亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于RNN的故障預測算法及在GIS上的應用

        2021-01-07 04:55:34張子賢苗紅霞
        計算機測量與控制 2020年12期
        關鍵詞:神經(jīng)網(wǎng)絡預測故障

        張子賢,李 敏,苗紅霞,孫 寧

        (1.河海大學 物聯(lián)網(wǎng)工程學院,江蘇 常州 213022;2.國家電網(wǎng)江蘇省電力公司檢修分公司,江蘇 常州 211100)

        0 引言

        如今,為了滿足設備運行的高效性與可靠性,針對設備定期維護和故障發(fā)生后才維修等傳統(tǒng)方法的不足,故障預測在工程設備的維修與監(jiān)測中的重要性逐漸增加。故障預測可以將各傳感器測得的信息,通過一定的理論、算法處理后,推測出故障發(fā)展的趨勢,它是比故障診斷更高級的維修手段,如果能在故障發(fā)生之前識別到故障發(fā)生的可能,從而對設備進行排查,對零件進行更換,可以大大減少故障風險,減少因故障造成的損失,節(jié)約資源,降低經(jīng)濟成本。

        由于故障預測是在故障發(fā)生之前進行的,所以往往具有故障幅值微小、故障特性不明顯、容易被噪聲掩蓋等特點,相對而言難以被檢測出,因此,對于故障發(fā)生前的信號處理與分析是故障預測技術研究的重點。近年來,在該方面的研究很是火熱,王姝等提出了一種結合多元統(tǒng)計技術(MPCA)與AR序列分析的緩變故障預測方法[1],該方法通過建立T2及Q 統(tǒng)計量的自回歸模型,預測下一批次統(tǒng)計量值,將所求值與控制限對比,進而實現(xiàn)漸變故障的預測,但是該方法假設故障的趨勢為線性的,并且每個統(tǒng)計量的預測過程、預測結果是獨立的,對于非線性、多耦合的數(shù)據(jù)較難預測;東南大學陸寧云等提出一種多層預測型貝葉斯網(wǎng)絡結構,根據(jù)工程系統(tǒng)自身固有的網(wǎng)絡拓撲結構,構建了多層貝葉斯網(wǎng)絡模型,利用定性趨勢分析法將時間信息融入網(wǎng)絡節(jié)點中,使得網(wǎng)絡具有處理時序信息的能力,便于進行故障傳播機理分析和故障預測[2],在該算法中需要構建隸屬度函數(shù),通過一定的先驗知識去構造隸屬度函數(shù),這些先驗知識的精確與否會直接影響該方法的準確性;文獻[3]利用深層神經(jīng)網(wǎng)絡(DNN)與PCA相結合的方法實現(xiàn)了微小緩變故障早期診斷及壽命預測;文獻[4]則提出了一種使用深度卷積神經(jīng)網(wǎng)絡(DCNN)預測方法,然而,上述兩種神經(jīng)網(wǎng)絡結構由于沒有對應狀態(tài)變量的神經(jīng)元,因此難以存儲之前時間的信息。

        近年來,隨著計算機計算能力的提高,人工神經(jīng)網(wǎng)絡的層數(shù)越來越多,深度學習的研究與應用也日益增加。深度學習的本質(zhì)是特征提取,即通過組合低層次的特征形成更加抽象的高層表示,以達到獲得最佳特征的目的。具體應用可以抽象為將原始數(shù)據(jù)、信號作為低層次的特征送入神經(jīng)網(wǎng)絡,把人們想要得到的信息作為高層表示的過程。在深度學習的應用上,循環(huán)神經(jīng)網(wǎng)絡(RNN)主要用于與時間序列相關的數(shù)據(jù),比如自然語言的處理、疾病預測等等,并體現(xiàn)出了良好的擬合能力[5-8]。故障預測與語言處理和疾病預測相似,各種設備的傳感器信號大多為時間序列,當前時刻的信號值與之前的信號值有不可分割的聯(lián)系,因此,在判斷設備狀態(tài)時僅僅關注當前信號是不夠的,還要考慮傳感器之前信號的狀態(tài),這樣才能最大程度的挖掘出時間序列數(shù)據(jù)所蘊含的信息。

        另一方面,對于大多數(shù)工程系統(tǒng)而言,從系統(tǒng)安裝運行到出現(xiàn)異常的正常工作階段,監(jiān)測得到的數(shù)據(jù)一般比較平穩(wěn),沒有明顯的趨勢出現(xiàn),而一旦發(fā)生故障,所監(jiān)測的數(shù)據(jù)則會發(fā)生劇烈變化,如發(fā)動機、氣輪機、旋轉(zhuǎn)機械等的振動幅值信號,都具有這樣的特點,其故障劇烈程度近似于指數(shù)函數(shù)。出現(xiàn)異常的時間點一般被稱為異常點,對于異常點的確定是故障預測中較為關鍵的一環(huán),異常點確定過早,會導致誤判發(fā)生,而過晚則失去了故障預測的意義。關于異常點的檢測,文獻[9]介紹了貝葉斯、廣義貝葉斯、極大極小值等方法,然而這些方法沒有自學習能力,并且假定數(shù)據(jù)的分布符合某種規(guī)律,比如高斯分布,而現(xiàn)實情況下的數(shù)據(jù)往往并不符合這些特殊的分布,因此這些方法在實際工程中難以應用,為了解決該問題,在此,應用了一種逐步逼近的神經(jīng)網(wǎng)絡訓練方法。

        1 基于RNN的故障預測算法

        1.1 整體算法流程

        基于RNN的故障預測算法整體流程如圖1所示,該算法主要由數(shù)據(jù)處理模塊與RNN網(wǎng)絡識別模塊構成。數(shù)據(jù)處理模塊用于對傳感器輸出信號進行處理,而RNN網(wǎng)絡識別模塊用于對經(jīng)過處理的輸入信號進行故障預測的操作。

        圖1 整體算法流程圖

        在數(shù)據(jù)處理模塊中,先對所采集的歷史數(shù)據(jù)進行處理;再使用數(shù)學函數(shù)賦值的方法來構造待訓練RNN模型的訓練與測試樣本。

        在RNN網(wǎng)絡識別模塊中,首先確定RNN模型結構;然后使用RNN模型進行異常點檢測,為訓練樣本數(shù)據(jù)貼上標簽;再使用數(shù)據(jù)處理模塊構建的訓練樣本對RNN模型進行訓練,調(diào)整模型參數(shù),確定故障預測模型;最后將數(shù)據(jù)輸入RNN模型對設備進行故障預測。

        1.2 數(shù)據(jù)處理模塊

        通常,使用循環(huán)神經(jīng)網(wǎng)絡進行預測前,對于傳感器采集的數(shù)據(jù)都需要先進行特征提取。若構建特征提取模型進行特征提取,不僅費時費力,而且會延緩識別速度,給識別帶來困難,因此,這里采用數(shù)學函數(shù)賦值的方法來構建輸入矩陣,對輸入數(shù)據(jù)進行處理。

        首先采集設備多種傳感器上較長時間內(nèi)的各種信號數(shù)據(jù),作為歷史數(shù)據(jù),并對這些歷史數(shù)據(jù)進行采樣。接著通過數(shù)學函數(shù)賦值的方法構造待訓練RNN模型的訓練樣本數(shù)據(jù),并使用相同的方法構造測試數(shù)據(jù)。

        數(shù)學函數(shù)賦值的方法為:

        對于裝置中的信號,設置k個傳感器采集不同的信號,并將采集到的k個信號波形函數(shù)a(1,t)到a(k,t)中的若干采樣點提取到一個多維矩陣b中,該矩陣的每一列代表一個樣本,假設總共有n個樣本。矩陣為:

        其中:b是輸入矩陣。函數(shù)a(1,t)到a(k,t)分別是k個傳感器波形函數(shù),t是歷史數(shù)據(jù)的時間。X是歷史數(shù)據(jù)的起點。該方法可以根據(jù)設備的故障特征確定輸入矩陣形式。

        1.3 RNN網(wǎng)絡識別模塊

        1.3.1 循環(huán)神經(jīng)網(wǎng)絡

        由于各種原因,傳感器采集到的數(shù)據(jù)會夾雜噪聲信號,而數(shù)學方法如貝葉斯和極大極小原理等需要精確的數(shù)據(jù)才能得出較為可靠的預測結果,因此需要一種不易被噪聲信號影響的算法。循環(huán)神經(jīng)網(wǎng)絡能夠通過學習歷史數(shù)據(jù)來區(qū)分噪聲信號與故障信號,RNN可以在迭代的訓練過程中,不斷調(diào)整參數(shù),直到滿足精度要求。因此它在解決時間序列問題的實際使用過程中有更高的預測精度。

        在傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(FNN)中,神經(jīng)元的信息傳遞是通過網(wǎng)絡層與網(wǎng)絡層之間的單向傳遞完成的,此模式使得FNN變得更容易學習,但在一定程度上也削弱了FNN模型的能力。在實際情況中,輸出不僅和當前輸入相關,也有可能和上一個時刻的輸出相關。循環(huán)神經(jīng)網(wǎng)絡(RNN)是FNN的一種改進體,是一類具有短期記憶能力的神經(jīng)網(wǎng)絡。RNN形成的環(huán)路的網(wǎng)絡結構,使得神經(jīng)元既可以接收到其他神經(jīng)元的信息,也能接收到本身的信息。所以,相比之下,RNN在處理與時序數(shù)據(jù)相關的預測問題時有著比FNN更明顯的優(yōu)勢。在實際應用中,需要根據(jù)故障模型構建合適的RNN網(wǎng)絡結構,并需要兼顧快速性、魯棒性與準確性。

        FNN的訓練過程通過后向傳播算法(BP)來實現(xiàn),而RNN可以被看作是一個展開的多層FNN,這樣就需要依次在時間維上疊加對后向傳遞的結果。

        假設輸入RNN的是長度為T的序列X,并且RNN的輸入層、隱含層與輸出層的神經(jīng)元個數(shù)分別是為I、H與K。

        那么RNN前向傳播算法公式如(1)~(3)所示:

        (1)

        (2)

        (3)

        對于RNN的時間后向傳播算法,首先要定義損失函數(shù)對神經(jīng)元j在時刻t輸入值的偏導數(shù),如式(4)~(6)所示:

        (4)

        (5)

        (6)

        從RNN的訓練過程可以看出,RNN能夠?qū)斎霐?shù)據(jù)的序列特性進行“記憶”,因此更適合于解決時間序列問題[10]。

        1.3.2 異常點檢測

        通常,神經(jīng)網(wǎng)絡訓練時需要使用大量的帶標簽樣本,而獲取大量有標簽樣本不僅耗費人力物力,難度也較大。因此,這里使用一種逐步逼近的神經(jīng)網(wǎng)絡訓練算法——異常點檢測算法來對故障數(shù)據(jù)樣本給定標簽。使用該算法能夠在短時間內(nèi)獲得樣本的標簽,能夠提高效率。

        圖2 故障信號變化過程

        大部分故障信號變化通常不是突然的,而是漸進的、緩慢的過程,如圖2所示,A點稱為故障趨勢起始點,在此之前,設備狀態(tài)是健康的,A點表示故障趨勢開始的時間,此時故障信號會有微小的變化,但設備仍能正常運行。到B點時,故障信號已經(jīng)達到故障閾值,并且故障信號的變化開始由平緩趨于劇烈,設備將受到損壞。因此在建立故障模型時,可以使用指數(shù)函數(shù)來近似表達故障嚴重程度?;赗NN的故障預測算法針對這一故障變化趨勢建立了指數(shù)型故障預測模型,并利用異常點檢測算法對樣本數(shù)據(jù)進行反復迭代,從而逐次逼近得出故障發(fā)生前信號微小變化的時間,進而達到對設備故障進行預測的目的。

        實際應用中,在故障信號有微小的變化的時候檢測出故障趨勢起始點A,接著檢測故障真正發(fā)生的點B,在T=B-A時間段對應的樣本貼上[0.1-1]的標簽。異常點檢測流程如圖3所示,具體做法為:

        1)確定輸入輸出向量,建立RNN,確定神經(jīng)元數(shù)目和隱藏層層數(shù)。

        2)確定第一次訓練的假想異常點v1。

        首先根據(jù)經(jīng)驗選取異常點時刻v,且v點在時間上要偏晚,以確保有故障趨勢發(fā)生,v點與故障趨勢起始點A之間的一段時間稱為時間裕量M,將數(shù)據(jù)輸入RNN模型進行訓練。第一次訓練時,時間裕量M內(nèi)的數(shù)據(jù)不放入RNN模型進行訓練。

        圖3 異常點檢測流程圖

        3)用函數(shù)P(t)對數(shù)據(jù)進行賦值。

        從異常點v1到故障發(fā)生時刻B,按照式(7)利用函數(shù)P(t)對其進行賦值,故障模型時域為T=B-v1。

        (7)

        假定選定從v1時刻開始,將異常時刻v1的輸出值用P賦值,并令P值的變化與實際故障的變化趨勢相同,都是由平緩趨于劇烈的指數(shù)函數(shù)形式。留出時間裕量M的原因是真實的異常點A處于該時間段M內(nèi),此時并不能給出該段時間內(nèi)的恰當?shù)腜值,因為不管P值超前或者滯后,都意味著在v-A這段時間中的數(shù)據(jù)會得到錯誤的P值。

        由于猜想的異常點v是偏晚的,所以實際的P值要比公式(7)中的結果大一些。按式(8)對式(7)進行修正:

        (8)

        其中:自變量t表示從出現(xiàn)故障趨勢開始后的時間,B表示故障發(fā)生的時刻,v表示最終更新的異常點時刻。

        5)將訓練數(shù)據(jù)放入網(wǎng)絡進行訓練,測試并觀察輸出值,調(diào)整網(wǎng)絡權值。

        第一次訓練完成后,RNN網(wǎng)絡已經(jīng)具有初步的故障預測能力,再放入數(shù)據(jù),測試并觀察輸出值。

        8)停止更新v值,此時的v值已經(jīng)無限接近于故障趨勢起始點A的時刻,再根據(jù)最終的v值訓練神經(jīng)網(wǎng)絡??梢?,此過程是一個逐次逼近的過程。

        檢驗是否為故障趨勢起始點可依據(jù)式(9)進行,待定時間點的輸出值Pd若大于設備健康狀態(tài)時的輸出平均值相,則為故障趨勢起始點。

        (9)

        其中:Pd為待定點輸出值,Pk為k時刻健康狀態(tài)輸出值,s為比例系數(shù)。為防止將健康狀態(tài)誤判為具有故障趨勢的點,通常將s設定為略大于1,n為數(shù)據(jù)數(shù)目。

        1.3.3 故障預測輸出

        對于不同的設備,故障類型的數(shù)目不同,因此預測輸出的矩陣維數(shù)也不同。假設用于故障預測的設備有k種不同的故障類型,即a,b,c,,k,那么最終的預測輸出為:

        其中:矩陣a,b,c到k的行表示預測的當前設備故障類型的概率。a,b,c,,k的值越接近1,故障發(fā)生的可能性就越大,i代表在不同時刻的狀態(tài)及當時故障預測的結果。

        2 基于RNN的故障預測算法在GIS上的應用

        本次氣體絕緣開關(GIS)信號取自某電廠,取其在190天內(nèi)傳感器采集的振動信號與局部放電信號作為歷史數(shù)據(jù)。在數(shù)據(jù)處理模塊中,使用數(shù)學函數(shù)賦值方法建立的樣本矩陣為:

        將振動信號與局部放電信號數(shù)據(jù)錄入Matlab,并繪制波形,如圖4和圖5所示。當t=120天時,故障未發(fā)生,但開始有微小的信號變化;當t=140天時,故障發(fā)生。可以看出,故障發(fā)生后,t>140天時,信號變化較為明顯;當120天

        圖4 振動傳感器信號

        圖5 電流傳感器信號

        在RNN識別模塊中,首先要建立故障預測模型。在最終確定RNN網(wǎng)絡結構之前,分別嘗試過使用不同層數(shù)的RNN網(wǎng)絡、改變每層的神經(jīng)元數(shù)量等來進行訓練。訓練結果顯示,網(wǎng)絡最終輸出的準確性以及響應速度與RNN網(wǎng)絡的結構關系很大。當每層神經(jīng)元數(shù)量增加到20個時,訓練耗時會增加,然而精度的提高卻不甚明顯。而當把RNN網(wǎng)絡層數(shù)增加到8層時,網(wǎng)絡訓練時間上升到13 s,訓練進行了27次重復訓練,訓練精度雖有所提高,但耗時大大增加。因此,確定RNN網(wǎng)絡結構時需要綜合考慮快速性與準確性。

        因為振動與電流信號并不非常復雜,信號類型不多,因此選用的RNN結構相對簡單。選用的RNN由一個輸入層、四個隱含層和一個輸出層構成。

        將時間在40~135天內(nèi)的數(shù)據(jù)作為異常點可能存在的區(qū)間,此區(qū)間的數(shù)據(jù)不放入網(wǎng)絡訓練。對故障發(fā)生前5個天的數(shù)據(jù)進行賦值,將賦值后的數(shù)據(jù)放入網(wǎng)絡訓練后,重新將所有數(shù)據(jù)放入網(wǎng)絡測試,訓練效果如圖6所示。

        圖6 數(shù)據(jù)重新標簽前訓練效果

        由圖6可見,整個RNN網(wǎng)絡的訓練過程一共耗時1 s,訓練期間重復了29次。在第23次訓練時,得到了最好的訓練效果。訓練后得到的結果如表1所示。

        表1 時間裕度 M1=5時的輸出

        由表1可知,健康狀態(tài)的輸出均值為0.029 4,取比例系數(shù)s=1.3,可以看出時間在131~135的5個數(shù)據(jù)中,有3個滿足式(9),于是將時間在131~140的數(shù)據(jù)重新標簽,并用于網(wǎng)絡訓練。重新將所有數(shù)據(jù)進行測試,訓練結果如圖7所示。

        圖7 數(shù)據(jù)重新標簽后訓練效果

        由圖7可見,此次訓練的最小均方誤差比第一次小,并且在訓練過程中不斷收斂,取得了較好的效果。訓練結果如表2所示。

        表2 時間裕度M2=10時的輸出

        圖8 最終預測結果

        此時126~130天的輸出均滿足式(9)。將數(shù)據(jù)重新標簽后,再次訓練并測試網(wǎng)絡,直到找出真正的異常點時刻T=120。最終的預測結果見圖8,橫坐標是時間,縱坐標是P值??梢钥闯?,在t<120時,可以認為P為0;當t>120時(故障趨勢開始),P值開始變大,直到t=140(故障發(fā)生時),P值到達1,網(wǎng)絡能很好地分辨出t=120前后的健康狀態(tài)和之后的異常狀態(tài)。

        3 結束語

        針對設備極其微小的故障趨勢,設計了基于RNN的故障預測算法。通過在GIS上應用,驗證了該算法對時間序列數(shù)據(jù)具有強大的擬合能力,訓練后的系統(tǒng)能在故障發(fā)生前給出故障發(fā)生的概率,準確地預測故障類型,實現(xiàn)了故障預測功能。

        猜你喜歡
        神經(jīng)網(wǎng)絡預測故障
        無可預測
        黃河之聲(2022年10期)2022-09-27 13:59:46
        選修2-2期中考試預測卷(A卷)
        選修2-2期中考試預測卷(B卷)
        故障一點通
        神經(jīng)網(wǎng)絡抑制無線通信干擾探究
        電子制作(2019年19期)2019-11-23 08:42:00
        不必預測未來,只需把握現(xiàn)在
        奔馳R320車ABS、ESP故障燈異常點亮
        基于神經(jīng)網(wǎng)絡的拉矯機控制模型建立
        重型機械(2016年1期)2016-03-01 03:42:04
        復數(shù)神經(jīng)網(wǎng)絡在基于WiFi的室內(nèi)LBS應用
        故障一點通
        亚洲综合中文字幕综合| 国产精品亚洲ΑV天堂无码| 丝袜美女美腿一区二区| 亚洲av人片在线观看| 在线精品无码字幕无码av| 亚洲暴爽av人人爽日日碰| 国产一区二区三区国产精品| 国产精品丝袜美女久久| 亚洲熟妇无码久久精品| 男男车车的车车网站w98免费| 国产精品无码无片在线观看3D| 99久久精品国产一区色| 女优av一区二区三区| 亚洲日韩av无码中文字幕美国| 中文亚洲爆乳av无码专区| 久久老熟女乱色一区二区| 无码专区人妻系列日韩精品 | 宅男视频一区二区三区在线观看| 美女张开腿黄网站免费| 最新国产av无码专区亚洲| 亚洲成a人片在线观看中文!!!| 国产一级内射一片视频免费| 国产成人av综合色| 精品久久久久久久久久久aⅴ| 日本av在线精品视频| 少妇激情一区二区三区99| 边啃奶头边躁狠狠躁| 国产亚洲女在线线精品| 色婷婷久久综合中文久久一本 | 激情第一区仑乱| 亚洲午夜精品久久久久久抢| 国产一区二区杨幂在线观看性色| 国产av久久久久精东av| 国产精品免费久久久久影院| 久久精品国产亚洲片| 在线播放亚洲丝袜美腿| 少妇饥渴偷公乱a级无码 | 欧美freesex黑人又粗又大| 亚洲一区精品中文字幕| 国产tv不卡免费在线观看 | 国产97在线 | 中文|