本发明涉及远程状态监测系统，尤其是涉及一种基于云计算平台的机器学习风机状态监测方法及装置。
背景技术：
今年来，为了减少温室气体排放及对环境的污染，我国建设了大量的大型风力发电厂。然而，风力资源丰富的地区往往处于高山、沙漠、或者海上；这些地区往往气候条件恶劣，不适合操作人员长期值守，所以为风力发电机安装远程状态监测系统实时监控风机运行状况是非常有必要的。一台典型的大型兆瓦级风力发电机往往需要同时监测超过一百个状态变量，根据不同的变量种类，信号采样频率在100khz-1hz之间。这就意味着每秒钟会产生大量的监测数据需要被处理，并且机器学习过程的计算量非常巨大。传统的状态监测系统往往设置一个数据处理中心来完成大量的数据处理，数据处理中心通常装备大型服务器，由大型服务器进行数据机器学习，分析和计算。目前，在中国，一些特大型风电厂安装上百台风力发电机，这就意味着，风力发电厂需要同时实时的对上百台风力发电机进行状态监测，这就对大型服务器的计算能力提出了巨大的挑战，而传统大型服务器并行计算能力和计算速度还是有限的。
在过去的十年里，云计算技术取得了很大的发展。相比较于传统的服务器计算，云计算有着可以实现超大规模计算，使用成本极其低廉，扩展能力强的优点。因此，基于云计算平台的风力发电机状态监测系统可以快速地完成上百台风力发电机监测数据的处理，并且操作人员使用手持智能设备(如平板电脑或智能手机)在任何地点随时调取阅读风机运行状态信息。由于不需要购置大型服务器，基于云计算平台的风力发电机状态监测系统使用成本远远低于传统服务器数据处理系统。
然而，使用云计算平台需要将监测数据通过因特网上传至云端，数据计算及储存都在云端实施，这就带来了数据信息泄露的风险，并且云计算平台的使用成本取决于上传数据的数量。因此，传统的机器学习方法不能满足实际工程应用的需要。
技术实现要素：
针对背景技术的不足，本发明的目的在于提供一种基于云计算平台的机器学习风机状态监测方法及装置，本发明同时具有数据压缩、加密和机器学习功能。不仅可以减少数据上传量，进一步降低使用成本，同时还保证了风机数据的安全，具有很高的工业应用价值。
为了达到上述目的，本发明采用的技术方案是：、
一、一种基于云计算平台的机器学习风机状态监测方法，该方法的步骤是：
步骤1)设置分层极端学习机模型结构，对传感器采集调理后的信号使用分层极端学习机方法求出第一层隐层初始输出矩阵h；
步骤2)使用压缩感知方法对求出的第一层隐层初始输出矩阵h进行压缩处理，从而减少矩阵的维度；
步骤3)将压缩后的第一层隐层初始输出矩阵h由基于raspberrypi3.0系统无线传输模块通过物联网上传至云计算平台；
步骤4)对上传至云计算平台的压缩数据进行恢复；
步骤5)通过使用云计算技术，完成分层极端学习机方法的状态监测模型训练，并将训练完成后的分层极端学习机的除第一层以外的后续神经网络层的结构参数下载至在线状态监测系统；
步骤6)利用建立的训练后的最优状态监测模型完成对风机各个子系统实时状态监测。
所述步骤1)中使用分层极端学习机方法求出第一层隐层初始输出矩阵h，当分层极端学习机模型结构被设置确定后，以传感器采集调理后的风速，发电机输出功率，以及气温信号作为分层极端学习机方法计的输入信号计算出第一层隐层初始输出矩阵h；
分层极端学习机的第一层隐层具有l个隐层神经元的隐层神经网路输出为：
公式(1)中，g(ωi，bi，xj)是与输入x对应的第i个隐层神经元的输出，ωi是输入权向量，bi是神经网络偏移值向量，g(·)为激活函数,矩阵h称分层极端学习机的第一层隐层输出矩阵。
所述步骤2)使用压缩感知方法对求出的第一层隐层初始输出矩阵h进行压缩处理，压缩感知方法的数学表达式如公式(2)：
y＝φx＝φψθ(2)
y＝aθ(3)
式中：y表示压缩后的数据；φ表示测量矩阵；a表示感知矩阵；θ表示x在ψ变换域的稀疏表示后的结果；x是待压缩的数据，在本发明中变量x是分层极端学习机的第一层隐层初始输出矩阵h。
所述步骤4)对上传至云计算平台的压缩数据进行恢复，上传云计算平台的数据使用最小范数l1算法进行数据重构，从而得到恢复后的分层极端学习机的第一层隐层初始输出矩阵h，从而进行下一步基于分层极端学习机的状态监测模型的训练；最小范数l1算法用如下公式(4)表述：
min||x||1s.t.||φx-y||2≤ε(4)
公式(4)的实质就是在测量矩阵确定的情况下，通过最小范数l1的最优方法找到正确的稀疏解
所述步骤5)通过使用云计算技术，完成分层极端学习机方法的状态监测模型训练，基于分层极端学习机方法的状态监测模型以风速，发电功率输出，气温为输入量，模型输出量为预测的风机各个子系统运行状态，即温度，电压，电流，振动；模型预测值与风机现场实际测量值做比较，当两者出现明显偏差时，表明风机出现了故障；在开始进行模型预测之前，预测模型需要被训练，从而的得到最佳的预测模型结构，该方法具体步骤如下：
第一步骤：设置分层极端学习机模型的结构及其初始各层权值向量和偏移向量参数，并选一台健康风机数据作为取训练样本；
第二步骤：使用样本计算最后一层隐层输出矩阵hn；
第三步骤：分别计算出前n-1层隐层的输出权值βn-1；
第四步骤：最后计算最后一层隐层输出权值
λ是一个正值常系数，hn是分层极端学习机的第n层隐层神经元的隐层神经网路输出；t是分层极端学习机的目标输出。
二、一种基于云计算平台的机器学习风机状态监测方法的装置：
包括传感器及信号调理电路，stm32f429信号处理板，raspberrypi3.0微型电脑和云计算平台；实时采集的现场数据经过传感器及信号调理电路传输到stm32f429信号处理板，该信号处理板完成数据的模数转换，并计算出分层极端学习机的第一层隐层初始输出矩阵h，再使用压缩感知方法对矩阵h数据进行压缩，经过压缩感知方法后的数据由stm32f429信号处理板传输到raspberrypi3.0微型电脑，然后通过raspberrypi3.0微型电脑上的无线传输模块通过物联网上传至云计算平台。
本发明具有的有益效果是：
本发明利用压缩感知的数据压缩特性，降低了数据上传至云计算平台的数量；并且由于只上传分层极端学习机第一层隐层初始输出矩阵，所以极端学习机输入权值和第一层隐层的偏移向量无法被他人获取，保证了预测模型结构及其参数安全。运用分层极端学习机方法相比于传统极端学习机方法有着更高的监测精度。
附图说明
图1是本发明的基于云计算平台的机器学习风机状态监测方法的流程图。
图2是本发明的基于分层极端学习机的多层神经网络风力发电机状态监测拓补结构图。
图3是本发明的基于云计算平台的机器学习风机状态监测装置构造框图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示，一种基于云计算平台的机器学习风机状态监测方法，该方法的步骤是：
步骤1)设置分层极端学习机模型结构，对传感器采集调理后的信号使用分层极端学习机方法求出第一层隐层初始输出矩阵h；
步骤2)使用压缩感知方法对求出的第一层隐层初始输出矩阵h进行压缩处理，从而减少矩阵的维度；
步骤3)将压缩后的第一层隐层初始输出矩阵h由基于raspberrypi3.0系统无线传输模块通过物联网上传至云计算平台；
步骤4)对上传至云计算平台的压缩数据进行恢复；
步骤5)通过使用云计算技术，完成分层极端学习机方法的状态监测模型训练，并将训练完成后的分层极端学习机的除第一层以外的后续神经网络层的结构参数下载至在线状态监测系统；
步骤6)利用建立的训练后的最优状态监测模型完成对风机各个子系统实时状态监测。
所述步骤1)中使用分层极端学习机方法求出第一层隐层初始输出矩阵h，当分层极端学习机模型结构被设置确定后，以传感器采集调理后的风速，发电机输出功率，以及气温信号作为分层极端学习机方法计的输入信号计算出第一层隐层初始输出矩阵h；
如图2所示，分层极端学习机的第一层隐层具有l个隐层神经元的隐层神经网路输出为：
公式(1)中，g(ωi，bi，xj)是与输入x对应的第i个隐层神经元的输出，ωi是输入权向量，bi是神经网络偏移值向量，g(·)为激活函数,矩阵h称分层极端学习机的第一层隐层输出矩阵。
分层极端学习机的第一层隐层神经网路输出h作为下一层的输入量，并推广至第n层，表述如公式(5)
hn＝g(hn-1·βn-1)(5)
前n-1层隐层的输出权值βn-1可以由公式(6)和(7)求得
最终，第n层输出权值向量
公式(8)中λ是一个正值常系数，hn是分层极端学习机的第n层隐层神经元的隐层神经网路输出；t是分层极端学习机的目标输出。
在本发明的分层极端学习机训练过程中，气温、风速、发电机输出功率作为分层极端学习机的输入变量；需要被监测的对象作为分层极端学习机的输出变量。通过训练过程，可以得到最优的第n层输出权值向量
所述步骤2)使用压缩感知方法对求出的第一层隐层初始输出矩阵h进行压缩处理，压缩感知方法的数学表达式如公式(2)：
y＝φx＝φψθ(2)
y＝aθ(3)
式中：y表示压缩后的数据；φ表示测量矩阵；a表示感知矩阵；θ表示x在ψ变换域的稀疏表示后的结果；x是待压缩的数据，在本发明中变量x是分层极端学习机的第一层隐层初始输出矩阵h。
由于压缩感知方法有着压缩计算量小的优点，所以数据压缩的步骤可以在在基于意法半导体公司的stm32f429arm系统上实施。当分层极端学习机的第一层隐层初始输出矩阵h计算的得到后，传输到stm32f429arm系统上，该系统完成数据的模数转换，使用压缩感知方法完成数据压缩。压缩后的数据数字信号由stm32f429arm系统传输到raspberrypi3.0系统，然后通过raspberrypi3.0系统上的无线传输模块通过物联网上传至云计算平台。raspberrypi3.0系统是一种微型计算机系统。相比于传统的计算机，raspberrypi3.0系统价格要便宜很多，只相当于传统计算机平台价格的5-10％。
传统的数据压缩方法中，压缩数据的计算量远远大于数据解压缩的计算量，然后压缩感知方法则有着相反的特性，其数据压缩计算量远远小于数据解压重构计算量。这一特征非常适用于云计算领域，因为希望将计算量大的过程放在云服务器上进行计算。使用压缩感知方法压缩分层极端学习机的第一层隐层初始输出矩阵h不仅减少了上传云平台的数据量，而且避免了直接上传分层极端学习机第一层输入权值向量和偏移向量，保证了极端学习机模型结构参数的数据安全。
所述步骤4)对上传至云计算平台的压缩数据进行恢复，上传云计算平台的数据使用最小范数l1算法进行数据重构，从而得到恢复后的分层极端学习机的第一层隐层初始输出矩阵h，从而进行下一步基于分层极端学习机的状态监测模型的训练；最小范数l1算法用如下公式(4)表述：
min||x||1s.t.||φx-y||2≤ε(4)
公式(4)的实质就是在测量矩阵确定的情况下，通过最小范数l1的最优方法找到正确的稀疏解
极端学习机是一种非常有效的神经网络训练方法，广泛的运用于单隐层神经网络结构。极端学习机只需要随机生成输入权值和隐层阈值，依据摩尔广义逆矩阵理论，解析求得方程组的极小范数最小二乘解，输出权值就可以被唯一的确定。最重要的是，极端学习机不需要想传统神经网络训练那样需要反复迭代计算才能得到最优解，因此极端学习机克服了传统神经网络训练方法的固有缺点有着非常快的训练速度，并有着更好的泛化性能性能。但是基于单隐层神经网络的极端学习机方法在实际工程应用中有很多局限性。当应用在复杂且强非线性的条件下，传统基于单隐层神经网络结构的方法就很难达到理想的精度。因此采样基于多层隐层神经网络的分层极端可以得到更高的精度，适合应用在风机状态监测领域。
所述步骤5)通过使用云计算技术，完成分层极端学习机方法的状态监测模型训练，基于分层极端学习机方法的状态监测模型以风速，发电功率输出，气温为输入量，模型输出量为预测的风机各个子系统运行状态，即温度，电压，电流，振动；模型预测值与风机现场实际测量值做比较，当两者出现明显偏差时，表明风机出现了故障；在开始进行模型预测之前，预测模型需要被训练，从而的得到最佳的预测模型结构，该方法具体步骤如下：
第一步骤：设置分层极端学习机模型的结构及其初始各层权值向量和偏移向量参数，并选一台健康风机数据作为取训练样本；
第二步骤：使用样本计算最后一层隐层输出矩阵hn；
第三步骤：分别计算出前n-1层隐层的输出权值βn-1；
第四步骤：最后计算最后一层隐层输出权值
λ是一个正值常系数，hn是分层极端学习机的第n层隐层神经元的隐层神经网路输出；t是分层极端学习机的目标输出。
如图3所示，是本发明的基于云计算平台的机器学习风机状态监测装置构造框图。包括传感器及信号调理电路，stm32f429信号处理板，raspberrypi3.0微型电脑和云计算平台；实时采集的现场数据经过传感器及信号调理电路传输到stm32f429信号处理板，该信号处理板完成数据的模数转换，并计算出分层极端学习机的第一层隐层初始输出矩阵h，再使用压缩感知方法对矩阵h数据进行压缩，经过压缩感知方法后的数据由stm32f429信号处理板传输到raspberrypi3.0微型电脑，然后通过raspberrypi3.0微型电脑上的无线传输模块通过物联网上传至云计算平台。
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。