改進(jìn)的Adaboost方法及其在水電站設(shè)備故障檢測(cè)中的應(yīng)用

陳 濤，張華飛，衣傳寶，孫成勛，高 陽，徐華雷

(1.國網(wǎng)吉林省電力有限公司電力科學(xué)研究院，吉林長春130021; 2.國網(wǎng)新源控股有限公司，北京100761)

水電站作為一種可持續(xù)能源，在發(fā)達(dá)國家中占有很高的地位。近年由于水電站的不斷發(fā)展，水電站的安全問題也隨之暴露出來。國內(nèi)外現(xiàn)今對(duì)水電站設(shè)備故障的檢測(cè)，其研究?jī)?nèi)容較為單一，比如只針對(duì)水輪機(jī)機(jī)組和發(fā)電機(jī)組等設(shè)備進(jìn)行故障診斷，而且故障信息的判斷主要以振動(dòng)信號(hào)為主[1- 4]。因?yàn)樵O(shè)備的振動(dòng)信號(hào)中含有許多不穩(wěn)定因素，影響了分析結(jié)果的準(zhǔn)確性。所以信號(hào)提取需要借助諧波小波分析等方法進(jìn)行信號(hào)除噪，這是一個(gè)復(fù)雜且繁瑣的過程。

現(xiàn)今國內(nèi)水電站對(duì)設(shè)備故障的檢測(cè)主要采用人工巡檢，水電站內(nèi)部環(huán)境復(fù)雜，運(yùn)行人員進(jìn)行一次完整的巡檢大約需要2個(gè)小時(shí)。因?yàn)樾枰獧z查的設(shè)備過多，種類繁雜，涉及的區(qū)域很廣，所以會(huì)導(dǎo)致巡檢的效率很低，很多地方會(huì)被疏忽而沒有仔細(xì)檢查或者漏檢。一旦某些設(shè)備出現(xiàn)問題，故障會(huì)很難被及時(shí)發(fā)現(xiàn)或者排除，最終會(huì)威脅到工作人員的安全。

1 方案設(shè)計(jì)

水電站噪聲由水電站設(shè)備運(yùn)作時(shí)產(chǎn)生，當(dāng)設(shè)備發(fā)生故障時(shí)，其產(chǎn)生的噪聲強(qiáng)度也會(huì)發(fā)生變化[5]，因此水電站設(shè)備是否正常運(yùn)作與其產(chǎn)生的噪聲強(qiáng)度有著緊密的關(guān)系。針對(duì)噪聲信號(hào)，設(shè)計(jì)方案步驟如下：

1.1 利用噪聲傳感器收集信息

通過熟悉運(yùn)行人員的巡檢路線，將水電站分為多個(gè)重要區(qū)域，并在不同區(qū)域中的主要設(shè)備旁安裝噪聲傳感器，傳感器會(huì)把監(jiān)測(cè)到的噪聲信號(hào)(即噪聲數(shù)據(jù))傳送到服務(wù)器的數(shù)據(jù)庫中，并儲(chǔ)存起來[6，7]。通常情況下，水電站設(shè)備主要通過人為檢測(cè)，而面對(duì)運(yùn)行人員檢測(cè)時(shí)間過長，檢測(cè)效率過低等問題，利用噪聲信息代替運(yùn)行人員在整個(gè)巡檢中捕捉到的設(shè)備信息，這樣不僅節(jié)省人力與時(shí)間，而且信息的正確性也得到保證。

1.2 分類器模型的創(chuàng)建

水電站的設(shè)備種類繁雜，會(huì)導(dǎo)致收集的數(shù)據(jù)量巨大，不能逐個(gè)判別。利用改進(jìn)的Adaboost方法創(chuàng)建分類器模型，對(duì)不同工況下的噪聲樣本進(jìn)行分類處理，最后只將分類結(jié)果錯(cuò)誤的樣本提取出來，進(jìn)行故障判別，從而大大減少了工作量。

1.3 利用分類器進(jìn)行故障判別

(1)當(dāng)P≤20%時(shí)，說明噪聲異常值是由測(cè)量誤差產(chǎn)生，無需進(jìn)行設(shè)備檢查，設(shè)備運(yùn)行正常；

激勵(lì)是給學(xué)生最好的動(dòng)力，老師在課堂教育時(shí)營造情境氛圍，用激勵(lì)的語言去指導(dǎo)學(xué)生，從而讓學(xué)生產(chǎn)生對(duì)體育學(xué)習(xí)的興趣。激勵(lì)教學(xué)就是要做到理性和感性相結(jié)合，學(xué)生在一種輕松的環(huán)境下學(xué)習(xí)，有嚴(yán)有松，既能鍛煉身體，又能培養(yǎng)自身的服從命令聽指揮的意識(shí)。在學(xué)生碰到一些狀況時(shí)，老師千萬不要用一些嘲笑不友好的態(tài)度對(duì)待學(xué)生，要曉之以理，動(dòng)之以情，幫助學(xué)生解決狀況，尊重學(xué)生，讓學(xué)生在激勵(lì)的語言下取得更大的進(jìn)步。

(2)當(dāng)20%

(3)當(dāng)P>50%時(shí)，設(shè)備很大可能性出現(xiàn)故障，發(fā)出故障信號(hào)，通過i，j確定故障位置，及時(shí)檢修。

(4)完善分類器模型

將分類結(jié)果正確的噪聲樣本添加到數(shù)據(jù)庫中，利用更新后的數(shù)據(jù)訓(xùn)練一個(gè)新的分類器模型，通過數(shù)據(jù)的添加與更新，不斷完善分類器模型，從而提高模型的精確度。

2 Adaboost算法介紹和改進(jìn)

Adaboost是一種常用的分類算法，其中心思想是通過訓(xùn)練，將弱分類器組合成強(qiáng)分類器，弱分類器的學(xué)習(xí)方法有很多，如神經(jīng)網(wǎng)絡(luò)，SVM，CART等[8，9]。

在水電站故障檢測(cè)方案中，分類器模型是檢測(cè)方案的核心步驟，所以要求分類器的精確度很高，這樣才能保證檢測(cè)的準(zhǔn)確性。本文對(duì)Adaboost方法進(jìn)行了改進(jìn)，用該方法得到的分類器模型具有很高的正確率，使其在檢測(cè)中發(fā)揮更大的作用。

2.1 樣本集初始權(quán)重的重新分配

2.2 利用熵權(quán)法優(yōu)化弱分類器系數(shù)

本文利用熵權(quán)法[13-15]，通過熵權(quán)對(duì)Adaboost方法的弱分類器系數(shù)進(jìn)行修正，從而得到更加精準(zhǔn)的弱分類器權(quán)重，提高強(qiáng)分類器的正確率，進(jìn)而提高水電站的故障檢測(cè)效率。改進(jìn)步驟共分5步。

2.2.1 確定原始指標(biāo)水平矩陣

2.2.2 計(jì)算弱分類器的信息熵

第L個(gè)指標(biāo)的信息熵為

2.2.3 計(jì)算弱分類器的熵權(quán)

2.2.4 修正弱分類器系數(shù)

2.2.5 構(gòu)建強(qiáng)分類器

3 方案實(shí)施

表2 改進(jìn)的Adaboost方法和普通Adaboost方法正確率對(duì)比

3.1 數(shù)據(jù)收集

為了證明方案的可行性，我們對(duì)湖南某水電站噪聲進(jìn)行了實(shí)地測(cè)量，收集到了樣本數(shù)據(jù)。通過對(duì)該水電站運(yùn)作流程的了解，本文將運(yùn)行人員主要巡檢的作業(yè)場(chǎng)所分為四個(gè)區(qū)域，分別為：發(fā)電機(jī)層、母線層、主變洞和水輪機(jī)層。在水電站運(yùn)行正常時(shí)，在發(fā)電、備用兩種工況下分別對(duì)四個(gè)區(qū)域，不同地點(diǎn)所產(chǎn)生的噪聲值進(jìn)行檢測(cè)，得到近500個(gè)數(shù)據(jù)樣。

3.2 利用改進(jìn)的Adaboost方法創(chuàng)建分類器模型

將樣本集分為兩部分，其中測(cè)試樣本64個(gè)，其余為訓(xùn)練樣本。利用改進(jìn)的Adaboost算法對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，其中弱分類器的學(xué)習(xí)方法采用分類回歸樹[16，17]，最大迭代次數(shù)為100次。最終獲得的強(qiáng)分類器需對(duì)測(cè)試樣本進(jìn)行分類，改進(jìn)的Adaboost算法的正確率達(dá)到89.1%，錯(cuò)誤率上限為8.46×e-71<1.87×e-20，說明分類器符合錯(cuò)誤率標(biāo)準(zhǔn)。

3.3 方法對(duì)比

利用改進(jìn)的Adaboost方法與BP神經(jīng)網(wǎng)絡(luò)[18，19]和簡(jiǎn)單貝葉斯算法[20，21]等學(xué)習(xí)方法進(jìn)行結(jié)果對(duì)比，結(jié)果如表1所示。

表1 不同學(xué)習(xí)方法的對(duì)比結(jié)果表

對(duì)比結(jié)果表明改進(jìn)的Adaboost方法的錯(cuò)誤率最小，相比其它算法具有很大的優(yōu)勢(shì)。改進(jìn)的Adaboost方法和普通Adaboost方法對(duì)27個(gè)測(cè)試樣本分類結(jié)果正確率的比較如表2所示。

在兩種算法的結(jié)果中，正確率大于0.5，代表樣本被正確分類，而正確率小于0.5，則樣本被錯(cuò)誤分類。表2結(jié)果顯示，在分類正確的樣本中，改進(jìn)的Adaboost方法比普通Adaboost方法的正確率有明顯提高，進(jìn)而加強(qiáng)驗(yàn)證了其為正常樣本，而對(duì)分類錯(cuò)誤的樣本，正確率明顯降低，加強(qiáng)驗(yàn)證了其為異常樣本。對(duì)比結(jié)果表明改進(jìn)的Adaboost方法比普通Adaboost方法精確度更優(yōu)，平均正確率提高了0.3%，提高了對(duì)水電站故障檢測(cè)的正確率。

3.4 結(jié)果評(píng)價(jià)與分析

提取誤差樣本與各區(qū)域的噪聲分布進(jìn)行比對(duì)，分類錯(cuò)誤的噪聲樣本及異常位置如表3所示。

誤差樣本與不同區(qū)域噪聲強(qiáng)度分布區(qū)間數(shù)據(jù)進(jìn)行對(duì)比，很快就可以發(fā)現(xiàn)噪聲異常位置。根據(jù)表3結(jié)果顯示，有4個(gè)測(cè)量位置的個(gè)別噪聲值存在異常，其中水輪機(jī)層1號(hào)機(jī)有2個(gè)噪聲值存在異常、主變洞2號(hào)室1個(gè)、水輪機(jī)層2號(hào)機(jī)3個(gè)和水輪機(jī)層4號(hào)機(jī)2個(gè)。在測(cè)試樣本中每個(gè)測(cè)量位置均測(cè)得16個(gè)數(shù)據(jù)，根據(jù)式(2)，故障發(fā)生概率P分別為12.5%、6.25%、18.75%、12.5%，P均小于20%，說明噪聲異常值是由測(cè)量誤差所產(chǎn)生的，所有檢測(cè)設(shè)備運(yùn)行正常，檢測(cè)結(jié)果符合實(shí)際情況。此方案可代替人工巡檢，進(jìn)而更快的得到檢測(cè)結(jié)果，發(fā)現(xiàn)故障位置。

表3 分類錯(cuò)誤的噪聲樣本及異常位置表

4 結(jié) 論

水電站環(huán)境安全是近年來研究的一個(gè)熱點(diǎn)話題，本文利用噪聲來檢測(cè)設(shè)備故障，應(yīng)用改進(jìn)的Adaboost方法提高檢測(cè)的正確率。當(dāng)水電站設(shè)備發(fā)生故障時(shí)，此方案可縮小設(shè)備故障區(qū)域，進(jìn)而更快的發(fā)現(xiàn)和排除問題，從而提高了工作人員的安全保障，減少經(jīng)濟(jì)損失。同時(shí)，此套方案也存在著某些問題，如噪聲的相互干擾和對(duì)測(cè)量誤差的解決方法等，這也是今后的研究重點(diǎn)。

[1] 盧娜. 基于多小波的水電機(jī)組振動(dòng)特征提取及故障診斷方法的研究[D]. 武漢: 武漢大學(xué), 2014．

[2] 梁興. 耦合故障對(duì)水電機(jī)組轉(zhuǎn)子動(dòng)力特性的影響分析[J]. 水電能源科學(xué), 2014, 32(11): 155-157．

[3] 肖劍. 水電機(jī)組狀態(tài)評(píng)估及智能診斷方法研究[D]. 長沙: 華中科技大學(xué), 2014．

[4] DAI Feng, LI Biao, XU Nuwen, et al. Microseismic early warning of surrounding rock mass deformation in the underground powerhouse of the Houziyan Hydropower Station, China[J]. Tunnelling and Underground Space Technology, 2017, 62: 64- 74．

[5] 管爭(zhēng)榮. 減速機(jī)振動(dòng)和噪聲分析與譜診斷方法的研究[D]. 西安: 西安建筑科技大學(xué), 2008．

[6] 焦新泉, 李功, 侯卓, 等. 基于電容式噪聲傳感器的信號(hào)調(diào)理電路設(shè)計(jì)[J]. 火力與指揮控制, 2016, 41(10): 159- 162.

[7] XIAO Kejiang, WANG Rui, FU Tun, et al. Divide-and-conquer architecture based collaborative sensing for target monitoring in wireless sensor networks[J]. Information Fusion, 2017, 36: 162- 171．

[8] 曹瑩, 苗起廣, 劉家辰, 等. AdaBoost算法研究進(jìn)展與展望[J]. 自動(dòng)化學(xué)報(bào), 2013, 39(6): 745- 758．

[9] SUN Jie, FUJITA Hamido, CEN Peng, et al. Dynamic financial distress prediction with concept drift based on time weighting combined with Adaboost support vector machine ensemble[J]. Knowledge-Based Systems, 2016, 120: 1- 11．

[10] 李闖, 丁曉青, 吳佑壽. 一種改進(jìn)的AdaBoost算法-AD AdaBoost[N]. 計(jì)算機(jī)學(xué)報(bào), 2007, 30(1): 103- 109．

[11] 徐海龍, 別曉峰, 馮卉, 等. 一種基于QBC的SVM主動(dòng)學(xué)習(xí)算法[J]. 系統(tǒng)工程與電子技, 2015, 37(12): 2865- 2871．

[12] LEE W, JUN C H, LEE J S. Instance categorization by support vector machines to adjust weights in AdaBoost for imbalanced data classification[J]. Information Sciences, 2017, 381: 92- 103．

[13] 邱陸旸, 張麗萍, 陸芳春, 等. 基于熵權(quán)法的林下土壤抗腐蝕性評(píng)價(jià)及影響因素分析[J].水土保持學(xué)報(bào), 2016, 30(4): 74- 79．

[14] DUAN Y, MU Hailin, LI Nan, et al. Research on comprehensive evaluation of low carbon economy development level based on AHP-Entropy method: a case study of Dalian[J]. Energy Procedia, 2016, 104: 468- 474．

[15] HAFEZALKOTOB A, HAFEZALKOTOB A. Extended MULTIMOORA method based on Shannon entropy weight for materials selection[J]. Journal of Industrial Engineering International, 2016, 12(1): 1- 13．

[16] D’AMBROSIO A, ARIA M, IORIO C, et al. Regression trees for multivalued numerical response variables[J]. Expert Systems with Applications, 2017, 69: 21- 28．

[17] ZHAO Yannan, LI Yuan, ZHANG Lifen, et al. Groundwater level prediction of landslide based on classification and regression tree[J]. Geodesy and Geodynamics, 2016, 7(5): 348- 355．

[18] 袁鑄, 申一歌. 農(nóng)業(yè)機(jī)器人軌跡優(yōu)化自動(dòng)控制研究-基于BP神經(jīng)網(wǎng)絡(luò)與計(jì)算力矩[J]. 農(nóng)業(yè)化研究, 2017, (6): 34- 37.

[19] YE Sun. RMB Exchange rate forecast approach based on BP neural network[J]. Physics Procedia, 2012, 33: 287- 293．

[20] 王建新, 王柏人, 曲鳴, 等. 基于樸素貝葉斯分類器的硬件木馬檢測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用研究, 2017, 34(10): 1- 10．

[21] SHEN Shiwen, HAN S X, PETOUSIS P, et al. A Bayesian model for estimating multi-state disease progression[J]. Computers in Biology and Medicine, 2017, 81: 111- 120．