CN116578922A - 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置 - Google Patents
基于多通道卷积神经网络的阀冷系统故障诊断方法及装置 Download PDFInfo
- Publication number
- CN116578922A CN116578922A CN202310588195.5A CN202310588195A CN116578922A CN 116578922 A CN116578922 A CN 116578922A CN 202310588195 A CN202310588195 A CN 202310588195A CN 116578922 A CN116578922 A CN 116578922A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- convolutional neural
- network model
- multichannel
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 93
- 238000003745 diagnosis Methods 0.000 title claims abstract description 69
- 238000001816 cooling Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 45
- 238000011176 pooling Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 18
- 210000002569 neuron Anatomy 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000004044 response Effects 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
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)
- 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)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种基于多通道卷积神经网络的阀冷系统故障诊断方法及装置,获取故障时间段阀冷控保装置录波信息、后台事件,进行数据处理,构建基于阀冷系统故障信息的数据集;将所述数据集划分为训练集和测试集;构建多通道卷积神经网络模型,采用训练集对其进行训练,得到训练后的多通道卷积神经网络模型,然后采用测试集对所述训练后的多通道卷积神经网络模型进行验证评价,得到最终的多通道卷积神经网络模型;保存所述最终的多通道卷积神经网络模型模型,待具体诊断时复用该模型,对待测数据进行故障诊断分类。此种技术方案解决了当前故障诊断主要依靠人工判别的现状,减小了运维成本,能够提高换流站阀冷系统故障检测的效率以及准确率。
Description
技术领域
本发明属于电力系统领域,具体涉及一种采用多通道卷积神经网络,用于换流阀冷却系统故障诊断的方法及装置。
背景技术
随着我国经济实力、国民生活水平的提高,用电需求也急剧升高,因此特高压直流输电工程因运而生。其中,换流阀是实现高压交直流电能转换的核心设备,其冷却能力则是影响高压直流输电系统安全可靠运行的重要因素。因而,当阀冷系统出现故障时,高效识别阀冷系统故障,准确定位故障部件,可以有效缩短检修时间,提升运维效率。
目前,主要采用人工手段进行阀冷系统的故障诊断。运维人员通过后台故障事件以及阀冷控制保护装置产生的波形信息,结合现场观测情况,进行故障原因判断,从而定位故障部件。该方法增加了运维成本,其准确率高度依赖运维人员的经验及知识储备。
在所述背景技术部分公开的上述信息仅用于加强对本申请的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的,在于提供一种基于多通道卷积神经网络的阀冷系统故障诊断方法及装置,解决了当前故障诊断主要依靠人工判别的现状,减小了运维成本,提高换流站阀冷系统故障检测的效率以及准确率。
为了达成上述目的,本发明的解决方案是:
一种基于多通道卷积神经网络的阀冷系统故障诊断方法,包括如下步骤:
步骤1,获取故障时间段阀冷控保装置录波信息、后台事件,进行数据处理,构建基于阀冷系统故障信息的数据集;
步骤2,将所述数据集划分为训练集和测试集;
步骤3,构建多通道卷积神经网络模型,采用训练集对其进行训练,得到训练后的多通道卷积神经网络模型,然后采用测试集对所述训练后的多通道卷积神经网络模型进行验证评价,得到最终的多通道卷积神经网络模型;
步骤4,保存所述最终的多通道卷积神经网络模型模型,待具体诊断时复用该模型,对待测数据进行故障诊断分类。
上述步骤1中,故障信息包括但不限于进阀温度、出阀温度、外冷回水温度、主循环流量、缓冲罐液位、进阀压力、出阀压力、主循环电导率。
上述步骤1中,获取故障时间段阀冷控保装置后台事件,包括通过控保后台筛选出故障前后阀冷控制保护主机上送的一段时间、一定数量的报警出现事件。
上述步骤1中,进行数据处理,包括,
对于波形信息,采用分段提取的方式进行信息提取,即故障发生时刻前后短时间内采用高采样率,远离故障发生时刻采用低采样率;
对于后台事件,进行独热编码处理,将每条报警事件转化成数字向量,从而将文字转换为向量计算;
将阀冷系统故障原因分类并进行编号,对每个样本的故障原因添加标签形成标注数据集。
上述步骤3中,构建的多通道卷积神经网络模型,包括输入层、卷积池化层、融合层、全连接层、softmax层、输出层,其中,每次卷积层和池化层操作之后都进行ReLU非线性激活函数操作。
上述融合层用于将多通道一维特征向量进行融合:
z=w1·m1+w2·m2+…+wn·mn
其中,w1,w2,…,wn分别为训练过程中学习到的特征向量m1,m2,…,mn的融合权值,融合权值的维数与特征向量的维数一致。
上述步骤3中,采用训练集对多通道卷积神经网络模型进行训练,具体如下:
设置所述多通道卷积神经网络的网络参数向量和初始超参数;
将训练集数据输入至多通道卷积神经网络模型,得到各类阀冷系统故障定位的置信分数;
根据实际故障类别以及置信分数计算损失值;
当所述损失值过大时,通过贝叶斯优化调整所述初始超参数;
基于调整后的超参数,选用通过Adam参数优化算法更新所述网络参数向量;
利用所述训练集数据对更新网络参数向量后的多通道卷积神经网络重新进行训练,直至所述损失值满足预期;
保存所述网络参数向量,得到训练好的所述多通道卷积神经网络模型。
上述步骤3中,采用测试集对训练后的多通道卷积神经网络模型进行验证评价,具体如下:
将处理后的阀冷系统故障信息输入至多通道卷积神经网络模型进行训练,得到故障诊断分类结果准确率;
判断所述故障诊断分类结果准确率是否满足期望;
若满足,得到最终的多通道卷积神经网络模型;若不满足,调整所述多通道卷积神经网络模型的超参数,使所述故障诊断分类结果准确率满足要求。
上述步骤4中,需进行故障诊断时,首先获取故障发生时的阀冷故障信息,将所述故障发生时的阀冷故障信息作为输入,输入至所述最终的多通道卷积神经网络模型,得到阀冷故障的分类诊断结果。
一种基于多通道卷积神经网络的阀冷系统故障诊断装置,包括:
数据集构建模块,用于构建基于阀冷故障的数据集,包括故障时刻波形数据以及后台事件信息,进行数据处理后按比例划分为训练集和测试集;
训练模块,用于采用训练集对多通道卷积神经网络模型进行训练,得到训练后的网络模型;
测试模块,用于采用测试集对所述训练后的多通道卷积神经网络模型进行测试,得到故障分类诊断结果准确率;
优化模块,用于根据所述故障分类诊断结果准确率优化训练后的多通道卷积神经网络模型;
故障信息获取模块,用于获取待诊断的阀冷故障信息;以及,
诊断模块,用于将所述故障发生时的阀冷故障信息作为输入,输入至所述优化后的多通道卷积神经网络模型,得到阀冷故障的分类诊断结果。
采用上述方案后,本发明基于多通道卷积神经网络,模拟人工对于阀冷故障的处理流程,结合故障波形以及后台事件对故障原因进行诊断,将事件信息以及波形信息分别处理后进行融合,输入至网络模型进行训练,然后用训练好的模型进行故障分类诊断,诊断结果可信度高,响应迅速,弥补了以往故障诊断定位效率低的不足,可提高阀冷系统故障检测的效率以及准确率。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请示例性实施例的基于多通道卷积神经网络的换流阀冷却系统故障诊断方法流程图;
图2为本申请示例性实施例的多通道神经网络的结构示意图;
图3为本申请示例性实施例的全连接神经网络示意图。
具体实施方式
在下文中,仅简单地描述某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本申请的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
在本申请的描述中,术语"第一"、"第二"仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,"多个"的含义是两个或两个以上,除非另有明确具体的限定。
下文的公开提供许多不同的实施方式或例子用来实现本申请的不同结构。为简化本申请的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本申请。此外,本申请可以在不同例子中重复参考数字和/或参考字母,这种重复是为简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。此外,本申请提供的各种特定的工艺和材料的例子,但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有这些特定细节中的一个或更多,或者可以采用其它的方式、组元、材料、装置或步骤等。在这些情况下,将不详细示出或描述公知结构、方法、装置、实现、材料或者操作。
附图中所示的方框图不一定必须与物理上独立的实体相对应。可以采用软件、或在一个或多个硬件模块和/或可编程模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制装置中实现这些功能实体。
本发明提供一种基于多通道卷积神经网络的阀冷系统(换流阀冷却系统)故障诊断方法,包括如下步骤:
步骤1,获取故障时间段阀冷控保装置录波信息、后台事件以及对应故障部件,进行数据处理,构建基于阀冷系统故障信息的数据集;
所述步骤1中,故障信息包括但不限于进阀温度、出阀温度、外冷回水温度、主循环流量、缓冲罐液位、进阀压力、出阀压力、主循环电导率等;
所述步骤1中,获取故障时间段阀冷控保装置后台事件,具体是通过控保后台筛选出故障前后阀冷控制保护主机上送的一段时间、一定数量的报警出现事件;
所述步骤1中,进行数据处理,具体包括:
在故障波形的不同时间段,采用不同的采样率取点,可设定故障时刻前后取样密集,远离故障时刻取样稀疏;
对于后台事件,进行独热编码处理,将每条报警事件转化成数字向量,从而将文字转换为向量计算;选取故障前后一段时间内一定数量的故障出现事件,若超出数量,进行截取,数量不足,则进行补零操作;
将阀冷系统故障原因分类并进行编号,对每个样本的故障原因添加标签形成标注数据集。
步骤2,将所述数据集划分为训练集和测试集;
步骤3,构建多通道卷积神经网络模型,采用训练集对其进行训练,得到训练后的多通道卷积神经网络模型,然后采用测试集对所述训练后的多通道卷积神经网络模型进行验证评价,得到故障诊断分类结果,若结果的准确率不满足预设效果,则调整模型超参数或网络结构重新训练,直至测试集的准确率满足要求,从而得到经过优化的最终的多通道卷积神经网络模型;
所述构建的多通道卷积神经网络模型,包括输入层、卷积池化层、融合层、全连接层、softmax层、输出层,其中,每次卷积层和池化层操作之后都进行ReLU非线性激活函数操作;
其中,所述的融合层用于将多通道一维特征向量进行融合:
z=w1·m1+w2·m2+…+wn·mn
其中,w1,w2,…,wn分别为训练过程中学习到的特征向量m1,m2,…,mn的融合权值,融合权值的维数与特征向量的维数一致;
将各类模拟量特征向量以及各条事件向量分别融合,并进行拼接。
所述步骤3中,采用训练集对多通道卷积神经网络模型的训练过程,既包括对初始构建的模型进行训练,也包括对调整超参数或网络结构后的模型进行训练,具体如下:
设置所述多通道卷积神经网络的网络参数向量和初始超参数;
将训练集数据输入至多通道卷积神经网络模型,得到各类阀冷系统故障定位的置信分数(概率);
根据实际故障类别以及置信分数计算损失值;
当所述损失值过大时,通过贝叶斯优化调整所述初始超参数;
基于调整后的超参数,选用通过Adam(Adaptive moments)参数优化算法更新所述网络参数向量;
利用所述训练集数据对更新网络参数向量后的多通道卷积神经网络重新进行训练,直至所述损失值满足预期;
保存所述网络参数向量,得到训练好的所述多通道卷积神经网络模型。
所述步骤3中,采用测试集对训练后的多通道卷积神经网络模型进行验证评价,具体如下:
将处理后的阀冷系统故障信息输入至多通道卷积神经网络模型进行训练,得到故障诊断分类结果准确率;
判断所述故障诊断分类结果准确率是否满足期望;
若满足,得到最终的多通道卷积神经网络模型;
若不满足,调整所述多通道卷积神经网络模型的超参数,使所述故障诊断分类结果准确率满足要求。
步骤4,保存所述优化后的模型,待具体诊断时复用该模型,获取故障发生时的阀冷故障信息,将所述故障发生时的阀冷故障信息作为输入,输入至所述优化后的多通道卷积神经网络模型,得到阀冷故障的分类诊断结果。
如图1所示,一种基于多通道卷积神经网络的阀冷系统故障诊断方法,该方法包括:
在S101中,获取故障时间段录波信息以及后台故障事件,具体包括:
收集故障时刻阀冷系统的模拟量波形,主要包括进阀温度、出阀温度、外冷回水温度、主循环流量、缓冲罐液位、进阀压力、出阀压力、主循环电导率。各模拟量在故障时刻前后30s时间段内,每0.5s取一个数值,30s至60s时间段内,每1s取一个数值,构成180×1的向量;
收集故障前后后台报警事件,去除故障消失事件,截取前后1min内的至多12条故障出现事件(若不足12条则扩展补零),进行独热编码处理,将每条事件转化为320×1的向量;
将阀冷系统故障原因分为16类并进行编号,对每个样本的故障原因添加标签。
在S102中,构建故障时刻阀冷信息的数据集,将数据集划分为训练集以及测试集,具体包括:
对所有120个样本信息均进行上述操作,划分90%作为训练集,10%作为验证集。
在S103中,采用训练集对网络模型进行训练,得到训练后的多通道卷积神经网络模型,具体包括:
将所述处理后的阀冷系统故障信息输入至多通道卷积神经网络模型进行训练,得到故障诊断结果准确率。
判断所述诊断结果准确率是否在阈值范围内。
若满足阈值条件,则得到训练后的多通道卷积神经网络模型;否则,调整所述多通道卷积神经网络模型的参数,使所述诊断结果准确率满足预期。
本实施例中,采用8层网络结构实现对故障诊断的分类任务,具体的,分别为2层卷积层、2层池化层、1层融合层以及3层全连接层。
对各类采集向量进行归一化处理:
式中,μ是平均值,σ是标准差,X为各条数据值。
在处理一维信号数据时,卷积核也为一维向量,设定每个卷积核大小为5×1,其结构如图2所示。
卷积层1通过卷积核k1对输入的特征图x1进行卷积操作,步长为1,并使用偏置系数b1,自动提取特征图中信号的特征。卷积层1输出第j个特征图为:
其中,表示卷积层1对输入数据进行卷积操作的第j个卷积核,/>表示卷积层1中与第j个卷积核相对应的偏置系数,/>表示卷积操作,x为输入数据,/>表示卷积层1输出的第j个特征图;
然后经过ReLU激活函数,引入非线性变换:
池化层1通过平均池化函数对卷积层1输出的特征图进行采样,降低数据维度和减少运算量,池化层1输出的第n个特征图
在每个大小为c的池化核窗口内取特征图矩阵的平均值,c为设定的池化核大小,此处设置为2;
卷积层2通过卷积核k2对池化层1输出的N1个特征图进行卷积操作,Mj为输入的特征图集合,则输出N2个特征图,其中第n个特征图
其中,表示卷积层2对第i个特征图进行卷积操作的第j个卷积核,/>表示卷积层2中与第j个卷积核相对应的偏置系数;
同样的,在经过RELU函数的非线性变换后,池化层2通过平均池化函数对卷积层2输出的每个特征图进行下采样,输出的第n个特征图
对8类模拟量向量矩阵以及12条事件向量矩阵均进行上述操作后,进行faltten处理,将提取的特征映射扩展为一维特征向量。
融合层将多个通道的一维特征向量进行融合。将特征向量表示为m1,m2,…,mn,其中,m1,m2,…,mn维数相等,可以得到融合的特征向量z。其中,w1,w2,…,wn分别为训练过程中学习到的特征向量m1,m2,…,mn的融合权值,融合权值的维数与特征向量的维数一致。
z=w1·m1+w2·m2+…+wn·mn
将最终的融合模拟量向量与事件向量归一化后进行拼接作为全连接层输入。
如图3中全连接层的网络结构所示,设置全连接层1输出节点为96,输出为:
w1代表第一层全连接层的连接权重,xi是输入信号,θj是第j个神经元的偏置,f代表隐含层神经元的激活函数,本实施例中采用RELU函数。
同理,设置全连接层2输出节点为48,输出公式如下:
w2代表第一层与第二层神经元之间的连接权重,θk是第k个神经元的偏置,g是输出层的激活函数,本实施例中采用Sigmoid函数:
设置全连接层3输出节点为16(对应16分类),输出公式如下:
w3代表第二层与第二层神经元之间的连接权重,θz是第z个神经元的偏置,h是输出层的激活函数,本实施例中采用Softmax函数:
其中,x为原始数据向量,xi为x的第i个分量。
为防止过拟合,使用Dropout层随机移除一定比例的神经元以降低神经元之间的复杂性,Dropout比例为20%,训练过程中学习率为0.01,batch size为32,迭代次数为1000,参数优化算法选用Adam(Adaptive moments),损失函数采用交叉熵函数:
其中,M表示类别的数量,yic表示符号函数(0或1),如果样本i的真实类别等于c取1,否则取0。
利用反向传播训练网络,同时观察训练过程中损失函数数值,观察参数收敛情况,设定当训练迭代次数达到1000时停止训练。
模型训练完成后,测试集样本输入到训练好的模型中进行分类诊断,得到验证集的故障分类诊断准确率。
在S104中,根据所述故障分类诊断结果优化网络模型超参数,得到优化后的多通道卷积神经网络模型。
若验证集的故障诊断分类准确率满足设定需求,则无需优化网络模型。若准确率不满足期望值,则需要优化网络超参数重新训练,得到优化后的多通道卷积神经网络模型。
在S105中,获取待诊断的阀冷系统故障信息。
在S105中,将所述待诊断的阀冷系统故障信息作为输入,输入至所述优化后的多通道卷积神经网络模型,进行故障诊断分类。
本发明还提供一种基于多通道卷积神经网络的阀冷系统故障诊断装置,包括:
数据集构建模块,用于构建基于阀冷故障的数据集,包括故障时刻波形数据以及后台事件信息,进行数据处理后按比例划分为训练集和测试集;
训练模块,用于采用训练集对多通道卷积神经网络模型进行训练,得到训练后的网络模型;
测试模块,用于采用测试集对所述训练后的多通道卷积神经网络模型进行测试,得到故障分类诊断结果准确率;
优化模块,用于根据所述故障分类诊断结果准确率优化训练后的多通道卷积神经网络模型;
故障信息获取模块S205,用于获取待诊断的阀冷故障信息;以及,
诊断模块S206,用于将所述故障发生时的阀冷故障信息作为输入,输入至所述优化后的多通道卷积神经网络模型,得到阀冷故障的分类诊断结果。
其中,所述数据集构建模块S201,具体包括:
信息获取单元,用于故障时刻故障波形及后台事件;
波形处理单元,用于降低采样及提取特征数据;
事件处理单元,采用独热编码,将事件转化为数字向量;
标注单元,用于将阀冷系统故障原因分类并进行编号,对每个样本的故障原因添加标签形成标注数据集;以及,
数据集划分单元,将所述故障信息和所述故障定位结果一一对应,按比例划分训练集、测试集。
所述训练模块S202,具体包括:
输入单元,用于将所述处理后的波形及事件信息输入至多通道卷积神经网络模型进行训练,得到诊断结果准确率;
判断单元,用于判断所述诊断结果准确率是否在阈值范围内;
确定单元,用于当所述诊断结果与实际诊断结果之间的误差在阈值范围内,得到训练后的多通道卷积神经网络模型;以及,
优化单元,用于当所述诊断结果与实际诊断结果之间的误差超出阈值范围,调整所述多通道卷积神经网络模型的参数,使所述准确率满足阈值。
本领域的技术人员可以清楚地理解到本申请的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是单片机、FPGA、PLC、ASIC等。
需要说明的是,对于前述的各方法实施例,为简单描述,故将其都表述为一系列的操作组合,但是本领域技术人员应该知悉,本申请并不受所描述的操作顺序的限制。依据本申请,某些步骤可以采用其他顺序或者同时进行。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
通过以上的详细描述,本领域的技术人员易于理解,根据本申请实施例的技术方案具有以下优点中的一个或多个。
采用本申请提供的基于多通道卷积神经网络的阀冷系统故障诊断方法及装置,根据故障时刻的各类模拟量以及后台事件数据,实现故障诊断分类,提高了诊断结果的准确性和可靠性。
以上描述本申请的示例实施例,但并非对本申请做任何形式上的限制。这些示例性实施例并不意图是穷举性的或者将本申请局限于所公开的精确形式,并且明显的是,在以上教导的启示下,本领域普通技术人员能够做出许多修改和变化。因此,本领域技术人员应当理解,本申请中所涉及的保护范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于多通道卷积神经网络的阀冷系统故障诊断方法,其特征在于包括如下步骤:
步骤1,获取故障时间段阀冷控保装置录波信息、后台事件,进行数据处理,构建基于阀冷系统故障信息的数据集;
步骤2,将所述数据集划分为训练集和测试集;
步骤3,构建多通道卷积神经网络模型,采用训练集对其进行训练,得到训练后的多通道卷积神经网络模型,然后采用测试集对所述训练后的多通道卷积神经网络模型进行验证评价,得到最终的多通道卷积神经网络模型;
步骤4,保存所述最终的多通道卷积神经网络模型模型,待具体诊断时复用该模型,对待测数据进行故障诊断分类。
2.如权利要求1所述的方法,其特征在于:所述步骤1中,故障信息包括但不限于进阀温度、出阀温度、外冷回水温度、主循环流量、缓冲罐液位、进阀压力、出阀压力、主循环电导率。
3.如权利要求1所述的方法,其特征在于:所述步骤1中,获取故障时间段阀冷控保装置后台事件,包括通过控保后台筛选出故障前后阀冷控制保护主机上送的一段时间、一定数量的报警出现事件。
4.如权利要求1所述的方法,其特征在于:所述步骤1中,进行数据处理,包括,
对于波形信息,采用分段提取的方式进行信息提取,即故障发生时刻前后短时间内采用高采样率,远离故障发生时刻采用低采样率;
对于后台事件,进行独热编码处理,将每条报警事件转化成数字向量,从而将文字转换为向量计算;
将阀冷系统故障原因分类并进行编号,对每个样本的故障原因添加标签形成标注数据集。
5.如权利要求1所述的方法,其特征在于:所述步骤3中,构建的多通道卷积神经网络模型,包括输入层、卷积池化层、融合层、全连接层、softmax层、输出层,其中,每次卷积层和池化层操作之后都进行ReLU非线性激活函数操作。
6.如权利要求5所述的方法,其特征在于:所述融合层用于将多通道一维特征向量进行融合:
z=w1·m1+w2·m2+…+wn·mn
其中,w1,w2,…,wn分别为训练过程中学习到的特征向量m1,m2,…,mn的融合权值,融合权值的维数与特征向量的维数一致。
7.如权利要求1所述的方法,其特征在于:所述步骤3中,采用训练集对多通道卷积神经网络模型进行训练,具体如下:
设置所述多通道卷积神经网络的网络参数向量和初始超参数;
将训练集数据输入至多通道卷积神经网络模型,得到各类阀冷系统故障定位的置信分数;
根据实际故障类别以及置信分数计算损失值;
当所述损失值过大时,通过贝叶斯优化调整所述初始超参数;
基于调整后的超参数,选用通过Adam参数优化算法更新所述网络参数向量;
利用所述训练集数据对更新网络参数向量后的多通道卷积神经网络重新进行训练,直至所述损失值满足预期;
保存所述网络参数向量,得到训练好的所述多通道卷积神经网络模型。
8.如权利要求1所述的方法,其特征在于:所述步骤3中,采用测试集对训练后的多通道卷积神经网络模型进行验证评价,具体如下:
将处理后的阀冷系统故障信息输入至多通道卷积神经网络模型进行训练,得到故障诊断分类结果准确率;
判断所述故障诊断分类结果准确率是否满足期望;
若满足,得到最终的多通道卷积神经网络模型;若不满足,调整所述多通道卷积神经网络模型的超参数,使所述故障诊断分类结果准确率满足要求。
9.如权利要求1所述的方法,其特征在于:所述步骤4中,需进行故障诊断时,首先获取故障发生时的阀冷故障信息,将所述故障发生时的阀冷故障信息作为输入,输入至所述最终的多通道卷积神经网络模型,得到阀冷故障的分类诊断结果。
10.一种基于多通道卷积神经网络的阀冷系统故障诊断装置,其特征在于包括:
数据集构建模块,用于构建基于阀冷故障的数据集,包括故障时刻波形数据以及后台事件信息,进行数据处理后按比例划分为训练集和测试集;
训练模块,用于采用训练集对多通道卷积神经网络模型进行训练,得到训练后的网络模型;
测试模块,用于采用测试集对所述训练后的多通道卷积神经网络模型进行测试,得到故障分类诊断结果准确率;
优化模块,用于根据所述故障分类诊断结果准确率优化训练后的多通道卷积神经网络模型;
故障信息获取模块,用于获取待诊断的阀冷故障信息;以及,
诊断模块,用于将所述故障发生时的阀冷故障信息作为输入,输入至所述优化后的多通道卷积神经网络模型,得到阀冷故障的分类诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310588195.5A CN116578922A (zh) | 2023-05-23 | 2023-05-23 | 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310588195.5A CN116578922A (zh) | 2023-05-23 | 2023-05-23 | 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116578922A true CN116578922A (zh) | 2023-08-11 |
Family
ID=87541079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310588195.5A Pending CN116578922A (zh) | 2023-05-23 | 2023-05-23 | 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116578922A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473400A (zh) * | 2023-12-28 | 2024-01-30 | 中南大学 | 基于多通道层级变换网络结构的设备故障诊断方法 |
-
2023
- 2023-05-23 CN CN202310588195.5A patent/CN116578922A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473400A (zh) * | 2023-12-28 | 2024-01-30 | 中南大学 | 基于多通道层级变换网络结构的设备故障诊断方法 |
CN117473400B (zh) * | 2023-12-28 | 2024-03-26 | 中南大学 | 基于多通道层级变换网络结构的设备故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107505133B (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN107066759B (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
CN104268381B (zh) | 一种基于AdaBoost算法的卫星故障诊断方法 | |
CN116256602B (zh) | 一种低压配电网状态异常的识别方法和系统 | |
CN111967620A (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
CN116578922A (zh) | 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置 | |
CN113406524B (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN112215279B (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
CN113283491A (zh) | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 | |
CN115600136A (zh) | 一种基于多传感器的高压套管故障诊断方法、系统及介质 | |
CN115062538A (zh) | 基于注意力机制和卷积nn的变换器故障诊断方法及系统 | |
CN114358085A (zh) | 基于异构模型融合的线路故障诊断方法及装置 | |
CN112305379A (zh) | 一种用于gis绝缘缺陷的模式识别方法及系统 | |
CN117809164A (zh) | 基于多模态融合的变电站设备故障检测方法及系统 | |
CN117347796A (zh) | 一种基于智能网关的开关设备局部放电诊断系统及方法 | |
CN112203311B (zh) | 网元异常诊断方法、装置、设备及计算机存储介质 | |
CN111459697A (zh) | 一种基于深度学习网络的励磁系统故障监测方法 | |
CN113884903B (zh) | 一种基于多层感知器神经网络的电池故障诊断方法 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 |
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 |