一种基于深度学习的水电站导水机构运行故障识别方法与流程

本发明属于电力工程，具体涉及一种基于深度学习的水电站导水机构运行故障识别方法。

背景技术：

1、水电站导水机构是水轮机的核心支撑部件以及流道组成部分，可控制流速，一旦转轮出现故障，水流速度以及方向均可能发生进而影响能量转换，重则发生导水机构塌陷而导致整个厂房破坏甚至危及工人生命，目前缺乏对导水结构运行信号有效诊断，主要存在以下几个问题：(1)目前诊断方法基本从时域、频域等角度出发时程信号转为一个特征值，从宏观角度分析了故障，而忽略了微观中时间对信号的影响；(2)仅从时程角度考虑时间对故障诊断影响，而忽略了信号的时域、频域特征对故障诊断的影响。

技术实现思路

1、本发明要解决的技术问题是提供一种能提升故障诊断模型的精度与鲁棒性的基于深度学习的水电站导水机构运行故障识别方法。

2、本发明的技术方案为：一种基于深度学习的水电站导水机构运行故障识别方法，包括以下步骤：

3、(1)、对导水机构振动信号数据进行处理，构建数据集；

4、(2)、将数据集按8：2的比例分为训练集和测试集；

5、(3)、构建水电站导水机构运行故障识别深度学习模型，包括以下步骤：

6、s1、从时程信号分析出发，构建一维cnn网络结构，所述一维cnn网络结构包括：1×3卷积层、注意力机制、池化层、归一化层、lstm层、全连接层以及dropout正则化，两层所述1×3卷积层提取时程信号的特征，另一所述1×3卷积层的引入注意力机制；

7、s2、通过傅里叶变换获取时程信号的频域特征，所述频域特征为最大频率值；

8、s3、从时程信号中提取时域特征，所述时域特征为均方根值；

9、s4、采用svm分类器对三个维度的特征进行分类处理；

10、(4)、将训练集作为输入，对模型进行训练从而获得水轮机导水机构故障识别模型，并通过测试集验证模型的效果。

11、进一步地，所述对导水机构振动信号数据进行处理具体为通过三个不同路径来提取特征，所述三个不同路径包括：路径1：通过1×3卷积层提取时程信号的特征，路径2：通过傅里叶变换提取频域特征，路径3：从时程信号中提取时域特征。

12、进一步地，所述1×3卷积层的卷积运算在时序信号上进行，所述卷积运算的表达式为：

13、y＝σ(w*x+b)，

14、其中，*表示卷积操作，w表示卷积核，σ表示激活函数，b表示偏置项；

15、所述注意力机制的表达式为：

16、

17、其中，q表示查询矩阵，k表示键矩阵，v表示值矩阵，dk表示缩放因子，t表示矩阵的转置；

18、所述池化层的表达式为：

19、ypool＝max(xi：i+k)，

20、其中，ypool表示池化层的输出，xi：i+k表示输入数据x的第i个元素到第i+k个元素的子序列或子区域；

21、所述归一化层的表达式为：

22、

23、其中，xnorm表示经过归一化后的输入数据，x表示输入数据，μ表示输入数据的均值，σ表示输入数据的标准差；

24、所述lstm层的表达式为：

25、ft＝σ(wf·[ht-1，xt]+bf)

26、it＝σ(wi·[ht-1，xt]+bi)

27、

28、ot＝σ(wo·[ht-1，xt]+bo)

29、ht＝ot·tanh(ct)，

30、其中，ft表示遗忘门的输出，σ表示sigmoid激活函数，wf表示遗忘门的权重矩阵，xt表示当前时间步的输入，ht-1表示前一个时间步的隐藏状态，bf表示遗忘门的偏置项，it表示输入门的输出，wi表示输入门的权重矩阵，bi表示输入门的偏置项，表示候选记忆单元，wc表示候选记忆单元的权重矩阵，bc表示候选记忆单元的偏置项，ct表示当前时间步的记忆单元，ct-1表示前一个时间步的记忆单元，ot表示输出门的输出，wo表示输出门的权重矩阵，bo表示输出门的偏置项，ht表示当前时间步的隐藏状态；

31、所述全连接层的表达式为：

32、yfc＝wfc·x+bfc，

33、其中，yfc表示全连接层的输出，wfc表示全连接层的权重矩阵，x表示输入向量，bfc表示全连接层的偏置向量；

34、所述dropout正则化的表达式为：

35、h＝dropout(h，p)，

36、其中，h表示输入的特征向量，p表示丢弃率。

37、进一步地，所述通过傅里叶变换获取时程信号的频域特征的表达式为：

38、

39、其中，x(t)表示输入的时程信号，t表示时间变量，f表示频率变量，j表示虚数单位；

40、所述从时程信号中提取时域特征的表达式为：

41、

42、其中，rms表示均方根值，n表示时程信号中的数据点总数，xi表示时程信号的第i个数据点。

43、进一步地，所述svm分类器的表达式为：

44、

45、subject to yi(w·xi+b)≥1-ξi，ξi≥0，

46、其中，w表示权重向量，b表示决策函数的偏置项，ξi表示松弛变量，即第i个数据点未能在正确侧且位于边界外的距离，yi表示第i个数据点的类别标签，xi表示第i个数据点的特征向量，c表示正则化参数，n表示数据点的总数量。

47、本发明的有益效果：本发明的一种基于深度学习的水电站导水机构运行故障识别方法通过从时程信号分析出发，构建一维cnn网络结构，其由1×3卷积层、注意力机制、池化层、归一化层、lstm层、全连接层以及dropout正则化组成，其中两层1x3卷积层提取时程信号的特征信息，同时引入注意机制使另外一卷积层考虑局部信息与全局信息，池化层与归一化层提升计算速度以及降低冗余信息，lstm结构避免在时间维度丢失信息，采用全连接层以及dropout正则化，减少了特征量对结果影响，同时避免数据过拟合，最终输出一个反应故障的特征值；通过运用傅里叶变换获取频域特征和直接从时域提取均方根值，能够全面捕捉导水机构振动信号中的关键信息；简而言之，本发明的一种基于深度学习的水电站导水机构运行故障识别方法通过融合时程信号的时域、频域特征，同时考虑时程信号中时刻影响，避免了单角度分析，提升了故障诊断模型的精度与鲁棒性。

技术特征：

1.一种基于深度学习的水电站导水机构运行故障识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的水电站导水机构运行故障识别方法，其特征在于，所述对导水机构振动信号数据进行处理具体为通过三个不同路径来提取特征，所述三个不同路径包括：路径1：通过1×3卷积层提取时程信号的特征，路径2：通过傅里叶变换提取频域特征，路径3：从时程信号中提取时域特征。

3.根据权利要求1所述的一种基于深度学习的水电站导水机构运行故障识别方法，其特征在于，所述1×3卷积层的卷积运算在时序信号上进行，所述卷积运算的表达式为：

4.根据权利要求1所述的一种基于深度学习的水电站导水机构运行故障识别方法，其特征在于，所述通过傅里叶变换获取时程信号的频域特征的表达式为：

5.根据权利要求1所述的一种基于深度学习的水电站导水机构运行故障识别方法，其特征在于，所述svm分类器的表达式为：

技术总结
本发明公开了一种基于深度学习的水电站导水机构运行故障识别方法，包括以下步骤：对导水机构振动信号数据进行处理，构建数据集；将数据集按比例分为训练集和测试集；构建水电站导水机构运行故障识别深度学习模型；将训练集作为输入，对模型进行训练从而获得水轮机导水机构故障识别模型，并通过测试集验证模型的效果。本发明的一种基于深度学习的水电站导水机构运行故障识别方法通过融合时程信号的时域、频域特征，同时考虑时程信号中时刻影响，避免了单角度分析，提升了故障诊断模型的精度与鲁棒性。

技术研发人员：徐叶松
受保护的技术使用者：云南电力试验研究院（集团）有限公司
技术研发日：
技术公布日：2025/1/28