[发明专利]基于难样本挖掘的深度度量网络的风机多故障诊断方法

权利要求书

1.一种基于难样本挖掘的深度度量网络的风机多故障诊断方法，其特征在于：包括以下步骤：

步骤1：构建难训练样本挖掘模型；针对一个风力涡轮机z种不同类型的SCADA数据集，D＝[D₁，D₂，...，D_z]^T，其中每一类型包括正常数据Rⁿ、异常数据R^f；将异常数据R^f分为早期故障数据S^ef和故障数据S^f，对正常数据和异常数据进行样本均衡化，构成难样本集A＝Rⁿ∪R^f；

步骤2：构造难样本数据集的优化模型；将构造的难样本数据集进行图像化处理，图像矩阵的横轴为时间轴，纵轴为各类SCADA数据变量；为了提高深度度量网络卷积层对图像卷积的精度，优化各类SCADA数据变量，使数据变量之间的排列在时间空间上连续，最终得到优化后的训练样本集X；

步骤3：构造基于改进三元组训练样本集损失函数的深度度量网络模型；从优化后的训练样本集X中选出训练正样本，训练锚样本、训练负样本，分别记作x^p、x^a、xⁿ，构成训练样本三元组数据集；所述训练正样本和训练锚样本为同类样本，训练锚样本和训练负样本为异类样本；建立三个权值共享且结构相同的深度度量网络作为度量判别网络，在最大边界α指导下，将输入到深度度量网络的三元组数据集映射到特征空间，进而得到特征向量f(x_i^p)、f(x_i^a)、f(x_iⁿ)；通过改进的三元组训练样本集的损失函数反向更新深度度量网络参数，使同类样本的特征向量f(x_i^a)和f(x_i^p)距离变小，异类样本的特征向量f(x_i^a)和f(x_iⁿ)距离变大；

步骤3.1：从优化后的训练样本集X中选出训练正样本x_p，训练锚样本x_a和训练负样本x_n，构成训练样本三元组数据集；

步骤3.2：建立三个权值共享且结构相同的深度度量网络作为度量判别网络，在最大边界α指导下，将输入到深度度量网络的三元组数据集映射到特征空间，进而得到特征向量f(x_i^p)、f(x_i^a)、f(x_iⁿ)，i＝1，2，...，ρ，ρ为训练样本三元组数据集中三元组的组数；

步骤3.3：对训练样本三元组数据集的损失函数进行改进，进而实现对深度度量网络的训练；

步骤3.4：通过改进的损失函数反向更新深度度量网络参数，重新执行步骤3.2直至损失函数收敛至零，得到训练好的深度度量网络；

步骤4：采用SVM构造多故障诊断模型，将三元组样本通过训练好的深度度量网络映射得到的特征向量作为训练集输入到SVM模型中，训练SVM模型，使其实现对m类风力涡轮机数据进行分类，进而实现对风力涡轮机进行故障诊断。