水电机组的故障诊断方法、装置及电子设备与流程

1.本公开涉及水电机组故障诊断技术领域，具体涉及一种水电机组的故障诊断方法、装置及电子设备。


背景技术：

2.水电站在电网中起着提供电能、作为事故备用等重要作用，且随着太阳能、风能等间歇能源并网，水电站在电网中承担着更多调峰调频的作用。水电机组的安全稳定运行对于水电站乃至整个电网的安全稳定具有重要意义。
3.通常，可以通过对水电机组运行时的振动信号特征进行分析，以判断机组是否发生故障。相关技术中，通常需要人工获取水电机组运行时的振动信号特征，而人工选择特征的主观性比较强，从而可能会对水电机组的诊断结果造成较大影响。由此，如何提高对水电机组进行故障诊断的准确性，显得至关重要。


技术实现要素：

4.本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
5.本公开第一方面实施例提出了一种水电机组的故障诊断方法，包括：
6.获取水电机组的时序数据；
7.将所述时序数据进行处理，以获取对应的输入数据；
8.利用训练完成的卷积神经网络模型对所述输入数据进行处理，以获取对应的类型标签；
9.根据所述类型标签，确定所述水电机组的运行状况。
10.可选的，所述将所述时序数据进行处理，以获取对应的输入数据，包括：
11.将所述时序数据进行重叠样本分割，以确定多组样本序列；
12.将每组所述样本序列进行互补式集合经验模态分解ceemd，以获取每组所述样本序列分别对应的每个固有模态函数imf；
13.根据每个所述imf与对应的样本序列间的相关系数，确定输入数据。
14.可选的，所述卷积神经网络模型，通过以下方式训练生成：
15.获取水电机组的r组训练样本序列，其中，所述训练样本序列中包含所述水电机组的运行数据及对应的运行标签，r为任意正数；
16.将每组所述训练样本序列进行处理，以生成每组所述训练样本序列对应的输入矩阵；
17.利用初始模型对所述输入矩阵进行处理，以获取所述输入矩阵对应的预测标签；
18.基于每个所述输入矩阵对应的预测标签与所述运行标签间的差异，确定对应的损失值；
19.基于所述损失值，对所述初始模型进行反向修正，以生成训练完成的卷积神经网络模型。
20.可选的，所述获取水电机组的r组训练样本序列，包括：
21.获取所述水电机组的t组时序数据，其中，t为任意正数；
22.对所述t组时序数据进行重叠样本分割，以生成r组样本序列。
23.可选的，所述将每组所述训练样本序列进行处理，以生成对应的输入矩阵，包括：
24.向每组所述训练样本序列中引入成对的正负相对且均值为零的白噪声，以获取所述训练样本序列引入正白噪声后的第一序列及引入负白噪声后的第二序列；
25.将每组所述训练样本序列对应的第一序列及第二序列进行经验模态分解emd，以获取对应的imf分量；
26.根据每个所述imf分量与对应训练样本序列间的相关系数，将每组所述训练样本序列中相关系数最大的前m个imf分量，确定为对应的输入矩阵。
27.可选的，所述利用初始模型对所述输入矩阵进行处理，以获取所述输入矩阵对应的预测标签，包括：
28.将所述输入矩阵输入至所述初始模型中，以使经过所述初始模型的处理，获取对应的预测标签，其中，所述初始模型中包含输入层、卷积层、池化层、flatten层、全连接层及softmax层。
29.本公开第二方面实施例提出了一种水电机组的故障诊断装置，包括：
30.获取模块，用于获取水电机组的时序数据；
31.处理模块，用于将所述时序数据进行处理，以获取对应的输入数据；
32.输入模块，用于利用训练完成的卷积神经网络模型对所述输入数据进行处理，以获取对应的类型标签；
33.确定模块，用于根据所述类型标签，确定所述水电机组的运行状况。
34.可选的，所述处理模块，具体用于：
35.将所述时序数据进行重叠样本分割，以确定多组样本序列；
36.将每组所述样本序列进行互补式集合经验模态分解ceemd，以获取每组所述样本序列分别对应的每个固有模态函数imf；
37.根据每个所述imf与对应的样本序列间的相关系数，确定输入数据。
38.可选的，所述获取模块，还用于获取水电机组的r组训练样本序列，其中，所述训练样本序列中包含所述水电机组的运行数据及对应的运行标签，r为任意正数；
39.所述处理模块，还用于将每组所述训练样本序列进行处理，以生成每组所述训练样本序列对应的输入矩阵；
40.所述处理模块，还用于利用初始模型对所述输入矩阵进行处理，以获取所述输入矩阵对应的预测标签；
41.所述确定模块，还用于基于每个所述输入矩阵对应的预测标签与所述运行标签间的差异，确定对应的损失值；
42.所述装置，还包括生成模块，用于：
43.基于所述损失值，对所述初始模型进行反向修正，以生成训练完成的卷积神经网络模型。
44.可选的，所述获取模块，具体用于：
45.获取所述水电机组的t组时序数据，其中，t为任意正数；
46.对所述t组时序数据进行重叠样本分割，以生成r组样本序列。
47.可选的，所述处理模块，具体用于：
48.向每组所述训练样本序列中引入成对的正负相对且均值为零的白噪声，以获取所述训练样本序列引入正白噪声后的第一序列及引入负白噪声后的第二序列；
49.将每组所述训练样本序列对应的第一序列及第二序列进行经验模态分解emd，以获取对应的imf分量；
50.根据每个所述imf分量与对应训练样本序列间的相关系数，将每组所述训练样本序列中相关系数最大的前m个imf分量，确定为对应的输入矩阵。
51.可选的，所述处理模块，具体用于：
52.将所述输入矩阵输入至所述初始模型中，以使经过所述初始模型的处理，获取对应的预测标签，其中，所述初始模型中包含输入层、卷积层、池化层、flatten层、全连接层及softmax层。
53.本公开第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本公开第一方面实施例提出的水电机组的故障诊断方法。
54.本公开第四方面实施例提出了一种非临时性计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如本公开第一方面实施例提出的水电机组的故障诊断方法。
55.本公开第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行本公开第一方面实施例提出的水电机组的故障诊断方法。
56.本公开提供的水电机组的故障诊断方法、装置及电子设备，可以先获取水电机组的时序数据，之后将时序数据进行处理，以获取对应的输入数据，之后可以利用训练完成的卷积神经网络模型对输入数据进行处理，以获取对应的类型标签，再根据类型标签，确定水电机组的运行状况。由此，通过利用训练完成的卷积神经网络模型，结合水电机组的时序数据，即可较为准确地确定出水电机组的运行状态，也有效提高了水电机组故障诊断的诊断精确度。
57.本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
58.图1为本公开另一实施例所提供的水电机组的故障诊断方法的流程示意图；
59.图2为本公开另一实施例所提供的水电机组的故障诊断方法的流程示意图；
60.图2a为本公开一实施例所提供的一种初始模型的结构示意图；
61.图2b为本公开一实施例所提供的一种训练样本序列对应的预测标签与运行标签的示意图；
62.图3为本公开另一实施例所提供的水电机组的故障诊断装置的结构示意图；
63.图4示出了适于用来实现本公开实施方式的示例性电子设备的框图。
具体实施方式
64.下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
65.下面参考附图描述本公开实施例的水电机组的故障诊断方法、装置及电子设备。
66.本公开实施例的水电机组的故障诊断控制方法，可由本公开实施例提供的水电机组的故障诊断控制装置执行，该装置可配置于电子设备中。
67.图1为本公开实施例所提供的水电机组的故障诊断方法的流程示意图。如图1所示，该水电机组的故障诊断方法可以包括以下步骤：
68.步骤101，获取水电机组的时序数据。
69.其中，水电机组的时序数据，可以为水电机组的运行数据，其具有时间先后特点。比如，可以为水电机组在某一时段内各个时刻的运行数据，或者为水电机组在不同时段内分别对应的运行数据等等，本公开对此不做限定。
70.可以理解的是，水电机组的时序数据，也即具有时间先后特点的运行数据，其可以为通过传感器对某一通道的原始振动信号进行采集而得到的；或者也可以为通过其他手段在水电机组运行期间采集得到的等等，本公开对此不做限定。
71.步骤102，将时序数据进行处理，以获取对应的输入数据。
72.其中，将时序数据进行处理时，可以有多种方式，本公开对此不做限定。
73.可选的，可以将时序数据进行重叠样本分割，以确定多组样本序列，之后可以将每组样本序列进行互补式集合经验模态分解(complementary ensemble empirical mode decomposition，ceemd)，以获取每组样本序列分别对应的多个固有模态函数imf，之后可以根据每个imf与对应的样本序列间的相关系数，确定输入数据。
74.举例来说，时序数据共有100个，利用长度为10的滑动窗对长度为100的时序数据一次进行分割，下一次滑动窗与上一次滑动窗的重叠部分占滑动窗长度的40％，即重叠了4个采样点，则该组时序数据可以得到16组样本序列。之后可以将16组样本序列进行ceemd处理，以获取16组样本序列分别对应的多个固有模态函数(intrinsic mode function，imf)。之后对于每一组样本序列，可以分别确定该组样本序列对应的各个imf分量与该组样本序列间的相关系数，之后可以将相关系数最大的前m个imf确定为输入数据，比如，可以将前5个imf确定为该组样本序列对应的输入数据，或者也可以将前7个imf确定为该组样本序列对应的输入数据等等，其中m可以为提前设定的数值，本公开对此不做限定。
75.可以理解的是，若某一样本序列对应的前7个imf为输入数据，则该输入数据可以为包含有7个通道且每个通道大小为1*10的输入矩阵等。
76.可选的，确定每个imf与对应的样本序列间的相关系数时，可以有多种方式。比如，可以通过欧氏距离、曼哈顿距离、协方差公式等，本公开对此不做限定。
77.需要说明的是，上述示例只是示意性说明，不能作为对本公开实施例中将时序数据进行处理的方式等的限定。
78.可以理解的是，本公开实施例中，通过将时序数据进行处理，可以得到更为全面、可靠的输入数据，从而为提高水电机组的诊断的准确性提供了条件。
79.步骤103，利用训练完成的卷积神经网络模型对输入数据进行处理，以获取对应的
类型标签。
80.其中，卷积神经网络模型，可以为提前训练完成的模型，其可以包含输入层、卷积层、池化层等。另外，其也可以为一维卷积神经网络(one-dimensional convolutional neural network，1d-cnn)等，本公开对此不做限定。
81.可以理解的是，将输入数据输入卷积神经网络模型中，经过该卷积神经网络模型中各个网络层的处理，可以获取到该输入数据对应的类型标签，本公开对此不做限定。
82.另外，类型标签的样式或者呈现形式，可以为提前设定的，比如可以为：0、1、10、11等等，本公开对此不做限定。步骤104，根据类型标签，确定水电机组的运行状况。
83.可以理解的是，可以提前设定各类型标签与水电机组的运行状况间的关系，从而在获取到类型标签后，即可确定出水电机组的运行状况。
84.举例来说，若已提前设定“01”表示水电机组运行“正常”，“10”表示水电机组出现“预警”，“11”表示水电机组运行出现“故障”。若将输入数据输入至卷积神经网络模型中，确定出的类型标签为“10”，则可以确定水电机组运行出现“预警”。或者，若将某一输入数据输入至卷积神经网络模型中，确定出的类型标签为“11”，则可以确定水电机组运行出现“故障”。
85.需要说明的是，上述示例只是示意性说明，不能作为对本公开中类型标签及其与水电机组的运行状况间的关系等的限定。
86.可以理解的是，若根据水电机组在某一时段内的时序数据，确定出水电机组处于“预警”状态，则可以根据“预警”情况，及时对水电机组进行检查，以使其恢复至正常状态。或者，若根据水电机组在某一时段内的时序数据，确定出水电机组处于“故障”状态，则可以根据“故障”情况，及时发现水电机组中各部件的故障位置、程度，以便及时维修更换。
87.可以理解的是，本公开实施例中，通过将ceemd对非线性非平稳信号分析的优势，与一维卷积神经网络处理时间序列的优越性及强大的特征提取能力相结合，从而有效地提高了水电机组故障诊断的诊断精确度。
88.本公开实施例，可以先获取水电机组的时序数据，之后将时序数据进行处理，以获取对应的输入数据，之后可以利用训练完成的卷积神经网络模型对输入数据进行处理，以获取对应的类型标签，再根据类型标签，确定水电机组的运行状况。由此，通过利用训练完成的卷积神经网络模型，结合水电机组的时序数据，即可较为准确地确定出水电机组的运行状态，也有效提高了水电机组故障诊断的诊断精确度。
89.图2为本公开实施例所提供的水电机组的故障诊断方法的流程示意图。如图2所示，该水电机组的故障诊断方法可以包括以下步骤：
90.步骤201，获取水电机组的r组训练样本序列，其中，训练样本序列中包含水电机组的运行数据及对应的运行标签。
91.其中，r可以为任意正数，比如可以为3、5、100等等，本公开对此不做限定。
92.可选的，可以先获取水电机组的t组时序数据，之后，可以对t组时序数据进行重叠样本分割，以生成r组样本序列。
93.其中，t可以为任意正数，比如，可以为1、2等等，本公开对此不做限定。
94.举例来说，通过传感器采集水电机组中单个信号通道的3组时序数据，分别为水电机组正常工况、预警工况、故障工况时的运行状态，每组时序数据的长度为100000个采样
点。之后，可以利用长度为2048的滑动窗对长度为100000的时序数据进行分割。比如，可以设定下一次滑动窗与上一次的滑动窗的重叠部分占滑动窗长度的20％,也即重叠了410个采样点。从而，通过对每组时序数据进行重叠样本分割，每组时序数据可以得到40组样本序列。那么3组时序数据，可以得到120组样本序列，可以将其中84组划分为训练集，36组划分为测试集等等，本公开对此不做限定。
95.或者，也可以获取水电机组的r组时序数据，该时序数据即为对应的训练样本序列等等，本公开对此不做限定。
96.需要说明的是，上述示例只是示意性说明，不能作为对本公开实施例中生成样本序列的方式等的限定。
97.可以理解的是，本公开实施例中，通过将获取的水电机组的时序数据进行重叠样本分割，可以生成较为完整、全面的样本序列，从而提高了样本序列的准确性和可靠性。
98.步骤202，将每组训练样本序列进行处理，以生成每组训练样本序列对应的输入矩阵。
99.可选的，可以对每组训练样本序列进行ceemd处理，从而生成该组训练样本序列对应的输入矩阵。
100.可选的，可以向每组训练样本序列中引入成对的正负相对且均值为零的白噪声，以获取训练样本序列引入正白噪声后的第一序列及引入负白噪声后的第二序列，之后可以将每组训练样本序列对应的第一序列及第二序列进行经验模态分解(empirical mode decomposition，emd)，以获取每组训练样本序列对应的每个imf分量，之后可以根据每个imf分量与其所对应的训练样本序列间的相关系数，将每组训练样本序列中相关系数最大的前m个imf，确定为对应的输入矩阵。
101.举例来说，可以向任一训练样本序列中引入n组成对的正负相对且均值为零的白噪声，以获取训练样本序列引入正白噪声后的第一序列及引入负白噪声后的第二序列，可以表现为如下公式(1)所述的形式：
[0102][0103]
其中，f1(t)为加入正白噪声后的第一序列，f2(t)为加入负白噪声后的第二序列，y(t)为任一训练样本序列，g(t)为白噪声序列。
[0104]
之后，可以对每个序列进行emd处理，以得到一系列的imf分量，其中第i个序列的第j个imf分量可以为：o
ij
。比如，对f1(t)、f2(t)进行emd处理，可以得到一系列的imf分量。
[0105]
然后可以对多组分量求平均值，其可以满足如下公式(2)所示的形式：
[0106][0107]
其中，imfj表示第j个imf分量。
[0108]
之后，可以确定每个imf分量与任一训练样本序列y(t)间的相关系数，之后可以将相关系数最大的前m个imf分量，确定为y(t)对应的输入数据。
[0109]
其中，m可以为提前设定的数值，比如可以为3、5等等，本公开对此不做限定。
[0110]
另外，相关系数可以通过如下公式(3)所示的关系确定出：
[0111][0112]
其中，r(imfj,y(t))可以为第j个imf分量与训练样本序列的相关系数、cov(imfj,y(t))可以为第j个imf分量与样本序列间的协方差，var(imfj)可以为第j个imf分量的方差，var(y(t))可以为训练样本序列的方差。
[0113]
步骤203，利用初始模型对输入矩阵进行处理，以获取输入矩阵对应的预测标签。
[0114]
其中，初始模型，可以为提前设定的模型，通过将输入矩阵输入至初始模型中，经过初始模型的处理，可以获取对应的预测标签，本公开对此不做限定。
[0115]
可选的，初始模型中可以包含卷积层、池化层、flatten层、全连接层等，本公开对此不做限定。
[0116]
另外，初始模型中，可以包含一个卷积层或多个卷积层，或者也可以包含一个池化层或多个池化层等，本公开对此不做限定。
[0117]
举例来说，初始模型的结构可以为：输入层l1-卷积层l2—池化层l3—卷积层l4—池化层l5—卷积层l6—池化层l7—flatten层l8—全连接层l9—输出层l10等等，比如，输出层可以为softmax层等。本公开对此不做限定。
[0118]
另外，若输入矩阵大小为m*1*n的imf矩阵，则可以将其作为输入数据输入一维卷积神经网络的输入层。
[0119]
可选的，若数据输入至卷积层，则可以先进行卷积运算，之后再经过激活函数的非线性运算得到输出数据，可以如下公式(4)所示：
[0120][0121]
其中，l可以表示卷积神经网络的层数，g
l
可以为第l层的卷积层，a
l-1
为第l-1层的输出，为卷积运算符，w
l
第l层进行卷积运算的卷积核权值矩阵，b
l
为偏重向量，f为relu激活函数。
[0122]
其中，relu激活函数表达式可以如下公式(5)所示：
[0123][0124]
其中，x为激活函数的输入值，对应的值。可以理解的是，激活函数f也可以为其他形式的激活函数等，本公开对此不做限定。
[0125]
可选的，每个卷积层可以设置k组卷积核，卷积运算的步长可以设置为1，并对卷积层的输入特征进行全0填充，从而可以使得卷积层的输入数据和输出数据的维度一样，进而可以按照卷积层的输入特征的纵坐标从上到下依次进行卷积运算。
[0126]
可以理解的是，在保证卷积层的输入数据和输出数据的维度一致的情况下，也可以将卷积运算的步长设置为其他任意可行的数值，或者还可以对换基层的输入特征进行其他填充等等，本公开对此不做限定。
[0127]
可选的，池化层可以为最大池化，或者也可以为最小池化，或者还可以为平均池化等等，本公开对此不做限定。
[0128]
举例来说，池化层可以为最大池化，池化层的过滤器的步长可以设置为4，从而可以对与池化层相连接的上一个卷积层的输出特征进行降维和压缩等。其中，步长也可以为
其他数值等，本公开对此不做限定。
[0129]
另外，通过flatten层，可以将池化层l7的输出数据转化为一维数据矩阵，本公开对此不做限定。
[0130]
另外，softmax层可以将全连接层的输出映射到(0，1)的区间内，其可以满足如下公式(6)所示的关系：
[0131][0132]
其中，si为第i个类型标签对应的softmax映射值，j表示第j个类型标签，t为类型标签的总数，其可以对应t组不同故障的类别，从而可以实现对样本的分类。
[0133]
举例来说，输入矩阵的大小为7*1*2048，卷积层设置为64层卷积核，卷积运算的步长为1，采用全0填充。池化层采用最大池化，池化层的过滤器的步长为4。若初始模型的结构如图2a所示，将7*1*2048的imf分量输入至初始模型中的输入层l1，之后经过卷积层l2的处理，输出数据的尺寸为：64*1*2048；再经过池化层l3的处理，输出数据的尺寸为：64*1*512；再经过卷积层l4的处理，输出数据的尺寸为64*1*512；在经过池化层l5的处理，输出数据的尺寸为64*1*128；再经过卷积层l6的处理，输出数据的尺寸为64*1*128；再经过池化层l7的处理，输出数据的尺寸为：64*1*32；再经过flatten层l8的处理，可以将池化层l7的输出数据转化为长度为2048的一维数据矩阵；之后经过全连接层l9的处理，可以将该一维数据矩阵输入至softmax层l10，经过softmax层l10的处理，可以将全连接层l9的输出映射到(0,1)区间内，从而可以得到对应的类型标签，实现对样本的分类。
[0134]
需要说明的是，上述示例只是示意性说明，不能作为对本公开实施例中初始模型的结构等的限定。
[0135]
步骤204，基于每个输入矩阵对应的预测标签与运行标签间的差异，确定对应的损失值。
[0136]
可以理解的是，任一训练样本对应的预测标签与运行标签，也即该任一训练样本对应的输入矩阵所对应的预测标签与运行标签。
[0137]
比如，训练样本序列对应的实际运行标签与经过初始模型生成的预测标签，可以如图2b所示。其中，o为实际的运行标签，*为预测标签。
[0138]
由图2b可知，序号为“2”的训练样本序列，其经过初始模型处理获取的预测标签对应的运行状况为“预警”类别，而实际的运行标签对应的运行状况为“正常”类别，二者间存在差异，可以基于该差异，对初始模型进行修正，以提高初始模型的性能。
[0139]
需要说明的是，上述示例只是示意性说明，不能作为对本公开实施例中训练样本序列、预测标签、运行标签等的限定。
[0140]
可选的，可以先基于每个输入矩阵对应的预测标签与运行标签，确定二者间的差值，之后再基于平方损失函数，确定对应的损失值。
[0141]
举例来说，确定任一训练样本对应的损失值时，可以使用如下公式(7)所示的关系：
[0142]
[0143]
其中，l(x)为平方损失函数，ui为第i个训练样本序列的预测标签，yi为第i个训练样本序列对应的期望输出值，也即实际的运行标签，ri为训练样本序列的总数，也即输入矩阵的总数，比如共有84组训练样本序列，则ri的取值即为84。本公开对此不做限定。
[0144]
可选的，可以基于adagrad梯度下降法对初始模型进行训练优化，其中adagrad梯度下降法可以满足如下公式(8)所示的关系：
[0145][0146]
其中，w
t
表示更新后的权重，w
t-1
为更新前的权重，g
t-1
为更新前的平方损失函数的导数，η为学习率，e为数值很小的常数。
[0147]
步骤205，基于损失值，对初始模型进行反向修正，以生成训练完成的卷积神经网络模型。
[0148]
可以理解的是，初始模型生成的预测标签与真实的运行标签间的差异未达到模型精度要求，或者模型的训练次数未达到训练次数的情况下，可以根据每个训练样本序列的损失值，对该初始模型进行反向修正，以使该初始模型的学习能力增强，从而生成具有较强学习能力的卷积神经网络模型，从而在使用该卷积神经网络模型对水电机组的时序数据进行处理时，可以得到较为准确的类型标签，从而可以对水电机组的运行状况有准确的判断，进而提高了水电机组故障诊断的精确度。
[0149]
可以理解的是，经过训练生成的卷积神经网络模型，其结构可以与初始模型相同，比如可以为如图2a所示的网络结构，或者也可以为其他形式的网络结构等等，本公开对此不做限定。
[0150]
本公开实施例，可以先获取水电机组的r组训练样本序列，之后可以将每组训练样本序列进行处理，以生成每组训练样本序列对应的输入矩阵，再利用初始模型对输入矩阵进行处理，以获取输入矩阵对应的预测标签，之后可以基于每个输入矩阵对应的预测标签与运行标签间的差异，确定对应的损失值，再基于损失值，对初始模型进行反向修正，以生成训练完成的卷积神经网络模型。由此，通过训练样本序列对应的预测标签与运行标签间的差异，对初始模型进行修正，可以生成性能较好的卷积神经网络模型，进而可以使用该训练生成的卷积神经网络模型，对水电机组的运行状况进行预测，从而为提高水电机组故障诊断的诊断精确度提供了条件。
[0151]
为了实现上述实施例，本公开还提出一种水电机组的故障诊断装置。
[0152]
图3为本公开实施例所提供的水电机组的故障诊断装置的结构示意图。
[0153]
如图3所示，该水电机组的故障诊断装置100可以包括：获取模块110、第一处理模块120、第二处理模块130及确定模块140。
[0154]
其中，获取模块110，用于获取水电机组的时序数据。
[0155]
第一处理模块120，用于将所述时序数据进行处理，以获取对应的输入数据。
[0156]
第二处理模块130，用于利用训练完成的卷积神经网络模型对所述输入数据进行处理，以获取对应的类型标签。
[0157]
确定模块140，用于根据所述类型标签，确定所述水电机组的运行状况。
[0158]
可选的，所述第一处理模块120，具体用于：
[0159]
将所述时序数据进行重叠样本分割，以确定多组样本序列；
[0160]
将每组所述样本序列进行互补式集合经验模态分解ceemd，以获取每组所述样本序列分别对应的每个固有模态函数imf；
[0161]
根据每个所述imf与对应的样本序列间的相关系数，确定输入数据。
[0162]
可选的，所述获取模块110，还用于获取水电机组的r组训练样本序列，其中，所述训练样本序列中包含所述水电机组的运行数据及对应的运行标签，r为任意正数。
[0163]
所述第一处理模块120，还用于将每组所述训练样本序列进行处理，以生成每组所述训练样本序列对应的输入矩阵。
[0164]
所述第二处理模块130，还用于利用初始模型对所述输入矩阵进行处理，以获取所述输入矩阵对应的预测标签。
[0165]
所述确定模块140，还用于基于每个所述输入矩阵对应的预测标签与所述运行标签间的差异，确定对应的损失值；
[0166]
所述装置，还包括生成模块，用于：
[0167]
基于所述损失值，对所述初始模型进行反向修正，以生成训练完成的卷积神经网络模型。
[0168]
可选的，所述获取模块110，具体用于：
[0169]
获取所述水电机组的t组时序数据，其中，t为任意正数；
[0170]
对所述t组时序数据进行重叠样本分割，以生成r组样本序列。
[0171]
可选的，所述第一处理模块120，具体用于：
[0172]
向每组所述训练样本序列中引入成对的正负相对且均值为零的白噪声，以获取所述训练样本序列引入正白噪声后的第一序列及引入负白噪声后的第二序列；
[0173]
将每组所述训练样本序列对应的第一序列及第二序列进行经验模态分解emd，以获取对应的imf分量；
[0174]
根据每个所述imf分量与对应训练样本序列间的相关系数，将每组所述训练样本序列中相关系数最大的前m个imf分量，确定为对应的输入矩阵。
[0175]
可选的，所述第二处理模块130，具体用于：
[0176]
将所述输入矩阵输入至所述初始模型中，以使经过所述初始模型的处理，获取对应的预测标签，其中，所述初始模型中包含输入层、卷积层、池化层、flatten层、全连接层及softmax层。
[0177]
本公开实施例中的上述各模块的功能及具体实现原理，可参照上述各方法实施例，此处不再赘述。
[0178]
本公开实施例所提供的水电机组的故障诊断装置，可以先获取水电机组的时序数据，之后将时序数据进行处理，以获取对应的输入数据，之后可以利用训练完成的卷积神经网络模型对输入数据进行处理，以获取对应的类型标签，再根据类型标签，确定水电机组的运行状况。由此，通过利用训练完成的卷积神经网络模型，结合水电机组的时序数据，即可较为准确地确定出水电机组的运行状态，进而也有效提高了水电机组故障诊断的诊断精确度。
[0179]
为了实现上述实施例，本公开还提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如本公开前述实
施例提出的水电机组的故障诊断方法。
[0180]
为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现如本公开前述实施例提出的水电机组的故障诊断方法。
[0181]
为了实现上述实施例，本公开还提出一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行如本公开前述实施例提出的水电机组的故障诊断方法。
[0182]
图4示出了适于用来实现本公开实施方式的示例性电子设备的框图。图4显示的电子设备12仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0183]
如图4所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
[0184]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industry standard architecture；以下简称：isa)总线，微通道体系结构(micro channel architecture；以下简称：mac)总线，增强型isa总线、视频电子标准协会(video electronics standards association；以下简称：vesa)局域总线以及外围组件互连(peripheral component interconnection；以下简称：pci)总线。
[0185]
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0186]
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(random access memory；以下简称：ram)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(compact disc read only memory；以下简称：cd-rom)、数字多功能只读光盘(digital video disc read only memory；以下简称：dvd-rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。
[0187]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
[0188]
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，电子设备12还可以通过网络适
配器20与一个或者多个网络(例如局域网(local area network；以下简称：lan)，广域网(wide area network；以下简称：wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0189]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
[0190]
根据本公开实施例的技术方案，可以先获取水电机组的时序数据，之后将时序数据进行处理，以获取对应的输入数据，之后可以利用训练完成的卷积神经网络模型对输入数据进行处理，以获取对应的类型标签，再根据类型标签，确定水电机组的运行状况。由此，通过利用训练完成的卷积神经网络模型，结合水电机组的时序数据，即可较为准确地确定出水电机组的运行状态，也有效提高了水电机组故障诊断的诊断精确度。
[0191]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0192]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0193]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
[0194]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其
他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0195]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0196]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0197]
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0198]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。