CN117290732B - 故障分类模型的构建方法、风电设备故障分类方法及装置 - Google Patents
故障分类模型的构建方法、风电设备故障分类方法及装置 Download PDFInfo
- Publication number
- CN117290732B CN117290732B CN202311577949.3A CN202311577949A CN117290732B CN 117290732 B CN117290732 B CN 117290732B CN 202311577949 A CN202311577949 A CN 202311577949A CN 117290732 B CN117290732 B CN 117290732B
- Authority
- CN
- China
- Prior art keywords
- sample data
- target
- riemann
- data set
- network model
- 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
- 238000013145 classification model Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 230000032823 cell division Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 34
- 238000005457 optimization Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 12
- 230000004913 activation Effects 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000005283 ground state Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000000137 annealing Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
- G06F18/21375—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps involving differential geometry, e.g. embedding of pattern manifold
-
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- 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
- G06N3/04—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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Abstract
本发明提供了一种故障分类模型的构建方法、风电设备故障分类方法及装置,涉及数据处理的技术领域,包括:获取风电设备上的传感器集合采集的原始样本数据集合;通过黎曼学习算法与回声状态网络模型对原始样本数据集合进行数据扩充处理,以扩充原始样本数据集合,确定目标样本数据集合;根据预先构建的基于细胞分裂原理驱动的神经网络模型,对目标样本数据集合进行特征提取处理,确定目标特征集;将目标样本数据集合和目标特征集输入至预设分类器中,以对分类器进行分类训练,确定故障分类模型。本发明通过结合黎曼学习的回声状态网络以及基于细胞分裂原理驱动的神经网络模型,可以显著提升风电设备故障分类的准确性和故障分类效率。
Description
技术领域
本发明涉及数据处理的技术领域,尤其是涉及一种故障分类模型的构建方法、风电设备故障分类方法及装置。
背景技术
风电是全球最快速增长的可再生能源之一,随着其发电量和安装容量持续增长,以及风电技术的不断发展和规模化应用,确保风电设备的高效、稳定和安全运行已经成为业界的核心关注点,因此,能否对风电设备的故障及时有效地检测和分类,直接关系到风电场的运营效率、设备的维护成本以及整个系统的安全性,目前,相关技术提出,可以根据数据中的关键词与故障类别对应的语义特征之间的相似度,对故障进行分类,但该方案对故障数据微小变化的敏感度较差,故障分类的准确性和分类效率较低。
发明内容
有鉴于此,本发明的目的在于提供一种故障分类模型的构建方法、风电设备故障分类方法及装置,通过结合黎曼学习的回声状态网络以及基于细胞分裂原理驱动的神经网络模型,可以显著提升风电设备故障分类的准确性和故障分类效率。
第一方面,本发明实施例提供了一种故障分类模型的构建方法,方法包括:获取风电设备上的传感器集合采集的原始样本数据集合,其中,原始样本数据集合中的每个训练样本包括传感器数据、各项传感器数据的数据属性和各项传感器数据的故障类型标签;通过黎曼学习算法与回声状态网络模型对原始样本数据集合进行数据扩充处理,以扩充原始样本数据集合,确定目标样本数据集合;根据预先构建的基于细胞分裂原理驱动的神经网络模型,对目标样本数据集合进行特征提取处理,确定目标特征集;将目标样本数据集合和目标特征集输入至预设分类器中,以对分类器进行分类训练,确定故障分类模型。
在一种实施方式中,通过黎曼学习算法与回声状态网络模型对原始样本数据集合进行数据扩充处理,以扩充原始样本数据集合,确定目标样本数据集合的步骤,包括:基于黎曼学习算法和原始样本数据对回声状态网络模型进行模型更新处理,确定目标回声状态网络模型;利用原始样本数据集合对目标回声状态网络模型进行训练,确定新增样本数据;将新增样本数据添加至原始样本数据集合,确定数据扩充后的目标样本数据集合。
在一种实施方式中,基于黎曼学习算法和原始样本数据对回声状态网络模型进行模型更新处理,确定目标回声状态网络模型的步骤,包括:基于黎曼学习算法对原始样本数据集合进行映射处理,将原始样本数据集合映射至黎曼流形空间,确定各项原始样本数据对应黎曼流形的黎曼距离;将黎曼距离作为回声状态网络模型的权重输入至回声状态网络模型中,对回声状态网络模型进行模型更新处理,确定目标回声状态网络模型。
在一种实施方式中,将黎曼距离作为回声状态网络模型的权重输入至回声状态网络模型中,对回声状态网络模型进行模型更新处理,确定目标回声状态网络模型的步骤,包括:通过预设动态参数调整算法,对黎曼流形空间中各项原始样本数据对应黎曼流形的黎曼度量进行调整,确定目标黎曼度量;通过预设动态拓扑调整算法对权重进行调整,确定优化权重;利用目标黎曼度量和优化权重,对回声状态网络模型进行模型更新处理,确定目标回声状态网络模型。
在一种实施方式中,特征提取处理包括:参数分裂拟合处理和参数合并拟合处理,根据预先构建的基于细胞分裂原理驱动的神经网络模型,对目标样本数据集合进行特征提取处理,确定目标特征集的步骤,包括:针对目标样本数据集合,在基于细胞分裂原理驱动的神经网络模型中对应的参数集合,进行参数分裂拟合处理和参数合并拟合处理,确定参数拟合结果;根据预设损失函数对参数拟合结果进行评估优化处理,确定目标特征集。
在一种实施方式中,将目标样本数据集合和目标特征集输入至预设分类器中,以对分类器进行分类训练,确定故障分类模型的步骤,包括:将目标样本数据集合和目标特征集输入至预设分类器中,根据预设分类器中基于量子优化的高阶神经网络算法确定目标权重,其中,目标权重为基于量子优化的高阶神经网络算法的最佳权重配置;根据目标权重对预设分类器进行分类训练,确定故障分类模型。
第二方面,本发明实施例还提供一种风电设备故障分类方法,方法包括:获取待分类的风电设备故障数据;将风电设备故障数据进行数据预处理后,输入至预先构建的故障分类模型中,确定故障分类结果,并将故障分类结果反馈至用户端;其中,故障分类模型为基于第一方面提供的任一项的故障分类模型的构建方法构建得到的。
第三方面,本发明实施例还提供一种故障分类模型的构建装置,装置包括:样本数据采集模块,获取风电设备上的传感器集合采集的原始样本数据集合,其中,原始样本数据集合中的每个训练样本包括传感器数据、各项传感器数据的数据属性和各项传感器数据的故障类型标签;数据扩充模块,通过黎曼学习算法与回声状态网络模型对原始样本数据集合进行数据扩充处理,以扩充原始样本数据集合,确定目标样本数据集合;特征提取模块,根据预先构建的基于细胞分裂原理驱动的神经网络模型,对目标样本数据集合进行特征提取处理,确定目标特征集;模型训练模块,将目标样本数据集合和目标特征集输入至预设分类器中,以对分类器进行分类训练,确定故障分类模型。
第四方面,本发明实施例还提供一种风电设备故障分类装置,装置包括:故障采集模块,获取待分类的设备故障数据;故障分类模块,将设备故障数据进行数据预处理后,输入至预先构建的故障分类模型中,确定故障分类结果,并将故障分类结果反馈至用户端;其中,故障分类模型为基于第一方面提供的任一项的故障分类模型的构建方法构建得到的。
第五方面,本发明实施例还提供一种服务器,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现第一方面提供的任一项的方法。
本发明实施例带来了以下有益效果:
本发明实施例提供的一种故障分类模型的构建方法、风电设备故障分类方法及装置,该方法在获取风电设备上的传感器集合采集的原始样本数据集合后,通过黎曼学习算法与回声状态网络模型对原始样本数据集合进行数据扩充处理,以扩充原始样本数据集合,确定目标样本数据集合,并根据预先构建的基于细胞分裂原理驱动的神经网络模型,对目标样本数据集合进行特征提取处理,确定目标特征集,最后将目标样本数据集合和目标特征集输入至预设分类器中,以对分类器进行分类训练,确定故障分类模型,本发明实施例通过结合黎曼学习的回声状态网络以及基于细胞分裂原理驱动的神经网络模型,可以显著提升风电设备故障分类的准确性和故障分类效率。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种故障分类模型的构建方法的流程示意图;
图2为本发明实施例提供的一种风电设备故障分类方法的流程示意图;
图3为本发明实施例提供的一种故障分类模型的构建装置的结构示意图;
图4为本发明实施例提供的一种风电设备故障分类装置的结构示意图;
图5为本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
风电是全球最快速增长的可再生能源之一,随着其发电量和安装容量持续增长,以及风电技术的不断发展和规模化应用,确保风电设备的高效、稳定和安全运行已经成为业界的核心关注点,因此,能否对风电设备的故障及时有效地检测和分类,直接关系到风电场的运营效率、设备的维护成本以及整个系统的安全性,目前,现有的风电设备故障技术,可以根据数据中的关键词与故障类别对应的语义特征之间的相似度,对故障进行分类,但由于风电设备的运行环境复杂,容易受到如气象条件、机械损耗、电气问题等多种因素的影响,使得风电设备的故障模式多样,且故障数据的变化较小,因此现有技术方案对故障数据微小变化的敏感度较差,故障分类的准确性和分类效率较低:首先,现有技术中采用的回声状态网络仅使用随机权重,当故障数据中存在细微变化时,随机权重无法有效捕捉这些变化,导致分类效果受限,从而导致网络对风电设备故障数据的微小变化不够敏感,其次,现有的优化方法通常基于梯度下降或其他传统算法,这些方法较容易陷入局部最优,而不是全局最优,从而限制了模型的最终性能,基于此,本发明实施提供的故障分类模型的构建方法、风电设备故障分类方法及装置,通过结合黎曼学习的回声状态网络以及基于细胞分裂原理驱动的神经网络模型,可以显著提升风电设备故障分类的准确性和故障分类效率。
参见图1所示的一种故障分类模型的构建方法的流程示意图,该方法主要包括以下步骤S102至步骤S108:
步骤S102,获取风电设备上的传感器集合采集的原始样本数据集合,其中,原始样本数据集合中的每个训练样本包括传感器数据、各项传感器数据的数据属性和各项传感器数据的故障类型标签,在一种实施方式中,传感器数据是基于风电设备上的风速传感器、转速传感器、温度传感器等获取得到的,上述各项传感器数据的数据属性包括::风速(单位:m/s)、/>:转速(单位:rpm)、/>:温度(单位:°C)、/>:振动频率(单位:Hz)、/>:电流(单位:A)、/>:电压(单位:V)、/>:扭矩(单位:N·m)、/>:齿轮箱压力(单位:Pa)、/>:轴承温度(单位:°C)和/>:油温(单位:°C)等,为了训练风电设备故障分类模型,需对采集到的数据进行标注,标注的故障类型标签可以包括:/>:正常状态、/>:轴承损坏、/>:齿轮箱故障、/>:电机过热和/>:叶片磨损,其中,每种故障类型对应一个唯一的标签,例如,轴承损坏表示为标签/>。
在一种实施方式中,为了确保不同尺度的传感器读数不会影响分类效果,首先需要进行数据规范化,对于一个数据点的第/>个属性/>,将所有数据点的该属性进行归一化处理,可以表示为:
其中,和/>分别是属性/>的均值和标准差,/>是归一化之前的特征值,/>是归一化之后的特征值。
进一步地,风电设备数据中可能存在缺失值,为确保算法的有效性,采用以下方法处理缺失值:
其中,是属性/>的缺失值填补后的数值,/>是没有缺失值的数据点数量,是属性/>在第/>个数据点的值。
进一步地,进行异常值检测及修正,对于一个数据点的第/>个属性/>,计算其与其他数据点的相同属性的平均值的距离/>,可以表示为:
如果大于预定的阈值/>,则认为/>是异常值,并替换为第/>个属性的均值。
步骤S104,通过黎曼学习算法与回声状态网络模型对原始样本数据集合进行数据扩充处理,以扩充原始样本数据集合,确定目标样本数据集合,在一种实施方式中,在传统的回声状态网络中内部权重为随机分配值,而本发明考虑到风电设备数据在高维空间中的分布可能遵循某种黎曼流形结构,从而利用黎曼学习对数据进行映射,以便后续进行数据扩充,并使用黎曼距离作为权重,使得网络更加敏感于风电设备故障数据的微小变化。
步骤S106,根据预先构建的基于细胞分裂原理驱动的神经网络模型,对目标样本数据集合进行特征提取处理,确定目标特征集,其中,特征提取处理包括:参数分裂拟合处理和参数合并拟合处理,在一种实施方式中,区别于传统的基于梯度下降的优化方式,本发明基于细胞分裂的原理,即,当一个细胞到达某个大小时,为了维持稳定的功能并且减少出错的机会,它会选择分裂成两个更小的细胞,本发明模拟神经网络的参数通过类似的分裂和合并过程进行优化,对扩充后的样本进行特征提取。
步骤S108,将目标样本数据集合和目标特征集输入至预设分类器中,以对分类器进行分类训练,确定故障分类模型,其中,高阶神经网络是神经网络的一个变种,其中单个神经元可以同时接收来自多个输入的信息,在一种实施方式中,本发明提出一种基于量子优化的高阶神经网络算法,并结合量子优化技术寻找神经网络的最佳权重配置,对特征提取后的数据进行分类。
本发明实施例提供的上述故障分类模型的构建方法,通过结合黎曼学习的回声状态网络以及基于细胞分裂原理驱动的神经网络模型,可以显著提升风电设备故障分类的准确性和故障分类效率。
本发明实施例还提供了一种构建故障分类模型的实施方式,具体的参见如下(A)至(C):
(A)基于黎曼学习算法和原始样本数据对回声状态网络模型进行模型更新处理,确定目标回声状态网络模型,并利用原始样本数据集合对目标回声状态网络模型进行训练,确定新增样本数据,从而将新增样本数据添加至原始样本数据集合,确定数据扩充后的目标样本数据集合,在实际应用中,设预处理后的数据中的数据点为,每个数据点/>都属于一个黎曼流形/>,每个数据点的黎曼距离矩阵/>可以表示为:
其中,是对数映射,/>符号是在/>的切空间中的内积。
进一步地,每个都属于黎曼流形/>。黎曼均值/>可以表示为:
其中,是在/>上的黎曼距离。
从上述黎曼距离中,可以获取一个嵌入函数,它将原始数据映射到黎曼流形上,则输入数据/>映射到黎曼流形空间,可以表示为:
其中,表示黎曼映射函数。
回声状态网络由三部分组成:输入层、隐层(或称为回声层)和输出层。隐层的节点数称为“储备”大小,则回声状态网络的结构为:
输入层到隐层:
其中,是在时间/>的输入,/>是从输入层到隐层的权重矩阵,/>是隐层的输出。
隐层的动态:
其中,是当前隐层状态的黎曼均值,/>是在时间/>的网络状态,/>是在时间/>的网络状态,/>是隐层的内部权重,/>是偏置项,/>是黎曼均值激活函数,/>为和函数。
在一种实施方式中,基于黎曼学习算法对原始样本数据集合进行映射处理,将原始样本数据集合映射至黎曼流形空间,确定各项原始样本数据对应黎曼流形的黎曼距离,并将黎曼距离作为回声状态网络模型的权重输入至回声状态网络模型中,对回声状态网络模型进行模型更新处理,确定目标回声状态网络模型;之后通过预设动态参数调整算法,对黎曼流形空间中各项原始样本数据对应黎曼流形的黎曼度量进行调整,确定目标黎曼度量,从而通过预设动态拓扑调整算法对权重进行调整,确定优化权重,进而利用目标黎曼度量和优化权重,对回声状态网络模型进行模型更新处理,确定目标回声状态网络模型,在实际应用中,需要根据数据的局部黎曼度量动态地调整隐层的内部权重,从而使得网络的拓扑结构能够适应数据的固有几何特性,具体的,调整方式包括如下(1)至(3):
(1)定义黎曼度量,首先,定义在黎曼流形上的一个局部点/>的黎曼度量/>,对于任意两个切向量/>在点/>,其黎曼度量定义为:
其中,是在点/>的内积。
(2)动态拓扑调整,为了反映数据的局部几何结构,对于隐层的内部权重的每一个权重值/>,本发明提出以下权重调整规则:
其中,
其中,和/>分别是在时间/>的第/>和第/>隐层神经元的状态,/>是学习率,/>是第/>和第/>隐层神经元之间的连接权重。
(3)连接稀疏化,考虑到大量的连接可能会导致过拟合和计算复杂性的增加,本发明引入一个基于权重大小的稀疏化策略,可以表示为:
其中,是一个阈值,用于确定是否保留或删除某个连接。
在一种实施方式中,计算内部权重和黎曼距离,以及对黎曼度量进行调整,确定黎曼均值激活函数的步骤参见如下(a)至(b):
(a)为了在黎曼流形上建立一个核函数,定义一个黎曼核如下:
其中,是在黎曼流形/>上的黎曼距离,/>是一个正的标量,决定了核的形状。
进一步地,引入一个自适应参数,用于在时间/>调整核的形状,则核函数更新为:
此外,为使核自适应地调整其形状,使用以下学习规则来更新:
其中,是在时间/>的预测误差,/>是一个小的正学习率,/>是更新后的自适应参数。
进一步地,黎曼均值激活函数,隐层到输出层:
其中,是从隐层到输出层的权重矩阵,/>是输出层的输出。
进一步地,内部权重进行如下计算:
其中,表示计算黎曼距离。
(b)黎曼均值激活函数为动态调整的方式进行确定,方式包括定义黎曼均值激活函数和动态参数调整:首先,定义黎曼均值激活函数,对于输入,定义激活函数/>为:
其中,是输入数据的集合,/>是从黎曼流形的切空间到流形本身的指数映射。
此外,为了使激活函数更具动态性,本发明引入调整参数,该参数基于当前的数据黎曼度量进行调整,可以表示为:
其中,是学习率,/>是在流形上的黎曼度量,/>是一个预设的目标值,是更新后的调整参数。
进一步地,动态激活函数可以被定义为:
当时,激活函数完全基于黎曼均值;而当/>时,激活函数退化为恒等映射,基于此,不仅赋予了回声状态网络能力以动态调整其激活函数以更好地适应数据,而且还增加了网络的非线性表示能力,从而提高了风电设备故障分类的性能。
进一步地,还可以基于敏感度增强的回声状态网络,通过给定的风电设备数据生成新的样本,包括:使用原始数据初始化回声状态网络;迭代地将回声状态网络的输出/>作为下一个时间步的输入,进行/>次迭代;从上述过程中获取的输出/>就是新生成的样本数据;将回声状态网络的输出考虑为风电设备的可能故障状态,可以生成更多与原始数据相似但又不完全相同的新样本数据,从而实现数据扩充,即:
其中,表示数据扩充后的回声状态网络,/>为扩充后的数据。
(B)针对目标样本数据集合,在基于细胞分裂原理驱动的神经网络模型中对应的参数集合,进行参数分裂拟合处理和参数合并拟合处理,确定参数拟合结果,并根据预设损失函数对参数拟合结果进行评估优化处理,确定目标特征集,在一种实施方式中,首先需要定义神经网络的参数表示形式:对于第层的权重矩阵与偏置向量,分别表示为/>与/>,在每一次迭代时,模拟神经网络参数的"分裂"和"合并",主要步骤包括:分裂、合并和评估与选择,首先是分裂,对于权重矩阵中的每个权重/>,如果它的绝对值超过某个阈值/>,即“分裂”为两个新的权重/>和/>,它们的和等于原来的权重,可以表示为:
其中,是一个很小的随机数,来增加多样性。
本发明使用损失函数来评估每一次参数的更新:设原始的损失函数为,在经过一次分裂和合并后的损失函数为/>。
为了判断是否接受新的参数,将两者进行比较:
如果,则接受新的参数。
进一步地,考虑权重的分裂过程,分裂后的新权重为/>和/>,则原始的损失函数为:
分裂后的损失函数为:
其中,
同理,对于偏置同样适用本分裂规则。
在另一种实施方式中,针对合并过程,如果在神经网络的某一层中,两个相邻的权重或偏置的绝对值都很小(小于某个阈值),它们会合并成一个权重或偏置,同时,在合并时还会考虑神经元的资源分配,可以表示为:
其中,为每个神经元都有一个与之关联的资源值,初始时,所有神经元的资源都被设定为等值,即/>,其中/>是一个给定的常数。/>为更新后的资源值。
考虑两个相邻权重和/>的合并过程,原始的损失函数为:
合并后的损失函数为:
其中,
进一步地,资源值的更新方式为:首先,衡量每个神经元的“重要性”。定义每个神经元的重要性为,可以表示为:
进一步地,更新资源分配:
其中,是所有神经元的平均重要性,而/>是一个学习速率参数,同理,对于偏置同样适用本合并规则。
在另一种实施方式中,针对评估与选择过程,每一次分裂和合并后,都会对新的网络参数进行评估(通过前向传播计算损失函数),保留那些能够降低损失函数的参数更新,使用损失函数来评估更新,即,设/>和/>是经过分裂或合并后的新参数,则在满足以下条件时,接受新的参数值:
通过该方式,确保了每次更新都是向损失减少的方向进行的,基于此,可以模拟参数的"分裂"和"合并",并通过计算新的损失函数来优化神经网络。
(C)将目标样本数据集合和目标特征集输入至预设分类器中,根据预设分类器中基于量子优化的高阶神经网络算法确定目标权重,并根据目标权重对预设分类器进行分类训练,确定故障分类模型,其中,目标权重为基于量子优化的高阶神经网络算法的最佳权重配置,在一种实施方式中,对于高阶神经网络,设有一个有个输入节点和一个输出节点的高阶神经网络,每个输入都是特征提取后的数据的特征值表示,此外,考虑到每个输入可能与其他输入存在非线性交互,神经元还接受输入之间的组合,如二阶、三阶等交互,则,对于二阶神经网络,其输出/>可以表示为:
其中,是第/>个输入,/>是偏置项,/>是第/>个输入的权重,/>是第/>和/>个输入之间的交互权重。
类似地,三阶神经网络的输出会考虑输入的三阶交互:
进一步地,为了在基于量子优化的高阶神经网络算法中找到最佳的权重,本发明使用量子优化技术。考虑到高阶神经网络的权重空间可能非常复杂并存在多个局部最小值,量子优化方法能够并行搜索整个权重空间,寻找全局最小值。
具体的,定义损失函数如下:
其中,是第/>个样本的真实输出,而/>是网络的预测输出,/>为分类样本的总数量。
使用量子优化方法,首先将权重编码到量子比特上,然后,定义一个量子哈密顿量/>以描述损失函数,其中,哈密顿量的基态对应于损失函数的最小值,最后,利用量子近似优化算法搜索哈密顿量的基态,从而找到权重的最佳配置,在实际应用中,首先定义哈密顿量,构建一个哈密顿量/>,并将哈密顿量分为两部分,一个是初始的简单哈密顿量/>,一个是问题哈密顿量/>,上述过程可以表示为:
其中,在[0,1]范围内变化,从/>到/>。
对于高阶神经网络的权重优化,将定义为:
其中,和/>是第/>和/>个量子比特上的PauliZ矩阵,/>是相应的权重矩阵。
进一步地,进行量子模拟退火,量子模拟退火的目标是找到哈密顿量的基态,起初,系统处于/>的基态,随着时间的推移,逐渐变换/>从0到1,系统在这个过程结束时会处于的基态。
基于这个动态,系统的时间演化由以下薛定谔方程给出:
其中,是量子系统在时间/>的状态。
进一步地,进行量子近似优化,量子近似优化使用一系列量子门进行参数化的量子操作,然后通过经典优化技术调整这些参数以最小化期望的损失,考虑以下参数化的量子操作:
其中,和/>是可调节的参数。
则,希望找到最优的和/>,使得以下期望值最小:
其中,是经/>演化后的量子态。
进一步地,进行权重的搜索和优化,在量子优化中,权重矩阵的选择对应于要解决的优化问题,为了最小化损失,使用量子优化算法来搜索和更新这些权重,直到达到所需的精度或迭代次数,具体的,通过量子模拟退火,并行地搜索解空间并快速找到近似的全局最小值,从而优化高阶神经网络的权重。
参见图2所示的一种风电设备故障分类方法的流程示意图,该方法主要包括以下步骤S202至步骤S204:
步骤S202,获取待分类的风电设备故障数据,在一种实施方式中,在获取待分类的风电设备故障数据后需要对数据进行预处理,在实际应用中,若采集到的一条数据为:
其中,是数据向量,每个数字对应于前面列出的数据属性。如,/>m/s表示风速为10.5m/s。
步骤S204,将风电设备故障数据进行数据预处理后,输入至预先构建的故障分类模型中,确定故障分类结果,并将故障分类结果反馈至用户端,其中,故障分类模型为基于上述任一项的故障分类模型的构建方法构建得到的,在实际应用中,利用上述故障分类模型完成风电设备故障分类任务,并对分类结果进行高效评估与验证的具体步骤如下:设有一个待分类的风电设备测试样本集,其中每个样本/>是一个特征向量,对其进行标注后,利用训练好的高阶神经网络模型/>,进行推理得到分类结果为。
其中,是/>对应的故障分类标签。
考虑到风电设备的故障分类可能涉及到多种不同的故障类别,而每一种故障类别对应的成本和风险可能都是不同的,则,本发明引入一个权重矩阵来反映每种分类错误对应的代价。
具体的,定义权重矩阵,其中/>表示真实类别为/>但被分类为类别/>的代价,则,分类代价/>定义为:
其中,是一个指示函数,当/>(真实标签)不等于/>(预测标签)时为1,否则为0。
通过上述方案,不仅可以评估分类的准确性,还考虑到不同故障类型对应的实际影响,从而提供更加合理的分类评估结果。
进一步地,为了验证提出的方法的有效性,本发明还引入了一个自适应阈值技术,当某个分类的代价超过某个预先设定的阈值时,则对该样本进行重分类,或者进一步检查,可以表示为:
其中,是另一个基于不同特征或参数的分类模型。
本发明实施例提供的上述风电设备故障分类方法,通过故障分类模型对风电设备的数据进行故障分类,可以显著提升风电设备故障分类的准确性和故障分类效率。
综上所述,本发明可以将黎曼学习与回声状态网络的结合,即,使用黎曼距离作为权重,与风电设备故障数据的微小变化相结合,相较于传统的回声状态网络的权重随机分配,本发明的上述方案可以使得网络对故障数据更加敏感,通过更加敏感地捕捉到风电设备故障数据的微小变化,从而提高故障分类的精度,此外,本发明还基于细胞分裂原理驱动对神经网络参数进行优化,通过模拟神经网络参数的“分裂”和“合并”,提高训练速度和模型准确性。
进一步的,本发明采用基于量子优化的高阶神经网络算法,利用量子优化技术来优化高阶神经网络的权重配置,在大范围内并行搜索权重配置的解空间,快速找到接近全局最优的解,从而提高训练效率和分类效果,使得神经网络的优化更加高效,此外,本发明还引入了权重矩阵和自适应阈值技术,考虑到不同故障类型对应的实际影响,引入权重矩阵对分类结果进行评估,使得评估更为合理,以及某个分类的代价超过预设阈值时,可以对该样本进行重新分类或进一步检查,增强了模型的灵活性和准确性。
对于前述实施例提供的故障分类模型的构建方法,本发明实施例提供了一种故障分类模型的构建装置,参见图3所示的一种故障分类模型的构建装置的结构示意图,该装置包括以下部分:
样本数据采集模块302,获取风电设备上的传感器集合采集的原始样本数据集合,其中,原始样本数据集合中的每个训练样本包括传感器数据、各项传感器数据的数据属性和各项传感器数据的故障类型标签;
数据扩充模块304,通过黎曼学习算法与回声状态网络模型对原始样本数据集合进行数据扩充处理,以扩充原始样本数据集合,确定目标样本数据集合;
特征提取模块306,根据预先构建的基于细胞分裂原理驱动的神经网络模型,对目标样本数据集合进行特征提取处理,确定目标特征集;
模型训练模块308,将目标样本数据集合和目标特征集输入至预设分类器中,以对分类器进行分类训练,确定故障分类模型。
本申请实施例提供的上述故障分类模型的构建装置,通过结合黎曼学习的回声状态网络以及基于细胞分裂原理驱动的神经网络模型,可以显著提升风电设备故障分类的准确性和故障分类效率。
一种实施方式中,在进行通过黎曼学习算法与回声状态网络模型对原始样本数据集合进行数据扩充处理,以扩充原始样本数据集合,确定目标样本数据集合的步骤时,上述数据扩充模块304还用于:基于黎曼学习算法和原始样本数据对回声状态网络模型进行模型更新处理,确定目标回声状态网络模型;利用原始样本数据集合对目标回声状态网络模型进行训练,确定新增样本数据;将新增样本数据添加至原始样本数据集合,确定数据扩充后的目标样本数据集合。
一种实施方式中,在进行基于黎曼学习算法和原始样本数据对回声状态网络模型进行模型更新处理,确定目标回声状态网络模型的步骤时,上述数据扩充模块304还用于:基于黎曼学习算法对原始样本数据集合进行映射处理,将原始样本数据集合映射至黎曼流形空间,确定各项原始样本数据对应黎曼流形的黎曼距离;将黎曼距离作为回声状态网络模型的权重输入至回声状态网络模型中,对回声状态网络模型进行模型更新处理,确定目标回声状态网络模型。
一种实施方式中,在进行将黎曼距离作为回声状态网络模型的权重输入至回声状态网络模型中,对回声状态网络模型进行模型更新处理,确定目标回声状态网络模型的步骤时,上述数据扩充模块304还用于:通过预设动态参数调整算法,对黎曼流形空间中各项原始样本数据对应黎曼流形的黎曼度量进行调整,确定目标黎曼度量;通过预设动态拓扑调整算法对权重进行调整,确定优化权重;利用目标黎曼度量和优化权重,对回声状态网络模型进行模型更新处理,确定目标回声状态网络模型。
一种实施方式中,特征提取处理包括:参数分裂拟合处理和参数合并拟合处理,在进行根据预先构建的基于细胞分裂原理驱动的神经网络模型,对目标样本数据集合进行特征提取处理,确定目标特征集的步骤时,上述特征提取模块306还用于:针对目标样本数据集合,在基于细胞分裂原理驱动的神经网络模型中对应的参数集合,进行参数分裂拟合处理和参数合并拟合处理,确定参数拟合结果;根据预设损失函数对参数拟合结果进行评估优化处理,确定目标特征集。
一种实施方式中,在进行将目标样本数据集合和目标特征集输入至预设分类器中,以对分类器进行分类训练,确定故障分类模型的步骤时,上述模型训练模块308还用于:将目标样本数据集合和目标特征集输入至预设分类器中,根据预设分类器中基于量子优化的高阶神经网络算法确定目标权重,其中,目标权重为基于量子优化的高阶神经网络算法的最佳权重配置;根据目标权重对预设分类器进行分类训练,确定故障分类模型。
对于前述实施例提供的风电设备故障分类方法,本发明实施例提供了一种风电设备故障分类装置,参见图4所示的一种风电设备故障分类装置的结构示意图,该装置包括以下部分:
故障采集模块402,获取待分类的设备故障数据;
故障分类模块404,将设备故障数据进行数据预处理后,输入至预先构建的故障分类模型中,确定故障分类结果,并将故障分类结果反馈至用户端,其中,故障分类模型为基于上述任一项的故障分类模型的构建方法构建得到的。
本申请实施例提供的上述风电设备故障分类装置,通过故障分类模型对风电设备的数据进行故障分类,可以显著提升风电设备故障分类的准确性和故障分类效率。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种服务器,具体的,该服务器包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图5为本发明实施例提供的一种服务器的结构示意图,该服务器100包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (7)
1.一种故障分类模型的构建方法,其特征在于,所述方法包括:
获取风电设备上的传感器集合采集的原始样本数据集合,其中,所述原始样本数据集合中的每个训练样本包括传感器数据、各项所述传感器数据的数据属性和各项所述传感器数据的故障类型标签;
通过黎曼学习算法与回声状态网络模型对所述原始样本数据集合进行数据扩充处理,以扩充所述原始样本数据集合,确定目标样本数据集合;
根据预先构建的基于细胞分裂原理驱动的神经网络模型,对所述目标样本数据集合进行特征提取处理,确定目标特征集;
将所述目标样本数据集合和所述目标特征集输入至预设分类器中,以对所述分类器进行分类训练,确定故障分类模型;
其中,基于黎曼学习算法和所述原始样本数据对所述回声状态网络模型进行模型更新处理,确定目标回声状态网络模型;利用所述原始样本数据集合对所述目标回声状态网络模型进行训练,确定新增样本数据;将所述新增样本数据添加至所述原始样本数据集合,确定数据扩充后的所述目标样本数据集合;
其中,基于黎曼学习算法对所述原始样本数据集合进行映射处理,将所述原始样本数据集合映射至黎曼流形空间,确定各项原始样本数据对应黎曼流形的黎曼距离;将所述黎曼距离作为所述回声状态网络模型的权重输入至所述回声状态网络模型中,对所述回声状态网络模型进行模型更新处理,确定目标回声状态网络模型;
其中,通过预设动态参数调整算法,对所述黎曼流形空间中各项原始样本数据对应黎曼流形的黎曼度量进行调整,确定目标黎曼度量;通过预设动态拓扑调整算法对所述权重进行调整,确定优化权重;利用所述目标黎曼度量和所述优化权重,对所述回声状态网络模型进行模型更新处理,确定目标回声状态网络模型。
2.根据权利要求1所述的故障分类模型的构建方法,其特征在于,所述特征提取处理包括:参数分裂拟合处理和参数合并拟合处理,所述根据预先构建的基于细胞分裂原理驱动的神经网络模型,对所述目标样本数据集合进行特征提取处理,确定目标特征集的步骤,包括:
针对所述目标样本数据集合,在所述基于细胞分裂原理驱动的神经网络模型中对应的参数集合,进行所述参数分裂拟合处理和所述参数合并拟合处理,确定参数拟合结果;
根据预设损失函数对所述参数拟合结果进行评估优化处理,确定所述目标特征集。
3.根据权利要求1所述的故障分类模型的构建方法,其特征在于,所述将所述目标样本数据集合和所述目标特征集输入至预设分类器中,以对所述分类器进行分类训练,确定故障分类模型的步骤,包括:
将所述目标样本数据集合和所述目标特征集输入至预设分类器中,根据所述预设分类器中基于量子优化的高阶神经网络算法确定目标权重,其中,所述目标权重为所述基于量子优化的高阶神经网络算法的最佳权重配置;
根据所述目标权重对所述预设分类器进行分类训练,确定所述故障分类模型。
4.风电设备故障分类方法,其特征在于,所述方法包括:
获取待分类的风电设备故障数据;
将所述风电设备故障数据进行数据预处理后,输入至预先构建的故障分类模型中,确定故障分类结果,并将所述故障分类结果反馈至用户端;
其中,所述故障分类模型为基于权利要求1-3任一项所述的故障分类模型的构建方法构建得到的。
5.一种故障分类模型的构建装置,其特征在于,所述装置包括:
样本数据采集模块,获取风电设备上的传感器集合采集的原始样本数据集合,其中,所述原始样本数据集合中的每个训练样本包括传感器数据、各项所述传感器数据的数据属性和各项所述传感器数据的故障类型标签;
数据扩充模块,通过黎曼学习算法与回声状态网络模型对所述原始样本数据集合进行数据扩充处理,以扩充所述原始样本数据集合,确定目标样本数据集合;
特征提取模块,根据预先构建的基于细胞分裂原理驱动的神经网络模型,对所述目标样本数据集合进行特征提取处理,确定目标特征集;
模型训练模块,将所述目标样本数据集合和所述目标特征集输入至预设分类器中,以对所述分类器进行分类训练,确定故障分类模型;
其中,基于黎曼学习算法和所述原始样本数据对所述回声状态网络模型进行模型更新处理,确定目标回声状态网络模型;利用所述原始样本数据集合对所述目标回声状态网络模型进行训练,确定新增样本数据;将所述新增样本数据添加至所述原始样本数据集合,确定数据扩充后的所述目标样本数据集合;
其中,基于黎曼学习算法对所述原始样本数据集合进行映射处理,将所述原始样本数据集合映射至黎曼流形空间,确定各项原始样本数据对应黎曼流形的黎曼距离;将所述黎曼距离作为所述回声状态网络模型的权重输入至所述回声状态网络模型中,对所述回声状态网络模型进行模型更新处理,确定目标回声状态网络模型;
其中,通过预设动态参数调整算法,对所述黎曼流形空间中各项原始样本数据对应黎曼流形的黎曼度量进行调整,确定目标黎曼度量;通过预设动态拓扑调整算法对所述权重进行调整,确定优化权重;利用所述目标黎曼度量和所述优化权重,对所述回声状态网络模型进行模型更新处理,确定目标回声状态网络模型。
6.风电设备故障分类装置,其特征在于,所述装置包括:
故障采集模块,获取待分类的设备故障数据;
故障分类模块,将所述设备故障数据进行数据预处理后,输入至预先构建的故障分类模型中,确定故障分类结果,并将所述故障分类结果反馈至用户端;
其中,所述故障分类模型为基于权利要求1-3任一项所述的故障分类模型的构建方法构建得到的。
7.一种服务器,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311577949.3A CN117290732B (zh) | 2023-11-24 | 2023-11-24 | 故障分类模型的构建方法、风电设备故障分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311577949.3A CN117290732B (zh) | 2023-11-24 | 2023-11-24 | 故障分类模型的构建方法、风电设备故障分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117290732A CN117290732A (zh) | 2023-12-26 |
CN117290732B true CN117290732B (zh) | 2024-03-01 |
Family
ID=89241095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311577949.3A Active CN117290732B (zh) | 2023-11-24 | 2023-11-24 | 故障分类模型的构建方法、风电设备故障分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290732B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648643B (zh) * | 2024-01-30 | 2024-04-16 | 山东神力索具有限公司 | 基于人工智能的索具预测性诊断方法及装置 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253301A (zh) * | 2011-04-20 | 2011-11-23 | 哈尔滨工业大学 | 基于微分进化算法和回声状态网络静态分类的模拟电路故障诊断方法 |
CN102262211A (zh) * | 2011-04-20 | 2011-11-30 | 哈尔滨工业大学 | 基于回声状态网络动态分类的模拟电路故障诊断方法 |
CN104373338A (zh) * | 2014-11-19 | 2015-02-25 | 北京航空航天大学 | 一种基于lmd-svd和ig-svm的液压泵故障诊断方法 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
WO2019080488A1 (zh) * | 2017-10-27 | 2019-05-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
CN111353373A (zh) * | 2019-11-29 | 2020-06-30 | 盐城工学院 | 一种相关对齐域适应故障诊断方法 |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
WO2021017416A1 (zh) * | 2019-07-30 | 2021-02-04 | 重庆邮电大学 | 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 |
CN112861914A (zh) * | 2021-01-12 | 2021-05-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种高铁头罩前开闭脱漆故障检测方法 |
WO2021169115A1 (zh) * | 2020-02-29 | 2021-09-02 | 平安科技(深圳)有限公司 | 风控方法、装置、电子设备及计算机可读存储介质 |
CN114778112A (zh) * | 2021-04-16 | 2022-07-22 | 大唐(赤峰)新能源有限公司 | 风电发电机组机械故障音频识别和故障诊断方法 |
WO2022166527A1 (zh) * | 2021-02-04 | 2022-08-11 | 中国长江三峡集团有限公司 | 一种反馈寻优的风机叶片故障监测方法 |
CN115688040A (zh) * | 2022-11-08 | 2023-02-03 | 西安交通大学 | 一种机械设备故障诊断方法、装置、设备及可读存储介质 |
CN115879026A (zh) * | 2022-12-07 | 2023-03-31 | 吉林大学 | 一种基于卷积神经网络—集成分类器的旋挖钻机液压系统故障诊断方法 |
CN116432091A (zh) * | 2023-06-15 | 2023-07-14 | 山东能源数智云科技有限公司 | 基于小样本的设备故障诊断方法、模型的构建方法及装置 |
CN116881832A (zh) * | 2023-09-07 | 2023-10-13 | 山东能源数智云科技有限公司 | 旋转机械设备故障诊断模型的构建方法及装置 |
CN117056734A (zh) * | 2023-10-12 | 2023-11-14 | 山东能源数智云科技有限公司 | 基于数据驱动的设备故障诊断模型的构建方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4270250A1 (en) * | 2022-04-18 | 2023-11-01 | Tata Consultancy Services Limited | Methods and systems for time-series classification using reservoir-based spiking neural network |
-
2023
- 2023-11-24 CN CN202311577949.3A patent/CN117290732B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262211A (zh) * | 2011-04-20 | 2011-11-30 | 哈尔滨工业大学 | 基于回声状态网络动态分类的模拟电路故障诊断方法 |
CN102253301A (zh) * | 2011-04-20 | 2011-11-23 | 哈尔滨工业大学 | 基于微分进化算法和回声状态网络静态分类的模拟电路故障诊断方法 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN104373338A (zh) * | 2014-11-19 | 2015-02-25 | 北京航空航天大学 | 一种基于lmd-svd和ig-svm的液压泵故障诊断方法 |
WO2019080488A1 (zh) * | 2017-10-27 | 2019-05-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
WO2021017416A1 (zh) * | 2019-07-30 | 2021-02-04 | 重庆邮电大学 | 一种感知对抗生成下的深度压缩动力锂电池故障诊断方法 |
CN111353373A (zh) * | 2019-11-29 | 2020-06-30 | 盐城工学院 | 一种相关对齐域适应故障诊断方法 |
WO2021169115A1 (zh) * | 2020-02-29 | 2021-09-02 | 平安科技(深圳)有限公司 | 风控方法、装置、电子设备及计算机可读存储介质 |
CN112861914A (zh) * | 2021-01-12 | 2021-05-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种高铁头罩前开闭脱漆故障检测方法 |
WO2022166527A1 (zh) * | 2021-02-04 | 2022-08-11 | 中国长江三峡集团有限公司 | 一种反馈寻优的风机叶片故障监测方法 |
CN114778112A (zh) * | 2021-04-16 | 2022-07-22 | 大唐(赤峰)新能源有限公司 | 风电发电机组机械故障音频识别和故障诊断方法 |
CN115688040A (zh) * | 2022-11-08 | 2023-02-03 | 西安交通大学 | 一种机械设备故障诊断方法、装置、设备及可读存储介质 |
CN115879026A (zh) * | 2022-12-07 | 2023-03-31 | 吉林大学 | 一种基于卷积神经网络—集成分类器的旋挖钻机液压系统故障诊断方法 |
CN116432091A (zh) * | 2023-06-15 | 2023-07-14 | 山东能源数智云科技有限公司 | 基于小样本的设备故障诊断方法、模型的构建方法及装置 |
CN116881832A (zh) * | 2023-09-07 | 2023-10-13 | 山东能源数智云科技有限公司 | 旋转机械设备故障诊断模型的构建方法及装置 |
CN117056734A (zh) * | 2023-10-12 | 2023-11-14 | 山东能源数智云科技有限公司 | 基于数据驱动的设备故障诊断模型的构建方法及装置 |
Non-Patent Citations (8)
Title |
---|
"基于UMAP-AdamDD的冷水机组故障诊断方法";顾君垚;丁强; 夏宇栋;江爱朋;丁晓雯;《低温与超导》;第50卷(第01期);全文 * |
"基于生长自组织神经网络群的交通流预测";吕进; 赵祥模; 樊海玮; 旺乃姆;《交通运输系统工程与信息》;第13卷(第03期);全文 * |
Bai, Y (Bai, Yun) ."Fault Diagnosis for Wind Turbine Gearboxes by Using Deep Enhanced Fusion Network".《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》.2021,第70卷全文. * |
Pu, ZQ (Pu, Ziqiang) ; Li, C (Li, Chuan) ; Zhang, SH (Zhang, Shaohui) * |
主测地线分析(PGA)技术在汽轮机系统中的应用;孙小婷;《自动化应用》(第01期);全文 * |
基于局部线性嵌入的多流形学习故障诊断方法;王广斌;罗军;贺旖琳;杜晓阳;陈庆怡;;《湖南科技大学学报(自然科学版)》(第04期);全文 * |
基于属性粒化聚类与回声状态网络的末制导雷达故障诊断;逯程;徐廷学;王虹;;《上海交通大学学报》(第09期);全文 * |
基于相应簇回声状态网络静态分类方法;郭嘉;雷苗;彭喜元;;《电子学报》(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117290732A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520272B (zh) | 一种改进苍狼算法的半监督入侵检测方法 | |
CN117290732B (zh) | 故障分类模型的构建方法、风电设备故障分类方法及装置 | |
Ye et al. | An improved chaotic fruit fly optimization based on a mutation strategy for simultaneous feature selection and parameter optimization for SVM and its applications | |
CN116910493B (zh) | 基于多源特征提取的设备故障诊断模型的构建方法及装置 | |
Ding et al. | Intelligent optimization methods for high-dimensional data classification for support vector machines | |
CN116881832B (zh) | 旋转机械设备故障诊断模型的构建方法及装置 | |
CN112464996A (zh) | 基于LSTM-XGBoost的智能电网入侵检测方法 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN117077871B (zh) | 基于大数据的能源需求预测模型的构建方法及装置 | |
CN117407781B (zh) | 基于联邦学习的设备故障诊断方法及装置 | |
Lu et al. | ResDenIncepNet-CBAM with principal component analysis for wind turbine blade cracking fault prediction with only short time scale SCADA data | |
Anggraeni et al. | Forecasting of wave height time series using AdaBoost and XGBoost, case study in Pangandaran, Indonesia | |
CN113328908B (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
CN116245259B (zh) | 基于深度特征选择的光伏发电预测方法、装置和电子设备 | |
CN112631898A (zh) | 基于cnn-svm的软件缺陷预测方法 | |
CN116910556A (zh) | 电厂设备异常检测方法、训练方法、装置、设备和介质 | |
CN116896093A (zh) | 一种风电场并网振荡稳定性在线分析与优化方法 | |
CN116628488A (zh) | 风电功率预测模型的训练方法、风电功率预测方法及设备 | |
Bin et al. | Simple and effective fault diagnosis method of power lithium-ion battery based on GWA-DBN | |
Wang et al. | A Relief-PGS algorithm for feature selection and data classification | |
CN117312865B (zh) | 基于非线性动态优化的数据分类模型的构建方法及装置 | |
Hua et al. | A novel sampled-data asynchronous CatBoost model with knowledge-based guidance for product quality estimation in the industrial processes | |
Liu et al. | A novel hybrid feature selection and modified KNN prediction model for coal and gas outbursts | |
CN107067032B (zh) | 数据分类的方法和装置 | |
Liu et al. | A hybrid model integrating improved fuzzy c-means and optimized mixed kernel relevance vector machine for classification of coal and gas outbursts |
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 |