[发明专利]一种用于水轮机空化现象识别的分类模型训练方法

说明书

本发明公开了一种用于水轮机空化现象识别的分类模型训练方法，属于机器学习领域。包括输入训练样本；按照监督学习方法对输入的训练样本数据进行二元分类；对训练样本求解最大间距超平面，加入松弛变量，并使用升维函数，将低维度输入空间的样本映射到高维度空间使样本变为线性可分，在该特征空间中寻找最优分类超平面；使用指数循环递减矩阵搜索法来搜索升维函数中的最优超参数；使用最优超参数在整个训练集上再次训练，得到最终的分类器；将训练好后的分类模型保存并应用于水轮机初生空化的识别。本方法对分类模型的核函数和超参数的选取环节进行了优化，以帮助机器完成对水轮机空化现象的学习和识别，提高了识别效率与识别准确度。

技术领域

本发明涉及一种分类模型的训练方法，具体涉及一种用于水轮机空化现象识别的分类模型训练方法。

背景技术

水轮机的初生空化是指：液体内局部压强降低到临界值，所含气核急剧增长，空化开始发生的现象。它伴随着噪声与振动，会导致发电效率下降、出力减少、水力振动加剧。不但影响水轮机的使用寿命，还威胁着水电站和电网的安全运行。

识别水轮机空化对水电站、电网的运行安全具有重要意义，目前确定模型水泵水轮机水泵工况初生空化的方法还停留在人工观测的阶段，这种方法主观性强，准确度及效率都较低。

专利CN113255848A公开了一种基于大数据学习的水轮机空化声信号辨识方法，该专利筛选水轮机组健康状态下稳定工况的声信号特征量，通过大数据学习辨识水轮机空化声信号来判断空化现象，以达到提前预测输出未来短时稳定工况信息的目的。对水轮机是否发生空化现象的识别本质上是一个二分类的问题，而分类模型是数据挖掘、机器学习和模式识别中一个重要的研究领域，分类的目的，就是根据数据集的特点，构造一个分类函数或分类模型Model，该模型能把未知类别的样本映射到给定类别中的某一个。

分类模型的构造方式有很多，例如神经网络，然而神经网络普遍存在收敛速度慢、计算量大、训练时间长和不可解释等缺点。SVM (Support Vector Machine)分类算法是一种小样本学习方法，它的最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了高维变量引起的灾难。如果说神经网络方法是对样本的所有因子加权，那么SVM 方法则是对只占样本极少数的支持向量样本“加权”。当预报因子与预报对象间蕴涵的复杂非线性关系尚不清楚时，基于关键样本的方法可能优于基于因子的“加权”。少数支持向量决定了最终结果，可以剔除大量冗余样本、抓住关键样本，使得该方法不但算法简单，而且具有较好的鲁棒性。

然而SVM 方法只对静态物理量构成的二维平面具有较好的线性分类效果，而对于动态变化的物理量，如空化噪音，它不是线性可分的并且噪声较大，采用基础的线性方法无法较好的对其进行二元分类，也就无法训练出准确度高的分类模型用于水轮机转轮空化现象的识别。

发明内容

本发明旨在解决现有技术中的分类算法对非线性可分的样本数据分类效果不好的问题，提出了一种用于水轮机空化现象识别的分类模型训练方法，该方法沿用了SVM方法的精髓，在核函数和超参数的选择等环节进行了优化，能够更好地适应水轮机空化试验数据的特点，训练出的分类模型具备较好的分类识别效果。

为了实现上述发明目的，本发明的技术方案如下：

一种用于水轮机空化现象识别的分类模型训练方法，其特征在于，包括如下步骤：

S1、输入带有分类标签的非线性可分的训练样本数据；

S2、利用监督学习方法对输入的训练样本进行二元分类并求解最大间距超平面；

S3、加入松弛变量，并使用升维函数将低维度输入空间的样本映射到高维度空间使样本变为线性可分，在形成的特征空间中寻找最优分类超平面；

S4、使用指数循环递减矩阵搜索法搜索升维函数中的最优超级参数C和γ；

S5、使用最优超参数在整个训练集上再次训练，得到最终的分类器；