【《冷水机组故障分析的数据预处理及特征提取案例》5300字】

冷水机组故障分析的数据预处理及特征提取案例目录TOC\o"1-3"\h\u20114冷水机组故障分析的数据预处理及特征提取案例 [61]，可以解决数据量大、特征提取困难等问题。近年来，深度学习方法在许多领域中表现出更好的性能。因此，本章选取CNN用来对数据进行特征提取。1.1数据预处理小波变换在20世纪80年代后期，由科学家Moler首先提出[11]，其主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节[53]。小波变换最大的优势在于它对非平稳信号的时域局部细节刻划能力[54]，这是其它任何一种分析方法所无法企及的。在冷水机组故障诊断中，故障信号包含大量故障信息，属于非平稳信号，利用小波变换可以将时域局部细节清晰刻画，在提取不同类型故障信号差异性的同时，一定程度上还能捕捉到相同类型不同等级故障信号的相似性，为深度网络特征提取和分类奠定基础。1.1.1小波变换的基本原理小波变换的公式如下：WT其中，信号x(t)的小波变换WTx(a,b)是a和b的函数，b是时移，a是尺度因子，尺度a控制小波函数的伸缩，平移量b控制小波函数的平移。尺度对应于频率（反比），平移量b就对应于时间。它具有两个方面的特点:一是在时域上,它是紧支撑衰减的[55],具有时域局部化的特性,改变b的值可使小波函数在时间轴上滑动以至覆盖整个时域;二是在频域上,它具有频带特征,改变a1.1.2利用小波变换将冷水机组数据转为时频图将冷水机组原始数据进行归一化处理，每个样本包含64个变量，将这64个变量重组为8×8的矩阵，然后利用小波变换将其变为8×8图片，通过多次实验验证当小波基选用db1，尺度设定为8时，不同故障类型时频图差异性较大，同一故障类型不同损伤程度相似性较大，故此时效果最佳。为表述方便，各个故障类型就用其简写表示，然后不同损伤程度等级依次用阿拉伯数字1、2、3、4后缀来表示，例如冷凝器结垢严重程度为L1就表示为cf1，见表2-2，后续表示与此相同，不再赘述。表3-1冷水机组故障类型及等级Tab.3-1faulttypesandgradesofchillers故障名称名称简写故障损伤程度蒸发器水流量不足fweL1，L2，L3，L4冷凝器水流量不足fwcL1，L2，L3，L4冷凝器结垢cfL1，L2，L3，L4制冷剂含不凝性气体ncL1，L2，L3，L4制冷剂不足rlL1，L2，L3，L4制冷剂过量roL1，L2，L3，L4润滑油过量eoL1，L2，L3，L47种故障类型以及每类故障损伤程度最轻、最严重的时频图如图3-1。（a）cf1(b)cf4(c)eo1(d)eo4(e)ro1(f)ro4(g)nc1(h)nc4(i)fwe1(j)fwe4(k)rl1(l)rl4(m)fwc1(n)fwc4图3-1故障数据时频图Fig.3-1timefrequencydiagramoffaultdata1.1.3结果分析由图3-1可知，通过时频图色谱颜色分布情况观察所得故障数据时频图在时域和频域中的变化，横轴代表时域，纵轴代表频域，颜色越深的部分代表变化幅度越大。其中(a)、(b)分别代表故障类型为cf的损伤程度最小与最大的故障时频图，可以看出两幅图基本相似，都是在时间为0-0.2s，频率为4-5HZ内，数据变化幅度较小为0-0.6，0.2-0.6s内，在整个频域数据基本无变化，0.6-0.8s，频率为1.5-1.5HZ内，数据变化幅度较为明显为0.8-1.6，尤其频率在2.5-3HZ内，数据变化幅度达到最大1.6，0.8-0.9时间段内，在整个频域内，数据变化幅度较大为1.2-1.6，在0.9-1.0s，频率为2.5-1.5HZ内，数据变化幅度较明显为0.6-1.2；(c)、(d)分别代表故障类型为eo损伤程度最小与最大的故障时频图，两幅图同样基本相似，但在整个时域和频域中，数据变化幅度与(a)、(b)完全不同，如在时间为0-0.2s，0.9-1.0s频率为2.5-5.0HZ内，数据变化幅度为0.8-1.2，较(a)、(b)在同时同频的变化幅度要大；(e)、(f)分别代表故障类型为ro损伤程度最小与最大的故障时频图，(g)、(h)分别代表故障类型为nc损伤程度最小与最大的故障时频图，(i)、(j)分别代表故障类型为fwe损伤程度最小与最大的故障时频图，(k)、(l)分别代表故障类型为rl损伤程度最小与最大的故障时频图，(m)、(n)分别代表故障类型为fwc损伤程度最小与最大的故障时频图，从图中可得，代表同一故障类型不同损伤程度的时频图都基本相似；除了图3-1（m）故障fwc和图4（g）故障nc较为相似，其余不同故障类型在相同时间相同频率的数据变化幅度都有较为明显的不同。因此，可看出通过小波变换后获得的时频图在不同故障类型上有较大差异；但对同种故障类型不同严重程度的时频图具有较好的相似性。1.2数据的特征提取在故障诊断技术中，大部分算法都包含特征提取。所谓特征提取是从初始的一组原始测量数据开始，并建立旨在提供信息和非冗余的派生值（特征），从而促进后续的学习和泛化步骤，并且在某些情况下带来更好的可解释性。特征的好坏对后续故障诊断的准确率有至关重要的影响。本算法中为了更全面的观测特征变化，将原始数据转为时频图像数据，目前图像特征的提取方法主要有两种：传统图像特征提取方法和深度学习方法。传统的图像特征提取处理方法是降维，常见的降维方法有：主成分分析、奇异值分解、线性判别分析。目前传统图像特征提取方法面对日益多样化的特征，显现出瓶颈阶段，主要体现在传统方法中特征提取会生成大量冗余，容易在分类出现大量假样本，导致诊断准确率下降，并且特征提取器主要依赖人工设计，需要有大量专业知识及复杂的调参过程，同时每个方法都是针对具体应用，泛化能力及鲁棒性较差。深度学习主要是数据驱动进行特征提取，根据大量样本的学习能够得到深层的数据集特定的特征表示，其对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，泛化能力更好，并且可以是端到端的。本文就是利用CNN对冷水机组故障时频图进行特征提取。CNN的组成分为三个部分，卷积层、池化层、全连接层，其结构图如图3-2所示。卷积层进行初步特征提取，池化层提取主要特征，全连接层将各部分特征汇总。图3-2CNN结构图Fig.3-2CNNstructure卷积层的主要操作是提取图片每个小部分里具有的特征信息，定义一个卷积核，卷积核与数据矩阵对应位相乘、相加，得到卷积层输出结果，其数学表达式如下：yi举例来说，以冷水机组故障时频图ro1为例，CNN卷积层第一层提取特征过程如图3-3所示。图3-3CNN卷积层特征提取示意图Fig.3-3CNNconvolutionlayerfeatureextractiondiagram首先ro1时频图对应的特征矩阵是一个8×8矩阵，经过大小为2×2的卷积核，步长为1，提取到7×7的特征矩阵，以图中红色圈住部分示例，用4个像素点提取到一个特征值，具体计算步骤如下：-1.3451=-0.8012×1+1.0321×0+0.8021×0-0.5439×1（3-3）其中-1.3451为提取到的一个特征值，0.8012、1.0321、0.8021、0.5439为4个像素点，[1,0;0,1]为卷积核的大小。机器一开始并不知道要识别的部分具有哪些特征，是通过与不同的卷积核相作用得到的输出值，相互比较来判断哪一个卷积核最能表现该图片的特征，也就是卷积运算后的特征值较大的那个，当所有的像素点都至少被覆盖一次后，就可以产生一个卷积层的输出。以此类推，经过5层卷积层运算后得到一个2×2特征矩阵。这个特征矩阵作为CNN池化层的输入。池化层的主要操作是为了减少训练参数的数量，降低卷积层输出的特征向量维度，减小过拟合现象，只保留最有用的图片信息，减少噪声传递，其数学表达式如下：ymean式中，R表示池化的区域，ymean∗将池化层输出的多维数据转变成一维向量作为全连接层的输入数据。全连接层输出的就是低维空间的数据。其表达式如下：yi式中yi∗表示第i个全连接层输出数据，wi和bi∗分别是第i1.3基于CNN+SoftMax的冷水机组故障诊断模型为验证对数据进行小波变换起到的作用以及CNN的特征提取和分类能力，本节将CNN全连接层设为SoftMax分类器，建立了基于CNN+SoftMax的冷水机组故障诊断模型，并通过实验验证了其性能。1.1.1基于CNN+SoftMax的冷水机组故障诊断模型的建立为实现准确识别冷水机组的故障类型，本节建立了基于CNN+SoftMax的故障类型分类网络模型。首先利用CNN的卷积层和池化层对冷水机组故障数据时频图进行特征提取，后利用SoftMax分类器对其进行分类。SoftMax是CNN网络常用的分类器。多个神经元通过SoftMax函数的作用映射成（0，1）的值。其原理是：假设存在训练集x1,y1,…,(xn,y(n))pyCNN+SoftMax算法整体框图如图3-4，图3-4CNN+SoftMax算法总体框图Fig.3-4CNN+SoftMaxAlgorithmblockdiagram实现冷水机组故障诊断算法的具体步骤如下：（1）数据归一化处理考虑到各个特征的单位和数量级不一样，如果不对原始特征进行归一化，在后续的模型训练过程中可能会出现准确率低或者难以收敛的现象，因此首先对原始故障数据进行归一化处理，其数学表达式为：x'式中x，x'分别代表原始数据和归一化之后的数据，xmax，（2）获取数据时频图直接将故障数据作为网络的输入，特征只在时间域学习，未考虑过程的频率特性；此外，小波变换对非平稳信号的时域局部细节有很强的刻画能力，利用小波变换可以将局部细节清晰刻画。综上考虑，将归一化的故障数据进行小波变换，利用小波变换后的数据获得其时频图；（3）建立CNN网络结构通过对CNN网络的结构和参数进行多次实验，得到网络的配型参数。模型参数如下：选取5层卷积网络，5个卷积层的卷积核个数依次为16、32、64、128、256，卷积核大小为2×2，优化算法选取Adam，Adam对超参数（学习率、正则化系数等）的选择具有很好鲁棒性，最大训练次数为5000次。最大池化层的池化窗口大小是2×2。卷积层和池化层的激活函数都是ReLU。在五个卷积层后面插入一个Dropout层以缓解过拟合，Dropout层的概率设置为0.2。保存训练好的模型。（4）将测试集输入训练好的网络模型，利用SoftMax分类器完成测试集数据的分类并计算准确率。1.1.2实验验证与结果所有实验每类故障每一等级各210个样本，选取其中80%作为训练集，20%作为测试集。本节实验数据集构造如表3-2。设计了14组实验，1~7组实验为原始数据直接作为网络输入，8~14组实验为将原始数据通过小波变换转为时频图作为网络的输入。训练集分别为7个不同故障类型，测试集为7个故障类型分别对应的4个不同损伤程度的同类故障。表3-2验证CNN+SoftMax网络实验分组Tab.3-2experimentalgroupingofCNN+SoftMaxnetworkvalidation实验组别训练集测试集1&8ro1ro1ro2ro3ro42&9rl1rl1rl2rl3rl43&10cf1cf1cf2cf3cf44&11eo1eo1eo2eo3eo45&12nc1nc1nc2nc3nc46&13fwc1fwc1fwc2fwc3fwc47&14fwe1fwe1fwe2fwe3fwe4实验结果如图3-5，3-5(a)为原始数据直接作为网络输入的测试结果混淆矩阵，3-5(b)为原始数据通过小波变换转为时频图作为网络输入的测试结果混淆矩阵。根据图3-5得到7个故障的两种不同输入分别对应的准确率见表3-3。(a)原始数据作为网络输入(b)时频图作为网络输入图3-5实验结果的混淆矩阵Fig.3-5confusionmatrixofexperimentalresults表3-3网络两种不同输入方式的结果比较Tab.3-3comparisonofresultsoftwodifferentnetworkinputmethods准确率%rorlcfeoncfwcfwe原始数据87.5%92.5%89.3%90.6%96.2%91.1%91.7%时频图96.8%97.5%98.7%95.6%100%97.5%98.7%1.1.3实验结果分析每种故障类型的测试集各为160个，根据图3-5可得，当网络的输入为原始故障数据时，故障ro的160个测试样本诊断正确的数量为140个，其中有10个样本被误诊为故障rl,还有10个被误诊为fwc；而当网络的输入为故障数据时频图时，故障ro的160个测试样本诊断正确的数量为155个，其中仅有5个样本被误诊为故障rl。其余6类故障同样当网络输入为故障