【技术实现步骤摘要】
本专利技术涉及水电机组故障分析方法，特别是一种基于da-wgan-svm(可微增强生成对抗网络-支持向量机)的水电机组小样本故障诊断方法。
技术介绍
1、在水电机组领域，水电机组的振动监测信号中包含了丰富的机组状态信息,各发电集团工业大数据平台积累了海量机组运行数据，通过对数据的分解和重构等，实现了故障分析诊断。虽然现有水电机组状态监测技术相对成熟、应用广泛，但记录监测信号时，仍存在同一机组大多数据为正常运行阶段数据，而非故障时期状态监测数据，因此水电机组标定了故障类型的样本数量仍然偏少，从而给基于数据对水电进行故障诊断而带来阻碍。还有就是，海量机组运行数据缺乏科学有效的分析和利用，未能充分发挥其重要价值，仅能进行简单的特征值显示及幅值越限告警，定位故障原因及部位常依赖工作人员监测数据分析水平和实际经验，不可避免地存在主观性和局限性；也就是说，传统的水电机组故障诊断方法主要依赖于领域专家的经验知识，这种方法容易受到人为主观因素的影响，而且故障判断结果常常基于经验事实，缺乏科学的依据。
2、目前，也出现了以下几种相对更为先进的水电机组故障诊断方法。第一种：利用分形理论和随机森林实现在不同噪声尺度下的水电机组故障诊断，具体应用中，首先基于分形理论，提出了一种度量信号复杂度的工具——时移多尺度注意熵，然后，利用主成分分析对时移多尺度注意熵进行降维处理，克服了特征冗杂问题，最终，将降维后的特征输入到随机森林模型进行诊断，通过对振动信号添加不同信噪比的噪声，探究不同噪声强度下所提模型的抗噪性能。第二种：将自注意力机制和辅助分类
3、虽然上述几种方式相较于传统技术，能实现更好的数据分析及判断，但是受到技术限制还存在如下问题，其一：仍需预先对机组运行数据进行故障标签或正常标签标注，这涉及到大量的人力投入和先验知识，会导致在实际训练过程中，故障诊断模型常常面临完整标注训练数据不足的问题，从而使得训练所得模型在泛化能力和鲁棒性方面表现不尽如人意。其二：基于计算机的强大算力和自主挖掘水电机组故障样本中潜在的故障征兆，能提高水电机组故障的智能诊断能力，但诊断的准确度与算法的选择及训练高度相关，由于相关技术不成熟，训练过程中的不稳定性被认为是gan(对抗网络)的一个重要问题，所以判断的结果或多或少会和实际数据存在偏差。其三：是通过对训练数据集进行一定程度的变换，以增加样本的多样性，这些变换可以包括旋转、翻转、缩放、剪切、亮度和对比度调整等，数据增强的目的是模拟现实世界中的数据变化，帮助模型更好地泛化到未见过的样本，然而，传统数据增强是在模型训练之前进行的，且增强变换通常是人为定义的，与模型训练过程相对独立，所以由于水电机主故障判别时还无法满足实际需要。
技术实现思路
1、为了克服现有水电机组故障判断因技术所限，存在如背景所述弊端，本专利技术提供了在相关步骤及方法共同作用下，在水电机组小样本基础上，首先利用可微增强生成对抗网络对现有的训练数据集进行数据增强并且扩充训练数据集，然后对数据集进行特征向量提取；最后用支持向量机(supportvector machines，svm)分类器对扩充的数据集进行分类从而实现对水电机组故障分类，相较于大多传统的基于物理模型的方法，可以更好地适应不同机组的特性，并且不需要过多的先验知识和假设，具有更强实用性和可操作性，为有效判断出水电机组故障起到了有力技术支持的一种基于da-wgan-svm的水电机组小样本故障诊断方法。
2、本专利技术解决其技术问题所采用的技术方案是：
3、一种基于da-wgan-svm的水电机组小样本故障诊断方法，其特征在于，先进行生成对抗网络、wasserstein生成对抗网络、可微分数据增强，然后利用上述获得的数据进行基于水电机组小样本基础上的故障分析诊断，具体包括如下步骤，步骤a：数据处理及模型初始化，具体的，归一化原始数据并将数据划分为训练集和测试集，对da-wgan模型进行初始化相关参数；步骤b：更新判别器d，具体的，利用生成器g生成‘假样本’数据，将生成的数据与原始数据输入判别器d中对判别器d进行单独训练，更新判别器参数；步骤c：更新生成器g，具体的，对生成器g进行单独更新使其生成的‘假样本’数据能成功欺骗判别器d；步骤d：重复步骤b和步骤c使da-wgan模型达到纳什平衡，完成小样本的扩充；步骤e：对扩充后的数据进行特征提取，构建特征向量；步骤f：模型训练，具体的，将混合特征向量划分为训练集和测试集，将训练集数据输入svm模型中进行训练；步骤g：故障诊断，具体的，将测试集数据输入训练好的svm分类器中，获取故障诊断模型的识别准确度。
4、进一步地，所述生成对抗网络是由生成器g和判别器d两个网络组成的一种神经网络，生成器目标是生成尽可能真实的数据，以使判别器无法区分生成的数据与实际数据的差异，判别器其目标是尽可能地正确区分生成数据与实际数据；具体的，生成器g将pz(z)分布的随机噪声样本z转化成虚假样本g(z)，判别器d则试图将他们与真实样本区分开，通过函数公式实现。
5、进一步地，所述生成对抗网络算法的具体流程如下，1)：初始化判别器d参数θd和生成器g参数θg；2)：从样本集中取出m个样本，从噪声样本中取出m个向量；3)：将m个向量输入生成器g中获得m个样本数据，并更新判别器d的参数θd来最大化具体通过公式实现；4)：从噪声样本中取出m个向量，更新生成器g的参数θg，具体通过公式实现。
6、进一步地，所述wasserstein生成对抗网络中，采用wasserstein距离作为损失函数，采用的公式如下，
7、进一步地，所述可微分数据增强步骤如下：1)定义可微分数据增强变化；2)“假样本”数据增强；3)：真实样本数据增强；4)合并真实样本和生成样本；5)判别器训练；6)生成器训练；7)结束训练。
8、进一步地，所述可微分数据增强，1)中，具体选择一组可微分的数据增强变换，如平移、缩放、旋转等；2)中，具体利用生成器g从随机噪声中生成一批“假样本”并利用可微分数据增强变化进行数据增强；3)中，对来自训练数据集的一批真实样本应用可微分数据增强变换；4)中，将经过数据增强后的真实样本与生成样本合并；5)中，将合并后的样本输入判别器，计算损失函数，然后根据损失函数更新判别器的参数；6)中，使用生成器生成另一批假样本，计算损失函数，然后根据损失函数更新生成器的参数，在计算梯度时，考虑可微分数据增强变换的梯度；7)中，重复执行步骤2-6，直到满足停止条件。
9、进一步地，所述可微分数据增强可微分数据增强生成对抗网络模型的损失函数如下式所示：
10、lg＝ez～p(z)本文档来自技高网...
【技术保护点】
1.一种基于DA-WGAN-SVM的水电机组小样本故障诊断方法，其特征在于，先进行生成对抗网络、Wasserstein生成对抗网络、可微分数据增强，然后利用上述获得的数据进行基于水电机组小样本基础上的故障分析诊断，具体包括如下步骤，步骤A：数据处理及模型初始化，具体的，归一化原始数据并将数据划分为训练集和测试集，对DA-WGAN模型进行初始化相关参数；步骤B：更新判别器D，具体的，利用生成器G生成‘假样本’数据，将生成的数据与原始数据输入判别器D中对判别器D进行单独训练，更新判别器参数；步骤C：更新生成器G，具体的，对生成器G进行单独更新使其生成的‘假样本’数据能成功欺骗判别器D；步骤D：重复步骤B和步骤C使DA-WGAN模型达到纳什平衡，完成小样本的扩充；步骤E：对扩充后的数据进行特征提取，构建特征向量；步骤F：模型训练，具体的，将混合特征向量划分为训练集和测试集，将训练集数据输入SVM模型中进行训练；步骤G：故障诊断，具体的，将测试集数据输入训练好的SVM分类器中，获取故障诊断模型的识别准确度。
2.根据权利要求1所述的一种基于DA-WGAN-SVM的水电机组小样
3.根据权利要求1所述的一种基于DA-WGAN-SVM的水电机组小样本故障诊断方法，其特征在于，生成对抗网络算法的具体流程如下，1)：初始化判别器D参数θd和生成器G参数θg；2)：从样本集中取出m个样本，从噪声样本中取出m个向量；3)：将m个向量输入生成器G中获得m个样本数据，并更新判别器D的参数θd来最大化具体通过公式实现；4)：从噪声样本中取出m个向量，更新生成器G的参数θg，具体通过公式实现。
4.根据权利要求1所述的一种基于DA-WGAN-SVM的水电机组小样本故障诊断方法，其特征在于，Wasserstein生成对抗网络中，采用Wasserstein距离作为损失函数，采用的公式如下，
5.根据权利要求1所述的一种基于DA-WGAN-SVM的水电机组小样本故障诊断方法，其特征在于，可微分数据增强步骤如下：1)定义可微分数据增强变化；2)“假样本”数据增强；3)：真实样本数据增强；4)合并真实样本和生成样本；5)判别器训练；6)生成器训练；7)结束训练。
6.根据权利要求5所述的一种基于DA-WGAN-SVM的水电机组小样本故障诊断方法，其特征在于，可微分数据增强，1)中，具体选择一组可微分的数据增强变换，如平移、缩放、旋转等；2)中，具体利用生成器G从随机噪声中生成一批“假样本”并利用可微分数据增强变化进行数据增强；3)中，对来自训练数据集的一批真实样本应用可微分数据增强变换；4)中，将经过数据增强后的真实样本与生成样本合并；5)中，将合并后的样本输入判别器，计算损失函数，然后根据损失函数更新判别器的参数；6)中，使用生成器生成另一批假样本，计算损失函数，然后根据损失函数更新生成器的参数，在计算梯度时，考虑可微分数据增强变换的梯度；7)中，重复执行步骤2-6，直到满足停止条件。
7.根据权利要求1所述的一种基于DA-WGAN-SVM的水电机组小样本故障诊断方法，其特征在于，可微分数据增强可微分数据增强生成对抗网络模型的损失函数如下式所示：
...【技术特征摘要】
1.一种基于da-wgan-svm的水电机组小样本故障诊断方法，其特征在于，先进行生成对抗网络、wasserstein生成对抗网络、可微分数据增强，然后利用上述获得的数据进行基于水电机组小样本基础上的故障分析诊断，具体包括如下步骤，步骤a：数据处理及模型初始化，具体的，归一化原始数据并将数据划分为训练集和测试集，对da-wgan模型进行初始化相关参数；步骤b：更新判别器d，具体的，利用生成器g生成‘假样本’数据，将生成的数据与原始数据输入判别器d中对判别器d进行单独训练，更新判别器参数；步骤c：更新生成器g，具体的，对生成器g进行单独更新使其生成的‘假样本’数据能成功欺骗判别器d；步骤d：重复步骤b和步骤c使da-wgan模型达到纳什平衡，完成小样本的扩充；步骤e：对扩充后的数据进行特征提取，构建特征向量；步骤f：模型训练，具体的，将混合特征向量划分为训练集和测试集，将训练集数据输入svm模型中进行训练；步骤g：故障诊断，具体的，将测试集数据输入训练好的svm分类器中，获取故障诊断模型的识别准确度。
2.根据权利要求1所述的一种基于da-wgan-svm的水电机组小样本故障诊断方法，其特征在于，生成对抗网络是由生成器g和判别器d两个网络组成的一种神经网络，生成器目标是生成尽可能真实的数据，以使判别器无法区分生成的数据与实际数据的差异，判别器其目标是尽可能地正确区分生成数据与实际数据；具体的，生成器g将pz(z)分布的随机噪声样本z转化成虚假样本g(z)，判别器d则试图将他们与真实样本区分开，通过函数公式实现。
3.根据权利要求1所述的一种基于da-wgan-svm的水电机组小样本故障诊断方法，其特征在于，生成对抗网络算法的具体流程如下，1)：初始化判别器d参数θd和生成器g参数θg；2)：从...
【专利技术属性】
技术研发人员：邢建模，伍盛金，王卫玉，高金林，赖兴全，欧适，罗立军，魏加达，谭文胜，莫凡，王思嘉，刘禹，马腾飞，康志远，
申请(专利权)人：国家电投集团重庆江口水电有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。