[发明专利]一种基于DdAE深度学习模型的水电机组故障诊断方法与系统

摘要

本发明涉及水电机组故障诊断技术领域，具体涉及一种基于DdAE深度学习模型的水电机组故障诊断方法与系统。本发明建立在对水电机组原始振动数据分析的基础上，采用了基于多层神经网络模型的深度学习特征提取方法，不需要复杂的人工处理和特征提取过程，采用基于随机搜索的ASFA方法进行DdAE的结构参数调优，达到策略优化的目的。通过深度降噪自动编码器模型实现了原始数据的分布式表达，并将特征提取后的重构数据输入至Softmax回归模型判断水电机组的工作状态和故障类型。网络试验结果分析表明，该方法能有效地应用于水电机组的故障诊断。

主权项

1.一种基于DdAE深度学习模型的水电机组故障诊断方法，其特征在于，方法包括：获取数据集，并从数据集中抽取n组数据块，作为DdAE网络模型的训练数据；建立DdAE网络模型，并利用所述训练数据对DdAE网络模型进行训练，得到DdAE网络模型的连接权重；DdAE网络模型中的每一层网络中的每一个神经元节点的输入值，均由前一层所有神经元节点的输出值求加权平均得到，所述每两层网络间的所有权值组合在一起形成一个连接权重矩阵，简称连接权重；将DdAE的结构参数和误差函数中的超参数作为AFSA算法的目标参数，模型输出结果的误差函数作为AFSA的目标函数，通过AFSA对整个模型中的超参数进行随机搜索优化，AFSA优化的每一步迭代过程为一组DdAE网络模型的参数优化过程，以便得到最优DdAE网络模型；根据由所述连接权重构成的DdAE网络模型，获取一组重构特征向量；所述重构特征向量经过一层全连接的组合网络，得到特征的线性组合，并作为Softmax模型的输入，计算出表示每一种故障的出现可能性的概率。