确率大于预设的第二准确率阈值，则将所述初始的CNN神经网络模型作为训练好的CNN神经网络模型，否则调节模型参数从新进行训练。
综上所述，本实施例提出的本一种基于LSTM-CNN混合神经网络的励磁系统故障诊断的系统，具有多源数据的采集，18个多维的状态数据作为模型的输入可以更精确的反映故障信息，可以更精确的定位故障，同时构建的LSTM-CNN混合神经网络故障诊断模型能充分提取数据中的故障特征，在LSTM神经网络模型提取故障特征的基础上进一步使用CNN神经网络模型进行特征提取，可以深层次发掘故障数据时间和空间上的隐藏特征，提高故障诊断的准确性。
实施例三
为了实现上述实施例，本公开还提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如实施例一所述的方法。
实施例四
为了实现上述实施例，本公开还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于LSTM-CNN混合神经网络的励磁系统故障诊断方法，其特征在于，所述方法包括：
按时序采集励磁系统待诊断的状态数据；
对所述励磁系统待诊断的状态数据进行预处理；
将预处理后的所述状态数据输入预先练好的LSTM-CNN混合神经网络故障诊断模型中进行诊断，得到所述励磁系统的故障诊断结果；
其中，所述LSTM-CNN混合神经网络故障诊断模型是以历史时段内各时刻的所述励磁系统的状态数据作为输入，以历史时段内各时刻的所述励磁系统的状态数据对应的故障诊断结果作为输出进行训练得到的。
2.如权利要求1所述的方法，其特征在于，所述状态数据包括：励磁变二次侧电压、励磁变温度、有功功率、无功功率、机组频率、定子电压、功率因数、稳定性、动态特性、励磁电压、励磁电流、触发脉冲、触发角、风机温度、碳刷温度、转子温度、灭磁开关、灭磁波形数据；
所述故障诊断结果包括：开机过程故障、励磁调节器故障、励磁功率单元故障、励磁变压器故障、灭磁回路故障。
3.如权利要求2所述的方法，其特征在于，所述对所述励磁系统待诊断的状态数据进行预处理，包括：
对所述励磁系统待诊断的状态数据进行缺失值的补充，并进行归一化处理。
4.如权利要求1所述的方法，其特征在于，所述LSTM-CNN混合神经网络故障诊断模型包括：LSTM神经网络模型和CNN神经网络模型；
所述LSTM神经网络模型包括：第一输入层、隐藏层和输出层；
所述CNN神经网络模型包括：第二输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层。
5.如权利要求4所述的方法，其特征在于，所述LSTM-CNN混合神经网络故障诊断模型的训练过程包括：
获取所述励磁系统历史时段各时刻的状态数据、所述状态数据对应的故障特征数据、所述故障特征数据对应的故障类型数据，并对所述状态数据、所述状故障特征数据、所述故障类型数据进行预处理；
将预处理后的所述状态数据、所述状故障特征数据、所述故障类型数据划分为训练集和测试集；
以训练集中的状态数据为输入，以训练集中所述状态数据对应的故障特征数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法进行训练，得到初始的LSTM神经网络模型，然后对所述模型进行校验，得到训练好的LSTM神经网络模型；
以训练集中的故障特征数据为输入，以训练集中所述故障特征数据对应的故障类型数据为输出，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法对所述模型进行训练，得到初始的CNN神经网络模型，然后对所述模型进行校验，得到训练好的CNN神经网络模型。
6.如权利要求5所述的方法，其特征在于，所述对所述模型进行校验，得到训练好的LSTM神经网络模型，包括：
将测试集中的状态数据输入到所述初始的LSTM神经网络模型中，得到所述初始的LSTM神经网络模型输出的故障特征数据；
基于测试集中的故障特征数据判断所述初始的LSTM神经网络模型的准确率，若所述初始的LSTM神经网络模型准确率大于预设的第一准确率阈值，则将所述初始的LSTM神经网络模型作为训练好的LSTM神经网络模型，否则调节模型参数从新进行训练；
所述对所述模型进行校验，得到训练好的CNN神经网络模型，包括：
将测试集中的故障特征数据输入到所述初始的CNN神经网络模型中，得到所述初始的CNN神经网络模型输出的故障类型数据；
基于测试集中的故障类型数据判断所述初始的CNN神经网络模型的准确率，若所述初始的CNN神经网络模型准确率大于预设的第二准确率阈值，则将所述初始的CNN神经网络模型作为训练好的CNN神经网络模型，否则调节模型参数从新进行训练。
7.一种基于LSTM-CNN混合神经网络的励磁系统故障诊断的系统，其特征在于，所述系统包括：
采集模块，用于按时序采集励磁系统待诊断的状态数据；
预处理模块，用于对所述励磁系统待诊断的状态数据进行预处理；
诊断模块，用于将预处理后的所述状态数据输入预先练好的LSTM-CNN混合神经网络故障诊断模型中进行诊断，得到所述励磁系统的故障诊断结果；
其中，所述LSTM-CNN混合神经网络故障诊断模型是以历史时段内各时刻的所述励磁系统的状态数据作为输入，以历史时段内各时刻的所述励磁系统的状态数据对应的故障诊断结果作为输出进行训练得到的。
8.如权利要求7所述的系统，其特征在于，所述状态数据包括：励磁变二次侧电压、励磁变温度、有功功率、无功功率、机组频率、定子电压、功率因数、稳定性、动态特性、励磁电压、励磁电流、触发脉冲、触发角、风机温度、碳刷温度、转子温度、灭磁开关、灭磁波形数据；
所述故障诊断结果包括：开机过程故障、励磁调节器故障、励磁功率单元故障、励磁变压器故障、灭磁回路故障。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-6任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211382981.1A CN115712064B (zh) | 2022-11-07 | 2022-11-07 | 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211382981.1A CN115712064B (zh) | 2022-11-07 | 2022-11-07 | 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115712064A true CN115712064A (zh) | 2023-02-24 |
| CN115712064B CN115712064B (zh) | 2024-02-06 |
Family
ID=85232397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211382981.1A Active CN115712064B (zh) | 2022-11-07 | 2022-11-07 | 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115712064B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109814523A (zh) * | 2018-12-04 | 2019-05-28 | 合肥工业大学 | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 |
| CN111459697A (zh) * | 2020-03-27 | 2020-07-28 | 河海大学 | 一种基于深度学习网络的励磁系统故障监测方法 |
| CN111722145A (zh) * | 2020-06-12 | 2020-09-29 | 华北电力大学（保定） | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 |
| CN112508429A (zh) * | 2020-12-16 | 2021-03-16 | 常州大学 | 一种基于卷积神经网络的埋地管道阴极保护系统故障诊断方法 |
| CN113158364A (zh) * | 2021-04-02 | 2021-07-23 | 中国农业大学 | 循环泵轴承故障检测方法及系统 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| CN114281054A (zh) * | 2021-10-09 | 2022-04-05 | 南京航空航天大学 | 一种基于lstm-cnn的飞机远程故障分析方法及系统 |
-
2022
- 2022-11-07 CN CN202211382981.1A patent/CN115712064B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109814523A (zh) * | 2018-12-04 | 2019-05-28 | 合肥工业大学 | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 |
| CN111459697A (zh) * | 2020-03-27 | 2020-07-28 | 河海大学 | 一种基于深度学习网络的励磁系统故障监测方法 |
| CN111722145A (zh) * | 2020-06-12 | 2020-09-29 | 华北电力大学（保定） | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 |
| CN112508429A (zh) * | 2020-12-16 | 2021-03-16 | 常州大学 | 一种基于卷积神经网络的埋地管道阴极保护系统故障诊断方法 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| CN113158364A (zh) * | 2021-04-02 | 2021-07-23 | 中国农业大学 | 循环泵轴承故障检测方法及系统 |
| CN114281054A (zh) * | 2021-10-09 | 2022-04-05 | 南京航空航天大学 | 一种基于lstm-cnn的飞机远程故障分析方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 莫英东: "基于LSTM-CNN的双馈风力发电机电刷滑环电弧故障诊断", 控制工程, vol. 29, no. 8, pages 1521 - 1523 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115712064B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
| Li et al. | An ensemble learning-based prognostic approach with degradation-dependent weights for remaining useful life prediction | |
| Hong et al. | Vehicle energy system active defense: a health assessment of lithium‐ion batteries | |
| CN110766137A (zh) | 基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法 | |
| CN106021771A (zh) | 一种故障诊断方法及装置 | |
| CN109344517A (zh) | 一种新能源汽车的高压绝缘故障诊断方法 | |
| Niu et al. | Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis | |
| Koppen-Seliger et al. | Fuzzy logic and neural networks in fault detection | |
| CN112632840A (zh) | 基于自适应差分进化算法与elm的电网暂态稳定评估方法 | |
| CN113177357A (zh) | 一种电力系统暂态稳定评估方法 | |
| CN111881159A (zh) | 一种基于代价敏感极端随机森林的故障检测方法及装置 | |
| Dai et al. | Fault diagnosis of data‐driven photovoltaic power generation system based on deep reinforcement learning | |
| CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
| Singh et al. | Power system fault diagnosis using fuzzy decision tree | |
| Gou et al. | Remaining useful life prediction for lithium-ion battery using ensemble learning method | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| Tiwary et al. | Multi-dimensional ANN application for active power flow state classification on a utility system | |
| CN115712064A (zh) | 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 | |
| CN116663889A (zh) | 一种基于改进高斯模型的新型电力系统风险评估方法 | |
| CN115712871A (zh) | 一种结合重采样和集成学习的电力电子系统故障诊断方法 | |
| Reaz et al. | VHDL modeling for classification of power quality disturbance employing wavelet transform, artificial neural network and fuzzy logic | |
| Virk et al. | Fault prediction using artificial neural network and fuzzy logic | |
| CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
| Xiong et al. | Research on Health Condition Assessment Method for Spacecraft Power Control System Based on SVM and Cloud Model | |
| Basia et al. | Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries |
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 |