[发明专利]一种基于LSTM深度学习模型的水电机组故障诊断方法与系统

说明书

本发明公开了一种基于LSTM深度学习模型的水电机组故障诊断方法与系统，该方法包含：获取水电机组的N个不同信号通道的采样序列，对每一个时间序列进行VMD分解得到K个IMF分量；构建相应的训练集和待诊断集；对每一个IMF分量的训练集构建LSTM模型，通过两层的LSTM层来对每一个IMF分量进行特征提取；同一个信号通道的K个LSTM层输出连接到一个Dense层；通过Softmax层对多个Dense层输出进行特征分类；通过RMSProp梯度下降算法对深度学习神经网络模型进行训练，将训练好的模型对待诊断集进行诊断。本发明将变分模态分解VMD相对较好的信噪分离效果与长短期记忆网络LSTM对时间序列的处理优势相结合，有效的提高了水电机组故障诊断的准确度。

本发明属于水电机组故障诊断技术领域，更具体地，涉及一种基于LSTM深度学习模型的水电机组故障诊断方法与系统。

背景技术

长期以来，定期计划维修体制为水电站的正常运作发挥了重要作用，但这种维修体制还不能满足日益增长的设备维护需求，维修的代价仍然十分昂贵。而在社会需求以及科学技术的带动下，故障诊断技术与系统的快速发展为水电机组依据其运行状态来进行实时监测与检修提供了实现的可能性，因此对水电机组故障诊断技术的研究就显得十分必要。

伴随机器学习、模式识别、信号处理、人工智能等的发展，基于数据分析与处理的诊断方法开始得到发展，这种诊断方法将传统方法与智能方法相结合，通过对传感器的大量数据进行处理分析来提取出故障特征。但由于这些传统基于数据的故障诊断方法其相对浅层的模型结构，在随着检测数据越来越庞大的情况下面临着如维数灾难、对复杂非线性对象学习能力有限等等问题，传统方法在面对现代复杂设备故障诊断问题时显得表现不足，因此迫切需要一种新的方法以适应诊断需求的变化。

针对以上问题，本发明将人工智能领域的新兴方法深度学习长短期记忆网络(Long Short Term Memory，简写为：LSTM)与变分模态分解(Variational ModeDecomposition，简写为：VMD)相结合，实现一种针对水电机组的故障诊断方法与系统。该方法利用深度学习模型相对传统模型更深层的网络结构，来对水电机组的大量数据进行更有效的特征提取，并与VMD的信噪分离效果相结合，以一种新的方式将深度学习理论运用到水电机组的故障诊断中来，以达到相对更好的水电机组故障诊断效果。

发明内容

本发明的目的在于提供一种基于LSTM深度学习模型的水电机组故障诊断方法与系统，利用深度学习领域的长短期记忆网络模型和变分模态分解算法来构建多层次模型，以寻找一种水电机组故障诊断领域更有效的新方法。

为了实现上述目的，本发明所采用的技术方案是：

第一方面，本发明提供了一种基于LSTM深度学习模型的水电机组故障诊断方法，方法包括：

步骤1：获取水电机组的N个不同信号通道的振动信号的采样序列，对每一个时间序列进行变分模态分解，得到分解出来的K个IMF分量。

步骤2：对每一个IMF分量进行归一化处理，并构建相应的训练集和待诊断集。

步骤3：对每一个IMF分量的训练集构建长短期记忆网络(LTSM)深度学习模型，通过至少两层的LSTM层来对每一个IMF分量进行特征提取。

步骤4：同一个信号通道的K个IMF分量的LSTM层输出连接到一个Dense层，再将N个信号通道的Dense层输出连接到Softmax层来进行最后的分类，并通过交叉熵损失函数与故障标签得到误差来用于训练。

步骤5：通过RMSProp梯度下降算法对LTSM深度学习模型进行训练，将训练好的模型对待诊断集进行诊断，得到最终的诊断结果。