一种基于GASF与并行CNN-GRU-MSA的水电机组故障诊断方法

本发明涉及水电机组故障诊断，具体为一种基于gasf与并行cnn-gru-msa的水电机组故障诊断方法。

背景技术：

1、水力发电作为清洁、可再生的能源，在全球能源结构中的地位日益提高，其稳定性和安全性对于保障电力供应具有重要意义。然而，由于水电机组的工作环境复杂，设备种类繁多，运行条件多变，使得水电机组的故障率较高。据统计，全球范围内水电机组的故障率约为20%，而重大故障率更是高达5%。这些故障不仅会影响电力供应，还会对人们的生产生活安全造成严重影响；

2、水电机组故障一般为振动故障，其表现形式也为振动信号所展现。基于此，国内外学者针对水电机组振动故障诊断进行了大量研究并提出了多种方法。主要由信号处理、特征提取和状态识别构成。文献中常利用傅里叶变换、小波变换、经验模态分解等方法对机组运行过程中的振动信号进行采集和处理，提取故障特征，进而进行故障诊断，但是不管任何的分解方法，一定会造成原始信号的一些频率信息丢失，且机组信号复杂多变，特征提取的准确度有待提高；

3、随着人工智能技术的不断发展，深度学习在水电机组故障诊断中得到了广泛应用水电机组故障振动信号通常呈现为一维时间序列的形式，但由于信号间存在相关性，传统的cnn模型难以充分提取这些信息，导致故障识别率较低。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术的不足，本发明提供了一种基于gasf与并行cnn-gru-msa的水电机组故障诊断方法，具备水电机组故障振动信号的精确诊断等优点，解决了上述技术问题。

3、（二）技术方案

4、为实现上述目的，本发明提供如下技术方案：一种基于gasf与并行cnn-gru-msa的水电机组故障诊断方法，包括以下步骤：

5、s1、收集水电机组原始故障波形数据；

6、s2、通过gasf方法将水电机组原始故障波形数据的原始时间序列的信息映射成二维图像上的特征，之后将二维图像特征通过cnn网络进行空间特征提取；

7、s3、将水电机组原始故障波形数据输入gru网络中，进行一维时序特征提取；

8、s4、对步骤s2和s3处理后的结果通过多头注意力机制进行融合；

9、s5、对步骤s4的融合结果进行输出，并对结果进行分析。

10、作为本发明的优选技术方案，所述步骤s2中通过gasf方法将原始时间序列的信息映射成二维图像上的特征的具体步骤如下：

11、s2.1.1、定义原始时间序列，并对原始时间序列中的每一个数据元素进行归一化处理后得到时间序列，具体表达式如下：

12、

13、

14、其中，分别表示原始时间序列中第个、第个、第个、第n个时间点的数据，分别表示归一化处理后的第个、第个、第个、第n个时间点的数据，表示原始时间序列和时间序列中数据的个数，表示处理后得到时间序列，表示原始时间序列中最大的一个数据，表示原始时间序列中最小的一个数据；

15、s2.1.2、对步骤s2.1.1中处理后的时间序列进行极坐标系变换，得到每一个数据点对应的半径和角度，具体表达式如下：

16、

17、其中，表示第个时间点的数据在极坐标系中的角度，第个时间点的数据在极坐标系中的半径，表示反余弦三角函数，表示的时间戳，表示原始时间序列和时间序列中数据的个数；

18、s2.1.3、利用格拉姆矩阵，得到时间序列二维图像，具体表达式如下：

19、

20、

21、其中，表示格拉姆角场和变换，表示格拉姆角场差变换，表示余弦值，表示正弦值，、、表示第个、第个、第个时间点的数据在极坐标系中的角度，表示第个时间点的数据在极坐标系中的角度与第个时间点的数据在极坐标系中的角度之和，表示第个时间点的数据在极坐标系中的角度与第个时间点的数据在极坐标系中的角度之差。

22、作为本发明的优选技术方案，所述步骤s2中cnn网络包括输入层、卷积层、池化层、全连接层和输出层，所述卷积层的具体表达式如下：

23、

24、其中，表示第层通过卷积操作从层获得的第个输出特征图，表示从前一层到当前层的第个特征图，表示当前卷积层中第个特征图和第个特征图之间的卷积核，表示卷积，表示从前一层输入到当前层的特征图的数量，表示对内部个数据进行求和，表示第层中第个输出特征图对应的偏置项，表示卷积层的激活函数

25、所述池化层用于对卷积操作输出的信息特征进行二次统计，所述全连接层的激活函数的表达式如下：

26、

27、其中，表示对应节点的输出值，表示分类类别的数量，表示对内部c个数据进行求和，表示自然对数，表示激活函数。

28、作为本发明的优选技术方案，所述步骤s3中的gru网络包括重置门和更新门，所述重置门通过输入和上一个时刻隐藏状态来控制是否将候选隐藏状态中信息抛弃，所述更新门用于控制是否将当前输入以及上一时刻隐藏状态信息更新到候选隐藏状态，所述gru网络的具体表达式如下：

29、更新门表达式：

30、

31、重置门表达式：

32、

33、候选隐藏状态表达式：

34、

35、隐藏状态表达式：

36、

37、当前状态表达式：

38、

39、其中，表示上一时刻的状态变量，表示当前时刻的状态变量，表示重置门状态变量，表示更新门状态变量，表示当前时刻候选集状态，表示当前状态，为sigmoid激活函数，为双曲正切函数，表示更新门的权重，表示候选集的权重，表示重置门的权重，表示隐藏状态权重，表示单位矩阵，表示时间步的输入，表示向量和矩阵的拼接；

40、所述gru网络将输入序列与前一时刻记忆变量的拼接矩阵变换后更新，并将此更新值输入更新门，用于确定前一时刻变量的状态对当前状态变量的重要程度，所述重置门确定前一时刻有多少需被写进候选集中，将乘以储存在前一时刻信息中，再将的倍记录当前信息，将二者相加作为此刻的输出。

41、作为本发明的优选技术方案，所述步骤s4对将cnn和gru输出进行融合的具体步骤如下：

42、s4.1、对cnn和gru输出的特征进行扁平化处理，并得到新的特征，具体表达式如下：

43、

44、

45、其中，表示扁平化处理后的特征，表示处理函数，表示输入的特征，表示拼接后的特征，表示gru中的最后一个时间步的隐藏状态；

46、s4.2、计算多头注意力机制的注意力层的注意力概率分布，具体表达式如下：

47、

48、

49、

50、

51、其中，、、分别表示对应、、在当前时刻特征向量，、、分别表示对应查询矩阵、键矩阵、值矩阵的权重向量，上标表示矩阵的转置，表示当前时刻的注意力概率分布，表示权重矩阵的维度，表示载入多头注意力模块的输入，表示激活函数；

52、s4.3、将每一组注意力映射到不同空间，具体表达式如下：

53、

54、

55、其中，表示多头注意力集合，表示头的总数，表示对1~m个头进行拼接操作，表示第个头，表示第个注意力头在时间的注意力概率分布；

56、s4.4、对多头注意力集合中所有值进行求和，得到融合后的综合最终权重表达，具体表达式如下：

57、

58、其中，表示输出的权重向量，表示多头注意力集合，表示融合后的综合最终权重表达。

59、与现有技术相比，本发明提供了一种基于gasf与并行cnn-gru-msa的水电机组故障诊断方法，具备以下有益效果：

60、1、本发明通过首先将原始信号进行gru特征提取形成1支路，再将原始信号利用gasf转换成二维图像用cnn特征提取形成2支路，将两条支路合并后采用msa增强特征以更好的故障进行分类。结果表明，本文所提方法的准确率为97.2%，明显高于其他对比模型。