基于CNN的風(fēng)力發(fā)電機(jī)異常識別

趙翰馳 姜鳳敏 任妍

摘 要：針對傳統(tǒng)的模型在風(fēng)力發(fā)電機(jī)異常識別過程中存在識別準(zhǔn)確率差的問題，本文提出基于CNN的異常識別方法。將輸入的屬性值數(shù)據(jù)轉(zhuǎn)換為方陣生成許多大小相同的風(fēng)機(jī)屬性圖片，通過訓(xùn)練海量圖片，不斷調(diào)整模型參數(shù)，得出CNN模型各層結(jié)構(gòu)，通過圖片的二分類問題實(shí)現(xiàn)風(fēng)機(jī)狀態(tài)的判斷。

關(guān)鍵詞：風(fēng)力發(fā)電機(jī)；SCADA數(shù)據(jù)；識別；卷積神經(jīng)網(wǎng)絡(luò)（CNN）

中圖分類號：TP0391.41 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-2064（2018）21-0128-03

1 引言

風(fēng)機(jī)SCADA數(shù)據(jù)經(jīng)過數(shù)據(jù)清洗和先聚類后類內(nèi)降維的預(yù)處理后，可以作為本文異常識別模型的有效輸入，但數(shù)據(jù)量仍然較為龐大，所以我們既需要解決因?qū)傩暂^多導(dǎo)致數(shù)據(jù)量龐大的問題，還要找尋有效的二分類方法實(shí)現(xiàn)正異常的準(zhǔn)確分類[1-2]。卷積神經(jīng)網(wǎng)絡(luò)（CNN） 具有強(qiáng)大的非線性映射能力，在解決數(shù)據(jù)量大、屬性多的問題有較好的應(yīng)用性，同時也避免了需要特征提取的復(fù)雜性[3-4]，亦可通過圖片分類的形式實(shí)現(xiàn)二分類問題[5]。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種前饋人工神經(jīng)網(wǎng)絡(luò)，是一種廣泛應(yīng)用的深度學(xué)習(xí)算法[6-8]。CNN主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形。由于CNN的特征檢測層通過訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，所以在使用CNN時，避免了顯式的特征抽取，而隱式地從訓(xùn)練數(shù)據(jù)中進(jìn)行學(xué)習(xí)[9-10]。CNN的這些特點(diǎn)符合我們的需求，可用于實(shí)現(xiàn)風(fēng)機(jī)的異常識別。

2 卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)步驟

在使用CNN進(jìn)行風(fēng)機(jī)異常識別時，輸入數(shù)據(jù)需要被組織為具有相同尺寸的歸一化的圖像以被饋送到CNN中。所提出的識別模型由歸一化層，兩個卷積層，兩個池化層，完全連接的分類層組成。

2.1 歸一化層

由于CNN的輸入需要被標(biāo)準(zhǔn)化為相同的尺寸，特此引入歸一化層。首先，找到輸入到歸一化層的圖像最大值和最小值及其對應(yīng)位置；然后使用下采樣方法將其歸一化為所需大?。蛔詈蟾鼡Q最大值和最小值。在提出的模型中加入歸一化層不僅可以帶來很多方便，而且可以節(jié)省計(jì)算時間。

2.2 卷積層

卷積層是CNN的核心部分，主要起到特征提取的作用。卷積層包括卷積和非線性兩個操作繼而生成幾個特征圖。每個特征圖是某些區(qū)域中輸入風(fēng)機(jī)屬性圖像的特定特征表示，卷積運(yùn)算可以通過（2.1）表示。

（2.1）

其中，*代表卷積操作；是輸出的第個特征圖；是可訓(xùn)練的卷積核（也稱過濾器）；是第個輸入。卷積運(yùn)算用權(quán)值共享和稀疏連接這兩個重要概念來提高網(wǎng)絡(luò)的性能。

2.3 池化層

除了卷積操作之外，CNN的另一個重要操作是池化操作。該操作可以顯著減少特征圖的大小。最大池化操作和平均池化操作是兩種常見的池化操作。首先將輸入分成幾個具有相同大小的非重疊矩形區(qū)域，最大池化操作得到矩形區(qū)域內(nèi)的最大值。平均池化操作得到矩形區(qū)域內(nèi)的平均值。

2.4 全連接層

經(jīng)過兩次卷積和池化操作，特征圖顯著變小，將特征圖進(jìn)行全連接轉(zhuǎn)換為1-D矢量并饋送到全連接層。通常，全連接層由三個完全連接的層組成，本文采用的全連接層是一個包含三層的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。

2.5 分類層

在本文中，分類層采用的激活函數(shù)為S型功能函數(shù)，這對于風(fēng)機(jī)有無異常這個二分類問題是足夠的，其中輸出0代表風(fēng)機(jī)異常，1代表風(fēng)機(jī)正常，采用準(zhǔn)則（2.2）判定風(fēng)機(jī)狀態(tài)，分類的準(zhǔn)確率根據(jù)式（2.3）、（2.4）、（2.5）統(tǒng)計(jì)。

（2.2）

其中Y代表輸出的狀態(tài)量。

（2.3）

（2.4）

（2.5）

其中，表示風(fēng)機(jī)處于異常狀態(tài)下分類的準(zhǔn)確率，（true abnormal）是其正確分類的統(tǒng)計(jì)，（false abnormal）是其錯誤分類的統(tǒng)計(jì)；統(tǒng)計(jì)風(fēng)機(jī)處于健康狀態(tài)下的準(zhǔn)確率，（true health）是其正確分類的統(tǒng)計(jì)，（false health）是其錯誤分類的統(tǒng)計(jì)；是綜合的準(zhǔn)確率。

本文的CNN模型結(jié)構(gòu)圖如圖1所示。

2.6 總體模型結(jié)構(gòu)

CNN的行輸入是每個類別降維后的屬性之和即X，列輸入為采樣點(diǎn)。輸入數(shù)據(jù)均在標(biāo)準(zhǔn)化層歸一化為許多大小為（X×X）的相同尺寸的圖片作為模型的輸入，每個輸入圖片代表風(fēng)機(jī)（X×n）min內(nèi)的屬性特征，其中n代表采樣間隔。首先，第一個卷積層卷積個大小為b×b的內(nèi)核，且×b，表示輸出特征圖的數(shù)量，輸出特征圖的大小為（x-b+1）×（x-b+1）使用帶有2×2的濾波器和步幅為2的最大池化層進(jìn)行跟蹤，使得該層輸出個大小為的特征圖；然后，第二個卷積層用c個大小為d×d的內(nèi)核卷積上一層的結(jié)果，該層將輸出c個尺寸為 的特征圖，且保持激活次數(shù)（特征圖的數(shù)目乘以像素位數(shù)）從一層到下一層不減少的原則來選擇內(nèi)核的數(shù)量。第二個池化層與第一個具有相同的結(jié)構(gòu)，它將生成c個分辨率為的特征圖；最后將這些圖轉(zhuǎn)換成矢量饋送到由三層組成1-D的全連接層，通過分類層實(shí)現(xiàn)狀態(tài)判斷。

3 仿真及結(jié)果

3.1 卷積神經(jīng)網(wǎng)絡(luò)參數(shù)配置

總體模型中設(shè)置如表1所示。

3.2 第一類屬性發(fā)生單項(xiàng)異常

訓(xùn)練樣本為2萬個大小為的風(fēng)機(jī)屬性圖片，其中包含多種異常，測試樣本為100個大小為的風(fēng)機(jī)屬性圖片，其中只包含齒輪箱后軸承溫度過熱這一種異常。且用于訓(xùn)練和測試的樣本均含有大量地因包括因工況造成數(shù)據(jù)變化異常的樣本。

圖2（a）（b）中前三行是第一類屬性的色彩顯示，顯而易見健康狀態(tài)下的風(fēng)機(jī)第一類屬性值顏色較淺，只有小范圍的波動或者個別時間點(diǎn)的跳動，而圖2（c）（d）處于異常狀態(tài)下的風(fēng)機(jī)，如紅虛線所標(biāo)識的地方顏色明顯變深，并且時間連續(xù)，與圖2（a）（b）顯著不同，異常明顯。

3.3 第六類屬性發(fā)生多項(xiàng)異常

訓(xùn)練樣本與3.1中用到的樣本相同完全一致，測試樣本為100個大小為的風(fēng)機(jī)屬性圖片，其中只包含同一時刻發(fā)電機(jī)轉(zhuǎn)速和齒輪箱轉(zhuǎn)速都顯著降低這兩種異常。

圖3中第16～18行是第六類屬性的色彩顯示，如圖中紅虛線所示。等同于圖2（a）（b），第六類屬性健康狀態(tài)下的風(fēng)機(jī)屬性值顏色較淺，只有小范圍的波動或者個別時間點(diǎn)的跳動，而圖3（c）（d）處于異常狀態(tài)下的風(fēng)機(jī)屬性值前兩行顏色明顯變深，圖3（c）（d）對比圖3（c）（d）異常顏色值變化更加劇烈，范圍更加廣，異常程度可以明顯在圖中呈現(xiàn)。

4 結(jié)語

基于CNN的風(fēng)力發(fā)電機(jī)的異常識別，首先確定輸入CNN模型的圖片大小，其次設(shè)置模型各個卷積層、池化層的大小與數(shù)目，以確定我們的模型結(jié)構(gòu)，然后通過實(shí)驗(yàn)驗(yàn)證CNN模型可識別異常；于傳統(tǒng)的基于某一屬性建模，只能發(fā)現(xiàn)單類屬性異常的局限性，CNN模型的輸入樣本由完整的風(fēng)機(jī)圖像片段提供，其中包含全面的異常信息，可有效實(shí)現(xiàn)多類屬性的異常識別。

參考文獻(xiàn)

[1]梁穎，方瑞明.基于SCADA和支持向量回歸的風(fēng)電機(jī)組狀態(tài)在線評估方法[J].電力系統(tǒng)自動化，2013，37（14）：7-12.

[2]Chehouri A，Younes R. Review of performance optimization techniques applied to wind turbines[J].Appl Energy，2015，142：361-88.

[3]趙洪山，胡慶春，李志為.基于統(tǒng)計(jì)過程控制的風(fēng)機(jī)齒輪箱故障預(yù)測[J].電力系統(tǒng)保護(hù)與控制，2012，40（13）：67-73.

[4]Meik S， Ilmar F.Wind turbine condition monitoring based on SCADA data using normal behavior models[J].Applied Soft Computing，2014，447-460.

[5]謝平，楊玉昕.基于局部均值分解的滾動軸承故障診斷新方法[J].計(jì)量學(xué)報，2014，35（1）：73-773.

[6]Maaten L， Hinton G. Journal of Machine Learning Research[J].2008，9： 2579-2605.

[7]LeCun Y， Ranzato M. Deep learning tutorial[C].Tutorials in International Conference on Machine Learning，2013，14：11-19.

[8]Convolutional Neural Network[Online].Available at https：//en.wikipedia.org wiki/Convolutional_neural_network.2016，10：24-29.

[9]Wang X，Zhang W，Qiang J I. A Kernel PCA Shape Prior and Edge Based MRF Image Segmentation[J]. Chinese Journal of Electronics，2016，25（5）：892-900.

[10]Chen Y，Jiang H，Li C，Jia X.Deep feature extraction and classification of hyperspectral images based on convolutional neural networks.IEEE Trans Geosci. Remote Sens，2016，10：6232-6251.