[发明专利]一种自联想神经网络诊断风机故障方法

权利要求书

1.一种自联想神经网络诊断风机故障的方法，其特征在于，所述方法包括以下步骤：

步骤1：采用风电机组的数据采集与监控系统(SCADA)采集的数据进行归一化以及奇异值去除预处理操作，将所述的数据分为训练数据和测试数据；根据风电机组的数据采集与监控系统采集的数据确定自联想神经网络模型的输入和输出节点数；

步骤2：设置种群数量N，最大迭代次数M，并随机生成N个个体作为初始种群，采用实数编码的方法对自联想神经网络的权值和阈值进行编码，每个个体包含自联想神经网络的全部权值、阈值以及每个个体的位置信息；

步骤3：对每个个体解码获取自联想神经网络的权值、阈值；训练自联想神经网络，计算个体适应度值；

步骤4：依据适应度值对个体降序排列，然后按照改进的选择算子对种群中的个体进行选取，除了精英保留策略选取的个体外，对其余选中个体的自适应交叉概率和自适应变异概率进行交叉和变异操作；

步骤5：判断适应度值是否达到最大进化代数，若满足，则输出最优个体，否则进入步骤3；

步骤6：解码最优个体，并将权阈值信息赋予自联想神经网络的参数空间，进行参数微调训练，然后将测试数据输入自联想神经网络模型中，获得残差数据及其分布信息，对残差进行分析，验证算法的准确性及效率。

2.根据权利要求1所述的诊断风机故障的方法，其特征在于：所述步骤4选择算子公式的方法如下：

1)确定一个初始种群，依据适应度函数计算每个个体的适应度值；

2)按照适应度值的大小将种群中的个体降序排序；

3)根据当前迭代次数和总迭代次数，确定保留优秀个体的数量n，余下的个体使用轮盘赌法选择，然后将选出的个体进行交叉和变异操作；

保留优秀个体的数量n的计算公式如下：

式中，P为需要选出的优秀个体占总体的最大比例，N为种群个体总数，x_max为最大进化代数，n为优秀个体数量，x为进化代数，e为自然对数的底数；

4)进行精英保留操作；比较上一代和本代最优的个体，选出适应度最高的个体作为本代最优个体，并替换本代最差个体。

3.根据权利要求2所述的诊断风机故障的方法，其特征在于：所述适应度函数为适合风机变桨系统故障诊断的适应度函数，所述步骤3设计适应度函数的方法如下：

选取自联想神经网络的输出值与期望输出值y之差的绝对值作为目标函数J_m；取目标函数的倒数作为适应度函数；J_m目标函数的计算公式为：

式中，m为自联想神经网络输出节点数；

在现有遗传算法适应度函数的基础上加入自联想神经网络的接收者操作特征曲线ROC下方的面积AUC值；

适应度函数f(x_i)计算公式为：

式中，ζ为一个极小值，防止分母为0，k为调节系数,f(x_i)为改进的适应度函数；J_m为目标函数，AUC为接收者操作特征曲线ROC下方的面积；

将个体解码赋给自联想神经网络AANN的权值、阈值，再输入训练数据，可求出接收者操作特征曲线ROC下方的面积AUC值。

4.根据权利要求1所述的诊断风机故障的方法，其特征在于：所述步骤6中，使用库尔贝克-莱布勒(KL)散度的变体詹森-山农(JS)散度分析残差数据及其分布，詹森-山农(JS)散度是库尔贝克-莱布勒(KL)散度的变体，其中库尔贝克-莱布勒(KL)散度的计算公式为：

将风机故障诊断得到的残差范围分成n等份，统计落入每个残差区间中残差的个数，得到残差的概率分布p(x_i)＝x_i/s_p、q(x_i)＝x_i/s_q；其中p(x_i)为变桨系统正常运行时残差落入区间i的比率，s_p为变桨系统正常运行时所有区间的残差个数；q(x_i)为故障时刻残差落入区间i的比率，s_q为故障时刻所有区间的残差个数，x_i为落入第i个区间的残差个数，n为模型输出的残差范围等分区间的个数，i为模型输出残差的第i个区间；

相较于库尔贝克-莱布勒(KL)散度，詹森-山农(JS)散度对相似度的判别更加准确，詹森-山农(JS)散度的计算公式JS(p||q)如下：

式中，p为数据的真实分布，q为数据的拟合分布。