CN116451123A - 基于issa-mkelm的变压器早期故障诊断方法 - Google Patents
基于issa-mkelm的变压器早期故障诊断方法 Download PDFInfo
- Publication number
- CN116451123A CN116451123A CN202310471832.0A CN202310471832A CN116451123A CN 116451123 A CN116451123 A CN 116451123A CN 202310471832 A CN202310471832 A CN 202310471832A CN 116451123 A CN116451123 A CN 116451123A
- Authority
- CN
- China
- Prior art keywords
- issa
- mkelm
- transformer
- ssdae
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000000739 chaotic effect Effects 0.000 claims abstract description 31
- 241000287127 Passeridae Species 0.000 claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000010845 search algorithm Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 76
- 238000000605 extraction Methods 0.000 claims description 22
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000005312 nonlinear dynamic Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000002847 impedance measurement Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于ISSA‑MKELM的变压器早期故障诊断方法,包括如下方法步骤:收集变压器在不同状态下运行的数据得到相应的包络谱信号,相应包络谱信号进行数据的归一化处理,并将处理后的数据随机划分为训练数据和测试数据;从输入的数据中提取各个不同类别的早期故障特征,网络的隐含层节点数量以及各层DA的学习率,通过ISSA算法进行优化选择;构造混合核极限学习机MKELM,引入Bernoulli混沌映射优化麻雀初始种群,采用改进后的麻雀搜索算法ISSA对混合核极限学习机MKELM的参数进行优化,建立ISSA‑MKELM故障诊断模型进行测试,计算该模型对于测试样本的诊断正确率。本发明与现有技术相比具有良好的诊断精度和鲁棒性的优点。
Description
技术领域
本发明涉及变压器故障诊断技术领域,尤其涉及一种基于ISSA-MKELM的变压器早期故障诊断方法。
背景技术
变压器尤其是大型变压器,是现代电网中的关键枢纽设备,其运行的可靠性直接关系到电网运行的安全性和稳定性。变压器内部机械故障为潜伏性故障,当其机械性能退化到一定程度时会导致电气故障、绝缘故障等一系列连锁反应,甚至发展为灾难性故障,而在机械故障中,变压器绕组与铁芯为发生故障最多的结构,因此,对于变压器绕组和铁芯潜伏性故障的诊断是至关重要的。
对于变压器的故障诊断目前有着多种手段,如色谱分析、绝缘性能测试、局部放电测试、直流泄露电流测量,低压短路阻抗测量等,但是这些方法对于局部故障无能为力。随着变压器诊断技术的不断发展,油溶解气体分析(DGA)得到了广泛的关注与研究,但DGA法仅仅能够判断出变压器是否存在故障,无法判断故障的严重程度以及故障发生位置,且对危害性最大的机械故障的诊断收效甚微。
同时,随着现代传感技术以及信号处理技术的飞速发展,各种状态监测原理、传感技术以及信号处理技术被应用于电力设备故障诊断上,常见的有短路阻抗法、电容量变化法、低压脉冲法、频率响应法、超声波法以及振动分析法等。振动分析法是一种无损在线监测方法,将传感器布置在变压器油箱外壁上,与变压器没有直接的电气联系,不会影响到变压器的正常运行,这是振动分析法的优点,也是目前的主流分析方法。然而,采集到的变压器振动信号必然含有一定的噪声,且在变压器故障早期,其故障特征不明显,导致特征难以提取。常见的特征提取方法如主成分分析、小波分析以及盲源分离等,这些方法属于浅层特征提取,难以实现对于变压器早期故障信号的特征提取。因此,如何提供一种基于ISSA-MKELM的变压器早期故障诊断方法是本领域技术人员亟需解决的问题。
发明内容
本发明的一个目的在于提出一种基于ISSA-MKELM的变压器早期故障诊断方法,本发明与现有技术相比具有良好的诊断精度和鲁棒性的优点。
根据本发明实施例的一种基于ISSA-MKELM的变压器早期故障诊断方法,包括如下方法步骤:
收集变压器在不同状态下运行的数据,变压器不同故障的早期振动信号进行预处理得到相应的包络谱信号,相应包络谱信号进行数据的归一化处理,并将处理后的数据随机划分为训练数据和测试数据;
从输入的数据中提取各个不同类别的早期故障特征,网络的隐含层节点数量以及各层DA的学习率,通过ISSA算法进行优化选择;
构造混合核极限学习机MKELM,引入Bernoulli混沌映射优化麻雀初始种群,使用柯西高斯变异策略和非线性动态惯性权重,采用改进后的麻雀搜索算法ISSA对混合核极限学习机MKELM的参数进行优化,建立ISSA-MKELM故障诊断模型;
采用测试数据对早期故障诊断模型ISSA-MKELM进行测试,计算该模型对于测试样本的诊断正确率。
可选的,所述变压器分为九种状态的运行数据,所述训练数据包括SSDAE预训练和全局微调SSDAE,所述训练数据用于训练深层特征提取神经网络SSDAE。
可选的,所述将变压器不同故障的振动信号进行预处理并得到相应的包络谱信号,还包括:
采用CEEMD对原始振动信号x(t)进行分解,得到若干个IMF以及残余项;
选取相关度较高的IMF并计算得到Hilbert谱;
在Hilbert谱的基础上得到对应的包络值;
将得到的包络值进行傅里叶变换,即可得到对应的包络谱。
可选的,所述混合核极限学习机MKELM由高斯核函数和多项式核函数构造而成。
可选的,所述无监督的堆叠稀疏去噪自编码器SSDAE预训练,还包括:
选择采用均方误差函数作为SSDAE的重构误差函数,使用批量处理策略对大规模的训练样本集进行处理;
在得到误差函数之后,通过批量随机梯度下降法求取误差函数得到极小值,求取各参数对于误差函数的偏导数;
网络激活函数选择sigmoid函数,求取其一阶导数以及二阶导数函数;
通过权重以及偏置项表示SSDAE,求得各参数对zik的偏导数;
由链式法则求出各参数对于损失函数的偏导数;
根据链式法则以及梯度下降法更新参数集的规则,并更新规则对参数集进行更新,直到满足误差收敛标准为止,训练完成后移除重构层,则最后一个隐含层的输出结果即为特征提取的结果。
可选的,所述有监督的全局微调SSDAE,还包括:
SSDAE预训练结束后,将SOFTMAX分类器添加到SSDAE最后一层隐含层之后构成完整网络;
输入有标签数据,使用反向传播算法对整个网络进行自上向下的全局训练,分类器损失函数的偏导项将向下逐层传播,对SSDAE原初始化的网络权值进行微小调整;
分类器权值参数对损失函数的偏导数,根据梯度下降规则,对参数进行微调:
根据反向传播算法,自上向下调整网络所有层的相关权值,直至完成收敛标准。
可选的,所述使用ISSA算法对混合核极限学习机分类模型进行优化,还包括:
用混合核函数实现从输入空间到高维隐层特征空间的映射;
在种群初始化阶段引入Bernoulli混沌映射,产生混沌序列;
当得到遍历整个二维空间的混沌序列后将混沌粒子映射到环境建模需要的搜索范围中;
引入动态惯性权重对麻雀种群发现者位置更新方式进行优化,调和均衡算法的全局寻优和局部挖掘能力,在算法进化前期主要对搜索空间进行探索达到较优区域,并找到最优解。
可选的,所述Bernoulli映射的数学表达式为:
式中:Zk为产生的第k代混沌序列的当前值,λ为控制参数;
可选的,当得到遍历整个二维空间的混沌序列后将混沌粒子映射到环境建模需要的搜索范围中,即:
式中,Xmin和Xmax为横轴的最小和最大值分别设为10、200;Ymin和Ymax为纵轴的最小和最大值分别设为-10、10;为第k代麻雀的位置。
可选的,所述加入动态惯性权重w的发现者位置更新为:
式中,t代表当前迭代次数,j=1,2,.....,d,其中d代表解的维度,itermax为最大迭代次数。Xi,j表示第i只麻雀在第j维的位置,α∈(0,1]是一个随机数,R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值,Q为一个服从正态分布的随机数,L为一个1×d的全1矩阵;wstart为初始惯性权重;wend为最大迭代次数时的惯性权重。
本发明的有益效果是:
(1)本发明采用深度学习技术搭建的基于SSDAE-Softmaxs深层特征提取网络进行特征提取方法,解决了传统特征提取方法无法获取振动数据深层次特征的问题;
(2)本发明针对核极限学习机分类器KELM的缺陷,结合高斯核函数和多项式核函数构造具有更强泛化能力的混合核极限学习机MKELM;
(3)本发明针对麻雀搜索算法随机初始化种群和易陷入局部极值的问题,引入Bernoulli混沌映射优化麻雀初始种群,并使用柯西高斯变异策略和非线性动态惯性权重对麻雀搜索算法易陷入局部最优问题进行改进,然后采用改进后的麻雀搜索算法ISSA对混合核极限学习机MKELM的参数进行优化并建立基于ISSA-MKELM的变压器早期故障诊断模型。
附图说明
在附图中:
图1为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法的流程图;
图2为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法中自动编码器的结构图;
图3为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法中SOFTMAX的结构图;
图4为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法中基于SSDAE的特征提取流程图;
图5为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法中ISSA寻优算法对比图;
图6为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法中原始数据特征分布二维分布图;
图7为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法中采用t-sne处理后的二维特征分布图;
图8为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法中Bernoulli混沌序列分布;
图9为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法中柯西分布与高斯分布概率密度函数曲线;
图10为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法中极限学习机网络模型;
图11为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法中ISSA-MKELM诊断结果图;
图12为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法中SSA-MKELM诊断结果图;
图13为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法中SSA-KELM诊断结果图;
图14为本发明提出的一种基于ISSA-MKELM的变压器早期故障诊断方法中SSA-SVM诊断结果图。
具体实施方式
参考图1,一种基于ISSA-MKELM的变压器早期故障诊断方法,包括如下方法步骤:
收集变压器在不同状态下运行的数据,变压器不同故障的早期振动信号进行预处理得到相应的包络谱信号,相应包络谱信号进行数据的归一化处理,并将处理后的数据随机划分为训练数据和测试数据,变压器分为九种状态的运行数据,训练数据包括SSDAE预训练和全局微调SSDAE,训练数据用于训练深层特征提取神经网络SSDAE;
本实施方式中,将变压器不同故障的振动信号进行预处理并得到相应的包络谱信号,还包括:
采用CEEMD对原始振动信号x(t)进行分解,得到若干个IMF以及残余项;
其中,ci(t)为IMF,rn为残余项。
选取相关度较高的IMF,IMF与原始信号之间的相关度可以通过以下公式进行计算:
其中,si表示第i个IMF与原始信号之间的相关度,当其大于0.5时,可认为是高度相关的。
上一步中得到的相关IMF计算得到Hilbert谱:
在Hilbert谱的基础上,可以通过下式得到对应的包络值:
将得到的包络值进行傅里叶变换,即可得到对应的包络谱。
从输入的数据中提取各个不同类别的早期故障特征,网络的隐含层节点数量以及各层DA的学习率,通过ISSA算法进行优化选择;
本实施方式中,无监督的堆叠稀疏去噪自编码器SSDAE预训练,还包括:选择采用均方误差函数作为SSDAE的重构误差函数,使用批量处理策略对大规模的训练样本集进行处理,批量样本集的误差函数可描述为:
式中,n表示输入数据的维度,m表示批量处理的样本总量,xij表示第i个样本中的第j个分量。
在得到误差函数之后,通过批量随机梯度下降法求取误差函数得到极小值,求取各参数对于误差函数的偏导数;
网络激活函数选择sigmoid函数,求取其一阶导数以及二阶导数函数;
通过权重以及偏置项表示SSDAE,求得各参数对zik的偏导数:
SSDAE的表达式可通过权重以及偏置项表示:
式中,uip表示第i个训练样本的所有输入分量到隐含层第p个单元的加权和,vik表示第i个训练样本的所有输入分量到重构层第k个单元的加权和。
求得各参数对zik的偏导数:
式中,wrs为输入层第r个单元到隐含层中的s单元的权重,bhr为隐含层中r单元的偏置项,bzr为重构层中r单元的偏置项。
由链式法则可以求出各参数对于损失函数的偏导数:
根据链式法则以及梯度下降法,参数集的更新规则可由下式描述:
按照上式中描述的更新规则对参数集进行更新,直到满足误差收敛标准为止;训练完成后移除重构层,则最后一个隐含层的输出结果即为特征提取的结果。
本实施方式中,有监督的全局微调SSDAE,还包括:
SSDAE预训练结束后,将SOFTMAX分类器添加到SSDAE最后一层隐含层之后构成完整网络。输入有标签数据,使用反向传播算法对整个网络进行自上向下的全局训练,分类器损失函数的偏导项将向下逐层传播,对SSDAE原初始化的网络权值进行微小调整。全局微调后的SSDAE网络的特征提取能力将进一步优化。SOFTMAX分类器的损失函数如下:
式中,w和b分别代表分类器的权重和偏置,Qj代表第j个训练样本的特征向量,N代表故障模式总数,Yj为训练样本的类标签,1{·}为指示函数,当样本属于第i类故障时值为1,否则为0。
分类器权值参数对损失函数的偏导数可求得:
根据梯度下降规则,对参数进行微调:
根据反向传播算法,自上向下调整网络所有层的相关权值,直至完成收敛标准。
针对核极限学习机分类器KELM的缺陷,结合高斯核函数和多项式核函数构造具有更强泛化能力的混合核极限学习机MKELM,其次针对麻雀搜索算法随机初始化种群和易陷入局部极值的问题,引入Bernoulli混沌映射优化麻雀初始种群,使用柯西高斯变异策略和非线性动态惯性权重对麻雀搜索算法易陷入局部最优问题进行改进,然后采用改进后的麻雀搜索算法ISSA对混合核极限学习机MKELM的参数进行优化并建立ISSA-MKELM故障诊断模型;
本实施方式中,使用ISSA算法对混合核极限学习机分类模型进行优化,还包括:
核极限学习机分类性能的优劣很大程度上取决于核函数。一般来说,单一的全局核函数或局部核函数都有其局限性,不能很好地平衡拟合和泛化之间的矛盾。由于高斯核函数是典型的全局核函数,多项式核函数是典型的局部核函数,所以可以考虑将这两种核函数混合,用混合核函数代替原来的单一核函数,可以使模型具有更好的学习能力和泛化能力,能够更准确地实现从输入空间到高维隐层特征空间的映射。混合核函数的具体表达式为:
其中:δ,n,d和λ是混合核函数的参数;
在种群初始化阶段引入Bernoulli混沌映射,产生混沌序列;
当得到遍历整个二维空间的混沌序列后将混沌粒子映射到环境建模需要的搜索范围中;
引入动态惯性权重对麻雀种群发现者位置更新方式进行优化,调和均衡算法的全局寻优和局部挖掘能力,在算法进化前期主要对搜索空间进行探索达到较优区域,并找到最优解。
本实施方式中,传统的麻雀算法在麻雀种群初始化阶段采用的是生成随机数的方式进行初始化种群位置,使得种群中麻雀的位置良莠不齐同时不能遍历环境中的所有位置,导致其收敛速度较低,所以本发明提出在种群初始化阶段引入Bernoulli混沌映射,用来产生混沌序列,其具有非线性、遍历性、随机性等特征,能获得比随机数更好的寻优效果。Bernoulli映射的数学表达式可表示为Bernoulli映射的数学表达式为:
式中:Zk为产生的第k代混沌序列的当前值,λ为控制参数;
本实施方式中,当得到遍历整个二维空间的混沌序列后将混沌粒子映射到环境建模需要的搜索范围中,即:
式中,Xmin和Xmax为横轴的最小和最大值分别设为10、200;Ymin和Ymax为纵轴的最小和最大值分别设为-10、10;为第k代麻雀的位置。
本实施方式中,加入动态惯性权重w的发现者位置更新为:
式中,t代表当前迭代次数,j=1,2,.....,d,其中d代表解的维度,itermax为最大迭代次数。Xi,j表示第i只麻雀在第j维的位置,α∈(0,1]是一个随机数,R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值,Q为一个服从正态分布的随机数,L为一个1×d的全1矩阵;wstart为初始惯性权重,本实施方式中取0.9;wend为最大迭代次数时的惯性权重,本实施方式中取0.4。
采用测试数据对早期故障诊断模型ISSA-MKELM进行测试,计算该模型对于测试样本的诊断正确率,通过以上方法便可完成变压器早期故障诊断。
参考图2,本实施方式中自动编码器它是一种无监督的神经网络模型,包括输入层、隐藏层和输出层。输入层和隐藏层构成编码器,隐藏层和输出层构成解码器。
参考图3,增加了Softmax分类器之后的SSDAE网络本质上仍然是一个多层神经网络,因此可采用误差反向传播算法进行训练。
参考图4,SSDAE-Softmax是通过使用分层预训练过程堆叠多个SDAE和具有全局微调策略的Softmax分类器来建立的。在Softmax分类器有监督训练方式的辅助下,SSDAE提取数据深度特征的能力大大增强,基于SSDAE提取数据特征的方法主要包括两个步骤:SSDAE预训练和全局微调。其中SSDAE的预训练过程为无监督学习过程,是为了得到SSDAE并初始化其模型参数;全局微调则是针对于SSDAE以及Softmax构成的全局框架进行的有监督学习,从而得到最佳的模型参数,在全局微调结束之后,将Softmax分类器移除,则剩下的SSDAE即可用于特征提取,其最终输出为数据的深层次特征表达。
为了验证ISSA的效果,本发明同时采用了SSA、PSO以及GWO三种优化算法进行比较,参考图5,为上述几种算法迭代过程中适应度函数值的变化情况。由图中数据可以看出,ISSA仅需要迭代10次左右即可收敛,且能够得到最小的适应度函数值,表明了该算法的优越性。
本实施方式中,使用MATLAB中的深度学习库搭建SSDAE-Softmax网络结构,使用经验设置网络参数无法获得最佳的特征提取效果,本发明使用ISSA算法优化网络的隐含层单元数及各层DA的学习率等超参数,以获取最优的特征提取网络模型,其最优参数集如表1所示:
表1最优参数集
隐含层结构 | 稀疏性参数 | DA1学习率 | DA2学习率 |
15370-8595 | 0.0527 | 0.1856 | 0.1747 |
参考图6-图7,应用ISSA生成的隐含层节点数、稀疏性参数以及学习率构成优化后的SSDAE,并用优化后的网络进行特征提取,经过特征提取后维度有所降低,但仍属于高维数据,不易于显示出特征提取的效果。为了实现9种故障实例中提取到的特征的不同故障类别的散点分布情况,本实施方式中采用t-sne工具对原始数据以及提取后的特征进行可视化处理,并显示出其2维分布图,其中最后一层隐含层所提取的特征即为输出特征。
参考图8,为Bernoulli混沌序列分布图,将Bernoulli映射迭代200次,得到的[0,1]区间范围内值的分布情况。本发明提出在种群初始化阶段引入Bernoulli混沌映射,用来产生混沌序列,其具有非线性、遍历性、随机性等特征,用其替代随机数初始化种群会影响算法的整个过程,获得比随机数更好的寻优效果。
参考图9,为柯西分布与高斯分布概率密度函数曲线,由图可知,高斯分布在水平轴上较为局部,有利于算法高效地找到当前搜索区域极小值点。柯西分布在垂直方向上略小于高斯分布,在水平方向上分布范围较大,更易产生一个远离原点的随机数,有利于帮助算法跳出局部最优,更适用于全局搜索。因此,本发明在算法寻优前期使用柯西扰动,提高全局搜索能力,在寻优后期使用高斯扰动进行更细致的小范围搜索加快收敛速度。
参考图10,是一种新的单隐层的前馈神经网络学习算法,已被广泛应用到许多不同的领域。针对ELM随机设定隐含层初始权重和偏置导致分类准确度不稳定的缺点,将支持向量机(SVM)中的核函数思想引入ELM,提出核极限学习机(KELM),而单一的全局核函数或局部核函数都有其局限性,不能很好地平衡拟合和泛化之间的矛盾,故采用混合核函数代替原来的单一核函数,有效提高模型性能。
同时,表2是本发明用于诊断的各种不同类型的故障信息:
表2故障类型
参考图11-图14,为验证本文改进算法及优化模型的有效性,分别测试(a)ISSA-MKELM,(b)SSA-MKELM,(c)SSA-KELM,(d)SSA-SVM四种模型的诊断准确率,采用本发明所述方法ISSA-MKELM对故障识别的分类准确率达到100%,对变压器故障诊断识别分类具有较好的效果。对比可知,核极限学习机比支持向量机网络分类准确度更高,且使用混合核函数和改进的SSA算法对于ELM网络模型的识别分类准确率能够得到较好的提升。
本发明采用深度学习技术搭建的基于SSDAE-Softmaxs深层特征提取网络进行特征提取方法,解决了传统特征提取方法无法获取振动数据深层次特征的问题;针对核极限学习机分类器KELM的缺陷,结合高斯核函数和多项式核函数构造具有更强泛化能力的混合核极限学习机MKELM;其次针对麻雀搜索算法随机初始化种群和易陷入局部极值的问题,引入Bernoulli混沌映射优化麻雀初始种群,并使用柯西高斯变异策略和非线性动态惯性权重对麻雀搜索算法易陷入局部最优问题进行改进。然后采用改进后的麻雀搜索算法ISSA对混合核极限学习机MKELM的参数进行优化并建立基于ISSA-MKELM的变压器早期故障诊断模型。同时与现有技术相比,本发明具有良好的诊断精度和鲁棒性的优点。
Claims (10)
1.一种基于ISSA-MKELM的变压器早期故障诊断方法,其特征在于,包括如下方法步骤:
收集变压器在不同状态下运行的数据,变压器不同故障的早期振动信号进行预处理得到相应的包络谱信号,相应包络谱信号进行数据的归一化处理,并将处理后的数据随机划分为训练数据和测试数据;
从输入的数据中提取各个不同类别的早期故障特征,网络的隐含层节点数量以及各层DA的学习率,通过ISSA算法进行优化选择;
构造混合核极限学习机MKELM,引入Bernoulli混沌映射优化麻雀初始种群,使用柯西高斯变异策略和非线性动态惯性权重,采用改进后的麻雀搜索算法ISSA对混合核极限学习机MKELM的参数进行优化,建立ISSA-MKELM故障诊断模型;
采用测试数据对早期故障诊断模型ISSA-MKELM进行测试,计算该模型对于测试样本的诊断正确率。
2.根据权利要求1所述的一种基于ISSA-MKELM的变压器早期故障诊断方法,其特征在于,所述变压器分为九种状态的运行数据,所述训练数据包括SSDAE预训练和全局微调SSDAE,所述训练数据用于训练深层特征提取神经网络SSDAE。
3.根据权利要求1所述的一种基于ISSA-MKELM的变压器早期故障诊断方法,其特征在于,所述将变压器不同故障的振动信号进行预处理并得到相应的包络谱信号,还包括:
采用CEEMD对原始振动信号x(t)进行分解,得到若干个IMF以及残余项;
选取相关度较高的IMF并计算得到Hilbert谱;
在Hilbert谱的基础上得到对应的包络值;
将得到的包络值进行傅里叶变换,即可得到对应的包络谱。
4.根据权利要求1所述的一种基于ISSA-MKELM的变压器早期故障诊断方法,其特征在于,所述混合核极限学习机MKELM由高斯核函数和多项式核函数构造而成。
5.根据权利要求2所述的一种基于ISSA-MKELM的变压器早期故障诊断方法,其特征在于,所述无监督的堆叠稀疏去噪自编码器SSDAE预训练,还包括:
选择采用均方误差函数作为SSDAE的重构误差函数,使用批量处理策略对大规模的训练样本集进行处理;
在得到误差函数之后,通过批量随机梯度下降法求取误差函数得到极小值,求取各参数对于误差函数的偏导数;
网络激活函数选择sigmoid函数,求取其一阶导数以及二阶导数函数;
通过权重以及偏置项表示SSDAE,求得各参数对zik的偏导数;
由链式法则求出各参数对于损失函数的偏导数;
根据链式法则以及梯度下降法更新参数集的规则,并更新规则对参数集进行更新,直到满足误差收敛标准为止,训练完成后移除重构层,则最后一个隐含层的输出结果即为特征提取的结果。
6.根据权利要求5所述的一种基于ISSA-MKELM的变压器早期故障诊断方法,其特征在于,所述有监督的全局微调SSDAE,还包括:
SSDAE预训练结束后,将SOFTMAX分类器添加到SSDAE最后一层隐含层之后构成完整网络;
输入有标签数据,使用反向传播算法对整个网络进行自上向下的全局训练,分类器损失函数的偏导项将向下逐层传播,对SSDAE原初始化的网络权值进行微小调整;
类器权值参数对损失函数的偏导数,根据梯度下降规则,对参数进行微调:
根据反向传播算法,自上向下调整网络所有层的相关权值,直至完成收敛标准。
7.根据权利要求1所述的一种基于ISSA-MKELM的变压器早期故障诊断方法,其特征在于,所述使用ISSA算法对混合核极限学习机分类模型进行优化,还包括:
用混合核函数实现从输入空间到高维隐层特征空间的映射;
在种群初始化阶段引入Bernoulli混沌映射,产生混沌序列;
当得到遍历整个二维空间的混沌序列后将混沌粒子映射到环境建模需要的搜索范围中;
引入动态惯性权重对麻雀种群发现者位置更新方式进行优化,调和均衡算法的全局寻优和局部挖掘能力,在算法进化前期主要对搜索空间进行探索达到较优区域,并找到最优解。
8.根据权利要求7所述的一种基于ISSA-MKELM的变压器早期故障诊断方法,其特征在于,所述Bernoulli映射的数学表达式为:
式中:Zk为产生的第k代混沌序列的当前值,λ为控制参数。
9.根据权利要求7所述的一种基于ISSA-MKELM的变压器早期故障诊断方法,其特征在于,当得到遍历整个二维空间的混沌序列后将混沌粒子映射到环境建模需要的搜索范围中,即:
式中,Xmin和Xmax为横轴的最小和最大值分别设为10、200;Ymin和Ymax为纵轴的最小和最大值分别设为-10、10;为第k代麻雀的位置。
10.根据权利要求7所述的一种基于ISSA-MKELM的变压器早期故障诊断方法,其特征在于,所述加入动态惯性权重w的发现者位置更新为:
式中,t代表当前迭代次数,j=1,2,.....,d,其中d代表解的维度,itermax为最大迭代次数。Xi,j表示第i只麻雀在第j维的位置,α∈(0,1]是一个随机数,R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值,Q为一个服从正态分布的随机数,L为一个1×d的全1矩阵;wstart为初始惯性权重;wend为最大迭代次数时的惯性权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310471832.0A CN116451123A (zh) | 2023-04-27 | 2023-04-27 | 基于issa-mkelm的变压器早期故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310471832.0A CN116451123A (zh) | 2023-04-27 | 2023-04-27 | 基于issa-mkelm的变压器早期故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116451123A true CN116451123A (zh) | 2023-07-18 |
Family
ID=87123687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310471832.0A Pending CN116451123A (zh) | 2023-04-27 | 2023-04-27 | 基于issa-mkelm的变压器早期故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451123A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117276600A (zh) * | 2023-09-05 | 2023-12-22 | 淮阴工学院 | 基于pso-gwo-delm的质子交换膜燃料电池系统故障诊断方法 |
CN117272116A (zh) * | 2023-10-13 | 2023-12-22 | 西安工程大学 | 一种基于loras平衡数据集的变压器故障诊断方法 |
CN117349735A (zh) * | 2023-12-05 | 2024-01-05 | 国家电投集团云南国际电力投资有限公司 | 一种直流微电网的故障检测方法、装置、设备及存储介质 |
CN117493980A (zh) * | 2023-12-29 | 2024-02-02 | 合肥工业大学 | 一种集成特征提取和排序因果发现的轴承故障诊断方法 |
CN117891238A (zh) * | 2024-03-13 | 2024-04-16 | 青岛科技大学 | 一种阻拦着舰装备中定长冲跑阀故障诊断方法 |
-
2023
- 2023-04-27 CN CN202310471832.0A patent/CN116451123A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117276600A (zh) * | 2023-09-05 | 2023-12-22 | 淮阴工学院 | 基于pso-gwo-delm的质子交换膜燃料电池系统故障诊断方法 |
CN117276600B (zh) * | 2023-09-05 | 2024-06-11 | 淮阴工学院 | 基于pso-gwo-delm的质子交换膜燃料电池系统故障诊断方法 |
CN117272116A (zh) * | 2023-10-13 | 2023-12-22 | 西安工程大学 | 一种基于loras平衡数据集的变压器故障诊断方法 |
CN117272116B (zh) * | 2023-10-13 | 2024-05-17 | 西安工程大学 | 一种基于loras平衡数据集的变压器故障诊断方法 |
CN117349735A (zh) * | 2023-12-05 | 2024-01-05 | 国家电投集团云南国际电力投资有限公司 | 一种直流微电网的故障检测方法、装置、设备及存储介质 |
CN117349735B (zh) * | 2023-12-05 | 2024-03-26 | 国家电投集团云南国际电力投资有限公司 | 一种直流微电网的故障检测方法、装置、设备及存储介质 |
CN117493980A (zh) * | 2023-12-29 | 2024-02-02 | 合肥工业大学 | 一种集成特征提取和排序因果发现的轴承故障诊断方法 |
CN117493980B (zh) * | 2023-12-29 | 2024-03-19 | 合肥工业大学 | 一种集成特征提取和排序因果发现的轴承故障诊断方法 |
CN117891238A (zh) * | 2024-03-13 | 2024-04-16 | 青岛科技大学 | 一种阻拦着舰装备中定长冲跑阀故障诊断方法 |
CN117891238B (zh) * | 2024-03-13 | 2024-05-28 | 青岛科技大学 | 一种阻拦着舰装备中定长冲跑阀故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116451123A (zh) | 基于issa-mkelm的变压器早期故障诊断方法 | |
Zhang et al. | Analog circuit incipient fault diagnosis method using DBN based features extraction | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
CN112765890B (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 | |
CN113702895B (zh) | 一种电压互感器误差状态在线定量评估方法 | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN113822139A (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN113191429A (zh) | 一种电力变压器套管故障诊断方法及装置 | |
Mousavi et al. | Dictionary learning-based damage detection under varying environmental conditions using only vibration responses of numerical model and real intact State: Verification on an experimental offshore jacket model | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN114330549A (zh) | 一种基于深度图网络的化工过程故障诊断方法 | |
Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
CN116932384A (zh) | 一种基于特征融合和特征选择的软件缺陷预测方法 | |
Ren et al. | Machine prognostics based on sparse representation model | |
CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
CN116029221B (zh) | 一种电力设备故障诊断方法、装置、设备及介质 | |
CN116952554A (zh) | 基于图卷积网络的多传感器机械设备故障诊断方法及装置 | |
Carmona et al. | Genetic lateral tuning for subgroup discovery with fuzzy rules using the algorithm NMEEF-SD | |
CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
Zhou et al. | Remaining useful life prediction of aero-engine using CNN-LSTM and mRMR feature selection |
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 |