[发明专利]一种基于CNN-SVDD的引风机故障识别方法

说明书

本发明涉及一种基于CNN‑SVDD的引风机故障识别方法，包括：步骤1：采集足量训练数据，进行数据预处理；步骤2：利用预处理后的训练数据构建CNN‑SVDD模型，利用CNN算法对时间序列数据进行降维，然后通过SVDD算法进行数据单分类；步骤3：采集足量实时数据，用基于已构建的CNN‑SVDD模型对实时数据对应的引风机故障进行识别。本发明的有益效果是：本发明利用深度学习先进行特征提取，大量减少特征维度后，再使用SVDD进行单分类分析，这样可以节省SVDD的时间和内存开销。另外由于引风机数据具有时间序列特性，可以充分利用时间序列数据时间维度上的局部相关性，使用一维卷积网络减少学习参数，进一步减少计算开销。

技术领域

本发明涉及可靠性维护工程技术领域，尤其包括一种基于CNN-SVDD的引风机故障识别方法。

背景技术

引风机是火力发电机组重要辅助设备，引风机的运行特性会影响到机组锅炉燃烧效率和机组的运行稳定性和机组出力。因此及时发现引风机在运行过程中出现的各类故障征兆，可以有效掌握引风机运行状态和优化其运行状况，避免故障趋势的进一步扩大和非计划停机事件的发生，对提高机组整体性能和效率、降低设备维修成本、增加设备可利用时间有重大意义。

引风机常见有主轴承振动高、轴承温度高、失速、喘振、叶片摩擦、漏油、动叶调节不灵等故障。由于故障过程的不确定性，同机组不同引风机发生的故障类型各不相同，没有统一规律；同机组同一引风机历次发生的同类故障之间，也不是每个故障征兆都完全一样，有差异特征；不同机组同类引风机同类故障之间，也不是完全各不相同，很多故障和故障征兆又有很大的相似性和相似特征。以往基于机器学习建模的故障诊断方法大都是针对单个电厂，用电厂特定设备的所有历史故障数据进行故障模式识别模型训练，但基于机器学习的故障模式识别建模，需要大量的故障样本数据才能确保较高的诊断准确率。而实际上，单电厂同类设备同一故障案例样本数据有限，在实际应用过程中会出现较大的诊断误差。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于CNN-SVDD的引风机故障识别方法。

这种基于CNN-SVDD的引风机故障识别方法，包括以下步骤：

步骤1：采集足量训练数据，进行数据预处理；

步骤1.1：为使样本的原始特征维度一致，对训练数据在时间维度上进行切片操作、缺失值处理和数据标准化，得到统一的特征数；

步骤1.2：对于训练数据中数据缺失达到30％～50％的测点进行删除；

步骤1.3：用取均值和标准差对已删除数据缺失测点的训练数据进行标准化处理：

其中x^*表示表示归一化后的训练数据值，x表示实测的训练数据值，mean为训练数据集的均值，std为训练数据集的标准差；

步骤2：利用预处理后的训练数据构建CNN-SVDD模型，利用CNN算法对时间序列数据进行降维，然后通过SVDD算法进行数据单分类；

步骤2.1：通过网络结构优化和参数调优，构建含有多个卷积层和多个全连接层的CNN网络结构；该CNN网络结构中每一个卷积层后都紧跟BN(批标准化)层，并增加dropout层，在一定程度上减少过拟合；预处理后的训练数据经过若干卷积层，充分利用数据在时间维度的相关性进行特征提取(使用卷积池化运算可减少学习参数)；随后转入若干全连接层，进一步对特征进行转化提取；

步骤2.2：将预处理后的训练数据输入已构建的CNN模型，经过CNN算法进行特征提取，将得到的特征输入SVDD算法中；SVDD球体中心为样本经卷积神经网络输出后的特征中心，求解得到使得损失函数最小的半径；所述损失函数Loss为：