[发明专利]一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法

说明书

一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法，根据电力设备在线监控数据来采集历史故障数据，形成初始样本集，并对其进行数据预处理，得到归一化样本集，利用深度卷积神经网络对隐藏故障信息进行深度挖掘，随后根据模型的预测故障类型与真实故障类型的偏差来调整故障诊断模型内部权重参数，最后对电力设备故障诊断模型的进行性能测试，使基于深度卷积神经网络的电力设备故障诊断模型的故障诊断准确率得到进一步的提升。本发明能够根据电力设备监测数据来准确判断是否有故障发生，并输出故障类型，根据此故障类型得到对应的故障解决方法，实现快速有效的使电力设备系统能够快速恢复正常工作状态。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法。

背景技术

目前，大型实验装置的电力设备的检修维护工作依赖工作人员现场巡逻的方式进行，依靠工作人员现场发现工作故障存在较大的工作量，并且发现故障的概率较低，因此，对于此类检修的预案并不全面，导致小故障难以及时发现从而造成较为严重的后果。

现有技术中针对电力设备故障的诊断方法主要分为三类，包括基于数学模型、基于数字信号和基于机器学习三种。其中，基于数学模型的故障诊断方法简单直接，但却需要深入了解分析电力设备的原理和结构，根据内部结构和运行原理来建立数学模型，因此若前期研究有误便会直接影响最终的数学模型；基于数字信号处理的方法需要数据特征具备一个外部较为明显的特征，才能被广泛应用，因此不适用大部分的情况；基于机器学习的方法需要数据特征具备一个外部特征，才能被广泛应用，因此不能适用于大部分情况；基于机器学习的方法能够有效利用数据的特点来进行学习内部规律，但是根据不同的数据特点需要选择不同的分类器和特征提取方法，但是特征提取和分类器的最优搭配没有明确的理论指导。

发明内容

本发明的目的在于提供一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法，包括以下步骤：

S1、采集电力设备的在线监控系统中的历史故障数据，形成原始样本集；

S2、对所述原始样本集进行数据预处理；对所述原始样本集中的数据进行归一化处理，形成归一化样本集；将所述归一化样本集分为训练集和测试集；

S3、根据所述历史故障数据的特点，确定符合所述特点的模型的网络深度，建立深度卷积神经网络模型；所述深度卷积神经网络模型的结构建立包括以下步骤：

S301、选择适合所述网络深度的学习框架，搭建所述深度卷积神经网络模型；

S302、根据所述深度卷积神经网络模型建立卷积神经网络的关键层，所述关键层包括卷积层、池化层和全连接层；将所述关键层的深度进行延伸，并不断进行交互连接，形成深度网络；

S303、在步骤S302所述卷积神经网络之后，建立分类层；利用softmax函数作为分类器，对故障进行分类识别；所述softmax函数如下：

其中，S_i代表第i个神经网络的输出的分类结果，也就是从网络前端第i个样本的结果，n是神经网络最后一层节点数，代表该项目一共有多少类别进行分类，fc_i是最后一个网络的第i个神经元值；

S4、利用步骤S2中的训练集对步骤S3中的所述深度卷积神经网络模型进行训练，形成故障诊断模型；