基于深度学习的发电机故障挖掘方法研究

谢川（空军工程大学航空航天工程学院，陕西西安　710038）



基于深度学习的发电机故障挖掘方法研究

谢川
（空军工程大学航空航天工程学院，陕西西安710038）

摘要：发电机工作环境复杂，发电机的涡轮叶片在燃烧的气体作用下高速转动，电机本身容易产生故障。通过对发电机故障特征数据的挖掘，可实现故障诊断。传统方法采用支持向量机SVM故障挖掘和分类算法，解决发电机故障检测的稳定性问题，但随着故障特征的增加，故障特征相似性增强，挖掘性能下降。提出一种基于深度学习支持向量机的发电机故障挖掘算法。对发电机故障挖掘原理进行描述，构建故障数据挖掘模型，采用深度学习支持向量机对故障特征进行数据分类处理，解决发电机故障数据的相似性干扰问题，提高了故障数据挖掘和分类性能，仿真实验表明，采用该算法进行发电机故障挖掘，通过深度学习，对故障数据的特征分类性能较好，提高故障诊断能力。

关键词：发电机；故障诊断；数据挖掘

发电机的零部件复杂，结构精密，各部件配合协作才能保证发电机运行。发电机是将柴油进行高压缩比的发电装置，其工作温度高，并且在燃烧的气体作用下高速转动，发电机受到巨大的动力冲击以及多种内力的作用，同时由于高温燃气的作用下，发电机故障频发，发电机的故障可能导致发电性能下降，导致电力中断，因此需要研究一种有效的故障挖掘算法实现发电机故障的有效诊断[1-3]。

传统方法中，主要采用支持向量机SVM（support vector machine）进行故障诊断，它是由一种基于统计学习理论的模式识别方法，主要应用于模式识别领域，它的最大优势在于解决小样本问题[4]，目前仍处在不断发展完善阶段[5]。但是传统的支持向量机SVM故障数据挖掘和分类算法无法解决发电机故障样本较大，故障特征维数较多等情况下的故障挖掘问题，对此相关文献进行了改进设计，对发电机故障检测和挖掘的改进方法主要有热成像故障检测技术、神经网络分类技术和FCM数据聚类方法等，其中热成像故障检测为常用的方法，采用红外热像仪进行热图像的拍摄取样，根据部件在工作中出现的“热点”进行故障检测与判断[6-10]，这种方式需要对图像进行一次采样，然后进行分析，对变化发展过程中的发电机涡轮叶片故障检测比较困难，尤其是在高速转动过程中的发电机叶片齿轮的变化故障检测较难。

对此，本文为了提高发电机故障的挖掘性能，实现准确诊断，采用一种基于深度学习支持向量机的发电机故障挖掘算法，深度学习支持向量机（least squares support vector machine），而深度学习支持向量机本身是针对经典的二分类问题提出的[11-13]，使用最小二乘方法对发电机故障信息进行数据聚类和特征数据提取。本文首先对发电机故障挖掘原理进行描述，构建故障数据模型，采用深度学习支持向量机对故障特征进行数据分类处理，提高了故障数据挖掘和分类性能，仿真实验进行了性能验证，展示了本文算法在提高发电机故障挖掘和检测性能方面的优越性，得出了有效性结论。

1发电机故障数据挖掘模型的构建

1.1发电机故障的描述和挖掘原理

发电机结构复杂，属于多发性故障的高技术机械产品，发电机故障检测中，需要进行故障特征挖掘，故障挖掘的根本是根据发电机故障数据特征，进行发电机故障的分类定位，这是最为关键的一步，发电机故障的特征量提取一般通过各种现代数据处理方法进行，在故障特征挖掘的基础上对发电机的工况进行状态识别，采用深度学习支持向量机进行故障数据的分类和决策诊断，实现故障挖掘和诊断，发电机故障挖掘原理如图1所示。

图1发电机的故障挖掘和诊断原理结构图Fig. 1 Principle structure diagram of Generator fault data mining and diagnosis

1.2发电机故障特征值的提取

故障检测过程主要是通过对发电机工作中的特定数据的检测完成的，一旦发现对应区域的数据异常，可以根据异常数据的类型，判断发电机发生故障的位置。根据图1给出的发电机故障挖掘模型，可见，先要进行数据检测，之后通过得到的发电机故障特征矢量轨迹提取发电机故障数据的特征值。首先需要进行故障特征数据模型构建。发电机故障特征数据提取流程如图2所示。

图2发电机故障特征数据提取流程Fig. 2 Generator fault feature signal extraction process

在式（1）中，由l代表发电机故障干扰数据幅度数，用Ep代表全部发电机故障数据，用yp（k）代表发电机故障的终止数据，用rp（k）代表初始数据，n、p、k为常数。

根据式（1），得到的发电机故障数据输入量在阵元换能中进行发电机故障特征值提取和故障相空间傅里叶变换，需要计算发电机故障特征的最优分类平面。设置该问题的最优解能够用χ*进行描述，同时利用贝塞尔函数的性质可以得到发电机故障特征的最优分类平面为：

发电机故障深度学习网络包括维护检修基地、供变电、通信数据、指挥控制中心等组成影响，得到故障数据的特征输入量为：

式中：由Jm（t）代表的t时刻故障数据；fm为发电机故障数据逐步的缩小，且由η代表故障数据的初始时间。用fs代表发电机故障数据载频，用φ代表故障数据输入时的倾角；θ为故障数据的视线角；ψ为故障数据输入时的初始角，用m代表故障数据间隔。

设置发电机故障特征分量z在半径是T的区域中，则发电机故障特征的最优分类平面应该满足下述条件：

针对上述结果进行归一化处理，得到发电机故障状态下的振动数据{xn}Nn=1，将标准支持向量机算法中的二次规划问题变为一个线性方程来进行求解，得到发电机故障数据的时间序列为：

有干扰和噪声的情况下，发电机故障数据时间序列为{x（t0+iΔt）}，i=0，1，…，N－1，发电机故障特征矢量轨迹为：

式中：Δt为故障数据的采样时间间隔，K=N－（m－1）J。

通过上述处理，结合发电机故障特征的最优分类平面和发电机故障特征矢量轨迹，实现了发电机故障数据特征值的提取，如下式所示：

以此为数据为基础故障数据进行挖掘和发电机故障分类。

2基于深度学习的故障特征数据分类挖掘实现

2.1问题描述和深度学习故障数据挖掘

在上述进行故障特征值提取的基础上，以此为样本进行数据分类学习，传统方法采用支持向量机SVM故障挖掘和分类算法，解决小样本故障问题时性能稳定，但随着故障特征样本的增大，对故障数据特征的挖掘性能不好。为了克服传统方法的弊端，本文提出一种基于深度学习支持向量机的发电机故障挖掘算法。深度学习支持向量机性能依赖于学习机的参数，即参数的选择对深度学习支持向量机的预测效果有着较大的影响。

假设，在发电机故障特征值一定时，故障特征数据的干扰和时延的数据的可以分别表示为：

式中：v为故障数据指向性；u（t）为时间函数；ωC为发电机转数（单位弧度/秒）。在对发电机故障检测中，可以实现发电机故障自动跟踪、自动调度和自动排故，在OCC（控制中心）设中心计算机，实现统一指挥，分级控制，控制中心采集到的故障波动数据的指向性增益为：

上述可见，发电机故障特征相关的数据量比较大，计算的复杂度比较高，无法对发电机故障征兆进行及时的分类挖掘。因此，需要去除其中的冗余类似特征，从而降低计算复杂度。其简化公式如下所述：

式中：对应的发电机故障特征向量的数量能够用q进行描述，则上述简化过程需要符合下述条件：

式中：φu为发电机故障特征分类相关性参数。发电机的高速转动部件的连续工作状态数据采集，实现了动态故障检测，采用深度学习对发电机故障特征进行数据分类，利用模糊约束能量分析方法建立发电机故障特征的支持向量机分析数学模型，在模糊集控制范围内，取sin θp=θp，cos θp=1，设定深度学习故障识别约束控制条件：

对于发电机来说，故障数据可以包括发电机的能耗、发电机的转速、排温等物理信息参量。因此，采用深度学习，对故障数据特征提取的简化过程需要符合下述条件：

式中：φu为发电机故障特征相关性参数。假设发电机的有限数据集：

则通过如下公式得到故障数据挖掘发电机故障特征集：

2.2发电机故障分类挖掘机故障诊断实现

把发电机故障特征集合R分为c类，其中1＜c＜n，基于深度学习，结合支持向量机对发电机故障特征的模糊数据进行挖掘，得到数据挖掘分类矩阵表示为：

故障数据的分类目标函数为：

式中：m为局部的极值；（dik）2为发电机故障振动数据样本xk与Vi的测度距离，用欧式距离表示，为：

按照差分进化描述发电机故障数据残差数据的波动，载入到学习机个体中的扰动变量中，得到故障特征数据分类的类间间隔误差：

上述函数描述了故障挖掘过程中的局部奇异特征，提取的发电机故障样本数据的均值作为特征量，均值为：

将故障数据模拟为一个调幅数据，在深度学习下发电机故障的波束指向性特征的约束函数：

式中：f（r）

s为发电机在故障挖掘波束指向性特征二项式的系数，每个故障特征量对应的若干样本数据其中，fs∈Tq，fm∈{－1，1}。

通过上述方法实现对发电机故障特征数据的识别，如下式所示:

由于深度学习支持向量机使用最小二乘方法对发电机故障信息进行数据聚类和故障特征数据提取，因此能够缩短计算时间，同时也保持了良好的回归性能和收敛性能，提高发电机故障挖掘和识别性能。

3仿真实验与结果分析

为了测试本文算法在实现发电机故障挖掘和检测中的性能，进行仿真实验。使用Intel i5-3230M 2.6 GHz双核CPU，4GB DDR3 RAM搭建仿真实验的硬件平台。采用Matlab进行数据仿真，发电机系统故障分为四类典型故障，分别为轴承磨损故障、喘振故障、电力输出故障和进油故障，各个故障类别采用1024组数据进行故障数据原始模型构建。发电机故障检测的发射声波频率为6 MHz，波束分辨率为0.4度。进行故障特征数据采集，采集时长100 s，采集间隔时间为0.5 s。首先构建故障监测数据的数据模型，得到原始的故障监测数据数据时域波形如图3所示。

图3原始发电机故障数据采集数据时域波形Fig. 3 Time domain waveform of the fault data acquisition signal of the original generator

在图3所示的构建的发电机故障监测数据系统模型中，发电机故障监测数据以信息流的形式进行在信道中进行传输，为了实现对故障监测数据的分类和挖掘，采用本文改进的深度学习算法对发电机故障特征数据进行特征提取，得到仿真结果如图3所示。采用本文算法能有效地实现对发电机故障监测数据的特征特征提取和数据恢复，能准确的实现对故障数据的和恢复跟踪，提高对发电机故障异常数据的检测性能。

以此为基础，采用本文算法和传统方法进行故障挖掘，得到故障特征信息分类挖掘结果如图5所示。采用本文算法，通过深度学习，对故障数据的特征分类性能较好，提高故障诊断能力，性能优越于传统方法。

通过上发电机故障特征数据分类挖掘结果可知，采用不同挖掘方法故障识别率和挖掘准确度都不同，结果如图6、图7所示。

由图6、图7可知，采用改进算法的故障识别率和检测准确率均高于传统算法，说明采用改进算法进行发电机故障挖掘能够保证挖掘的准确性，减小挖掘误差。

图4发电机故障挖掘数据特征提取仿真结果Fig. 4 Simulation results of the data feature extraction of the generator fault data

图5故障特征数据分类挖掘结果Fig. 5 The fault feature data classification mining results

最后，采用深度学习支持向量机对一定范围内的挖掘故障数据进行特征分类，实现3种故障类别分类诊断，得到结果如图8所示。采用本文方法，能准确实现对3种故障类别的准确分类和判断，误分率为0，诊断性能优越。

图6不同方法故障识别率对比Fig. 6 Different methods for fault recognition rate

图7不同算法的故障挖掘准确率对比Fig. 7 Comparison of the fault mining accuracy of different algorithms

图8故障诊断结果Fig. 8 Fault diagnosis results

4　结论

为了提高发电机故障的挖掘性能，实现准确诊断，采用一种基于深度学习支持向量机的发电机故障挖掘算法，首先对发电机故障挖掘原理进行描述，构建故障数据模型，采用深度学习支持向量机对故障特征进行数据分类处理，提高了故障数据挖掘和分类性能，仿真实验进行了性能验证，得出采用本文算法能实现对发电机3种故障类别分类诊断，故障数据挖掘和检测准确性极高。

参考文献

[1]罗洁思，于德介，彭富强.齿轮箱故障振动数据的阶比多尺度形态学解调[J].机械工程学报，2010，46（11）: 114-120. LUO Jiesi，YU Dejie，PENG Fuqiang. Gear box fault vibration data demodulation order than multi-scale morphology[J]. Journal of Mechanical Engineering，2010，46 （11）: 114-120（in Chinese）.

[2]张恒云，苏永旭.基于遗传算法的齿轮传动优化设计[J].科技通报，2012，12（28）: 93-96. ZHANG Hengyun，SU Yongxu. Gear transmission optimization design based on genetic algorithm[J]. Report of ScienceandTechnology，2012，12（28）: 93-96（in Chinese）.

[3]陈涛涛，李占朝，马宏忠.基于电刷电流的双馈异步发电机滑环装置故障诊断新方法研究[J].陕西电力，2015，43（11）: 84-90. CHEN Taotao，LI Zhanchao，MA Hongzhong. New fault diagnosis method for slip ring device of double-fed induction generator based on brush current[J]. Shaanxi Electric Power，2015，43（11）: 84-90（in Chinese）.

[4]邱世卉.小波神经网络在模拟电路故障诊断中的应用研究[J].科学技术与工程，2012，12（30）: 8042-8046. QIU Shihui. Wavelet neural network in the application of analog circuit fault diagnosis research[J]. Science Technology and Engineering，2012，12（30）: 8042-8046（in Chinese）.

[5]李阳，朱宗胜.基于改进人工免疫和神经网络的发电机故障诊断[J].计算机测量与控制，2013，21（8）: 2080-2086. LI Yang，ZHU Zongsheng. Based on the improved artificial immune system and neural network fault diagnosis of generator[J]. The Computer Measurement and Control，2013，21（8）: 2080-2086（in Chinese）.

[6]黄泽霞，俞攸红，黄德才.惯性权自适应调整的量子粒子群优化算法[J].上海交通大学学报，2012，46（2）: 228-232. HUANG Zexia，YU Youhong，HUANG Decai. Adaptive inertia weight adjustment of quantum particle swarm optimization algorithm[J]. Shanghai Journal of Jiaotong University，2012，46（2）: 228-232（in Chinese）.

[7]方绪文. 660 MW机组SCR氨喷射系统故障排除及调整[J].节能技术，2015，33（6）: 562-566. FANG Xuwen. Based on the neighbor spread and the integration of the density evolution data stream clustering algorithm[J]. Energy Conservation Technology，2015，33 （6）: 562-566（in Chinese）.

[8]付主木，曹晶，王晓红.具有末端落角约束的空地导弹滑模变结构制导律设计[J].信息与控制，2015，44（3）: 291-297. FU Zhumu，CAO Jing，WANG Xiaohong. Space missile with terminal fall angle constraints sliding-mode variable structure guidance law is designed[J]. Information and Control，2015，44（3）: 291-297（in Chinese）.

[9]朱琳，刘晓东，朱参世.基于衰减滑动窗口数据流聚类算法研究[J].计算机工程与设计，2012，33（7）: 2659-2662. ZHU Lin，LIU Xiaodong，ZHU Canshi. Based on the attenuation of sliding window data stream clustering algorithms[J]. Computer Engineering and Design，2012，33（7）: 2659-2662（in Chinese）.

[10]仝兆景，石秀华，许晖，等.基于贝叶斯网络的发电机故障诊断研究[J].计算机测量与控制，2013，21（5）: 1118-1125. TONG Zhaojing，SHI Xiuhua，XU Hui. Generator fault diagnosis based on bayesian network research[J]. The Computer Measurement and Control，2013，21（5）: 1118-1125（in Chinese）.

[11]马建峰，李文峰.水轮发电机功率摆动的分析和处理[J].西北水电，2015（1）: 69-72. MA Jianfeng，LI Wenfeng. The analysis of the hydraulic generator power swing and processing[J]. Northwest Hydroelectric，2015（1）: 69-72（in Chinese）.

[12]陈虎，孟克其劳，马建光.基于MATLB的风电发电机组建和仿真研究[J].节能技术，2012，1（30）: 24-28. CHEN Hu，MENG Keqilao，MA Jianguang. The wind power generator based on MATLB form and simulation research[J]. Energy Saving Technology，2012，1（30）: 24-28（in Chinese）.

[13]朱俊飞，孙丽杰，邹建林，等.发电机参数关联性识别及多解现象的验证[J].陕西电力，2015，43（5）: 10-13. ZHU Junfei，SUN Lijie，ZOU Jianlin，et al. Generator parameter correlation recognition and the phenomenon of multiple solution validation[J]. Shaanxi Power，2015，43 （5）: 10-13（in Chinese）.

谢川（1974—），男，博士，副教授，研究方向为飞行数据智能处理，检测技术教学与科研。

（编辑徐花荣）

Fund Project:Shaanxi Natural Science Fund the Failure of Lead-Free Solder Joints under the Effect of Several Coupling Behavior and Life Prediction Method（2015JM6345）.

Research on Method of Generator Fault Mining Based on Deep Learning

XIE Chuan
（College of Aeronautics and Astronautics Engineering，Air Force Engineering University，Xi’an 710038，Shaanxi，China）

ABSTRACT：The working environment of the generator is very complex，and the high-speed rotation of the turbine blade of the generator under the effect of of the combustion，thus the motor itself is prone to failure. Through mining the generator fault data，fault diagnosis can be achieved. The traditional method uses the support vector machine SVM fault mining and classification algorithm to solve the problem of stability of the generator fault detection，but with increase of fault characteristics and enhancement of the characteristics similarities，the mining performance declines. In this paper，a generator fault mining algorithm is proposed based on deep learning support vector machine（SVM）. The principle of fault mining of the generator is described and the mining model is established and the deep learning support vector machine（SVM）is used to classify the fault characteristics and the similarity interference of the generator’s fault is addressed and the fault data mining and classification performance are improved. The simulation experiments show that the algorithm adopted in the paper can improve the generator fault mining through deep learning，therefore the fault data classification performance is enhanced and the fault diagnosis capability is raised.

KEY WORDS：generator；fault diagnosis；data mining

作者简介：

收稿日期：2015-08-01。

基金项目：陕西自然科学基金，无铅焊点在多场耦合作用下的失效行为及寿命预测方法（2015JM6345）。

文章编号：1674- 3814（2016）02- 0008- 06

中图分类号：TH165.3

文献标志码：A