本發(fā)明涉及一種基于oblgwo-dbn(反向?qū)W習(xí)灰狼優(yōu)化算法-深置信網(wǎng)絡(luò))模型的航空發(fā)電機故障特征提取方法，屬于發(fā)電機狀態(tài)監(jiān)測與故障診斷領(lǐng)域。

背景技術(shù)：

航空發(fā)電機是飛機主電源的重要組成部分，承擔(dān)著為機載設(shè)備供電的任務(wù)，其工作狀態(tài)和可靠性直接影響飛機的飛行安全。一旦航空發(fā)電機出現(xiàn)故障，不僅直接影響航空電源系統(tǒng)的電力供應(yīng)能力，同時也會影響各種機載設(shè)備的運行狀態(tài)，嚴重的可能導(dǎo)致重大航空事故。因此，深入開展航空發(fā)電機的故障診斷技術(shù)研究，確保航空發(fā)電機能夠長期穩(wěn)定運行于惡劣的工作環(huán)境中，具有重要的實際意義。

航空發(fā)電機有多種類型，以三級式航空發(fā)電機為例，主要由永磁式勵磁機、交流勵磁機、主發(fā)電機、旋轉(zhuǎn)整流器及調(diào)壓器等部分組成。航空發(fā)電機的故障主要分為電氣故障與機械故障兩大類，其中電氣故障包括定子繞組故障、轉(zhuǎn)子繞組故障、旋轉(zhuǎn)整流器故障等；機械故障包括軸承故障、轉(zhuǎn)軸故障等。每種故障模式又可具體分為不同的類別，如定子繞組故障可分為匝間短路故障及相間短路故障，旋轉(zhuǎn)整流器故障可分為單管故障及雙管故障等。

特征提取是故障診斷過程中的一個關(guān)鍵環(huán)節(jié)，目前主要采用人工分析或信號處理的方法，這些方法均存在一些不足，如分析效率低下、自動化程度低等。

技術(shù)實現(xiàn)要素：

本發(fā)明提出了一種基于oblgwo-dbn模型的航空發(fā)電機故障特征提取方法，在深度置信網(wǎng)絡(luò)的訓(xùn)練過程中用反向?qū)W習(xí)策略(obl)對其權(quán)值及偏置進行初始化，并用灰狼優(yōu)化算法(gwo)對這些參數(shù)逐層進行優(yōu)化，使得最終得到的深度置信網(wǎng)絡(luò)具有優(yōu)良的故障特征提取性能。該方法具有良好的數(shù)據(jù)自適應(yīng)能力及魯棒性，能夠有效提高航空發(fā)電機故障特征提取的效率。

本發(fā)明為解決其技術(shù)問題采用如下技術(shù)方案：

一種基于oblgwo-dbn模型的航空發(fā)電機故障特征提取方法，主要包括以下步驟：

(1)故障模式分析及測試信號選取：對航空發(fā)電機的故障模式類型、數(shù)目以及待測信號進行分析和確定；

(2)信號采集：通過傳感器采集航空發(fā)電機在各種工作狀態(tài)下的待測信號，并傳輸給計算機進行數(shù)據(jù)存儲；

(3)數(shù)據(jù)預(yù)處理：將所采集到的數(shù)據(jù)按照設(shè)定長度進行截取成為數(shù)據(jù)段，每個數(shù)據(jù)段為一個樣本；把所有的樣本分為訓(xùn)練樣本集和測試樣本集；

(4)網(wǎng)絡(luò)訓(xùn)練：利用訓(xùn)練樣本集對深度置信網(wǎng)絡(luò)進行訓(xùn)練，并使用obl算法和gwo算法對網(wǎng)絡(luò)模型參數(shù)進行優(yōu)化，得到一個oblgwo-dbn模型；

(5)網(wǎng)絡(luò)測試：將測試樣本集輸入oblgwo-dbn模型，計算分類正確率指標。

所述步驟(4)中具體過程如下：

深度置信網(wǎng)絡(luò)模型的初始權(quán)值矩陣、可見層結(jié)點偏置以及隱含層結(jié)點偏置參數(shù)采用obl進行初始化，后續(xù)訓(xùn)練中用灰狼優(yōu)化算法對這些參數(shù)進行尋優(yōu)。

步驟(1)中所述航空發(fā)電機的故障模式包括定子繞組故障、轉(zhuǎn)子繞組故障、旋轉(zhuǎn)整流器故障、軸承故障。

所述旋轉(zhuǎn)整流器故障分為單管故障和雙管故障。

步驟(2)中的傳感器為電流傳感器、電壓傳感器或振動傳感器。

本發(fā)明有益效果如下：

本發(fā)明提出了一種基于oblgwo-dbn模型的航空發(fā)電機故障特征提取方法，能夠自適應(yīng)的提取原始信號特征。該方法應(yīng)用于航空發(fā)電機狀態(tài)監(jiān)測與故障診斷領(lǐng)域中，具有良好的數(shù)據(jù)自適應(yīng)能力及魯棒性，可以有效提高航空發(fā)電機故障特征提取的效率。

附圖說明

圖1特征提取流程圖。

圖2深度置信網(wǎng)絡(luò)(dbn)結(jié)構(gòu)圖。

圖3灰狼算法(gwo)的個體跟蹤機制圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明創(chuàng)造做進一步詳細說明。

本發(fā)明提出了一種基于oblgwo-dbn模型的航空發(fā)電機故障診斷方法，該方法主要包括故障模式及測試信號分析、信號采集、數(shù)據(jù)預(yù)處理、深度置信網(wǎng)絡(luò)初始化、深度置信網(wǎng)絡(luò)訓(xùn)練及深度置信網(wǎng)絡(luò)測試幾部分。采用的流程如圖1所示，具體操作包括如下步驟：

1.故障模式分析及測試信號選取

首先，對航空發(fā)電機進行建模仿真分析，確定航空發(fā)電機的典型故障類型和數(shù)目。航空發(fā)電機的主要典型故障模式包括定子繞組故障、轉(zhuǎn)子繞組故障、旋轉(zhuǎn)整流器故障、軸承故障等；每種故障模式又可具體分為不同的類別，如繞組故障可分為匝間短路故障及相間短路故障，旋轉(zhuǎn)整流器故障可分為單管故障及雙管故障等。同時要對可測的故障信號進行選取，最常用的一般為主發(fā)電機勵磁電流信號、主發(fā)電機三相輸出電壓信號及發(fā)電機的機械振動信號。

2.信號采集

通過電流傳感器、電壓傳感器、振動傳感器及數(shù)據(jù)采集卡等設(shè)備采集航空發(fā)電機在各種狀態(tài)(包括正常和各種典型故障)下的主發(fā)電機勵磁電流信號、主發(fā)電機三相輸出電壓信號及振動信號，并導(dǎo)入計算機中進行存儲，形成原始的采樣數(shù)據(jù)。

3.數(shù)據(jù)預(yù)處理

將所采集到的三種信號分別進行截取，所截取的數(shù)據(jù)片段長度均為k/3(k為可設(shè)定值，代表信號的數(shù)據(jù)長度)。將每種故障模式下對應(yīng)的三種信號片段放入同一向量中，組成數(shù)據(jù)長度為k的樣本，然后進行歸一化處理以消除量綱。再將歸一化后的樣本分為訓(xùn)練樣本集和測試樣本集，以向量的形式存儲到矩陣中，分別用于深度置信網(wǎng)絡(luò)的訓(xùn)練和測試。歸一化數(shù)學(xué)表達式為：

其中，l為樣本個數(shù)，為歸一化后的樣本集，為樣本集x的第g個樣本，xg為歸一化前的第g個樣本，xmean表示x的均值，xstd表示x的標準差。

4.深度置信網(wǎng)絡(luò)訓(xùn)練，具體步驟如下：

(1)初始化深度置信網(wǎng)絡(luò)。深度置信網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，設(shè)定深度置信網(wǎng)絡(luò)的隱含層數(shù)、最大迭代次數(shù)、每一級的神經(jīng)元個數(shù)與權(quán)值及偏置的取值區(qū)間，激活函數(shù)選取sigmoid函數(shù)。sigmoid函數(shù)的數(shù)學(xué)表達式f(z)為：

其中，z為sigmoid函數(shù)自變量，即每個結(jié)點對應(yīng)的輸入向量，e為自然常數(shù)。

(2)初始化網(wǎng)絡(luò)權(quán)值及偏置。在深度置信網(wǎng)絡(luò)構(gòu)架中，定義能量狀態(tài)(h^k-1,h^k)和模型參數(shù)θ＝(ω,p,q)：

其中，ω為權(quán)值向量，p,q為偏置向量。是隱藏層h^k-1中第i個單元和隱藏層h^k中第j個單元之間的連接權(quán)值，y為隱藏層h^k-1中的結(jié)點總數(shù)，z為隱藏層h^k中的結(jié)點總數(shù)，n為隱藏層總層數(shù)。pi為隱藏層h^k-1中的第i個偏置，qj為隱藏層h^k中的第j個偏置，d^k為第k層的結(jié)點個數(shù)，dk-1為第k-1層的結(jié)點個數(shù)，θ為模型參數(shù)，為隱藏層h^k中第j個單元，為隱藏層h^k-1中第i個單元。

(2.1)在取值區(qū)間內(nèi)隨機生成初始模型參數(shù)θ＝(ω,p,q)。

(2.2)使用反向集θ^*＝(ω^*,p^*,q^*)，其中：θ^*為反向集模型參數(shù)，ω^*為反向集權(quán)值向量，p^*,q^*為反向集偏置向量，模型參數(shù)的反向集表達式為：

其中ωij∈[aω,bω]，aω、bω分別為權(quán)值ω取值區(qū)間內(nèi)的最小值與最大值；

pi∈[ap,bp]，ap、bp分別為偏置p取值區(qū)間內(nèi)的最小值與最大值；qj∈[aq,bq]，aq、bq分別為偏置q取值區(qū)間內(nèi)的最小值與最大值，為前一隱藏層中第i個單元與后一隱藏層中第j個單元之間的連接權(quán)值的反向，為前一隱藏層中第i個偏置的反向，為后一隱藏層中第j個偏置的反向。

(2.3)將該隱層輸入值與輸出值之差作為適應(yīng)度評價函數(shù)，比較初始模型參數(shù)及其反向集，選擇適應(yīng)度高的前1/2個值組成最終的初始化權(quán)值及偏置。

(3)利用gwo算法逐層訓(xùn)練深度置信網(wǎng)絡(luò)，其中，gwo算法的個體跟蹤機制如圖3所示。步驟如下：

(3.1)每層訓(xùn)練開始時確定初始狼群的規(guī)模、最大迭代次數(shù)，并用反向?qū)W習(xí)策略尋優(yōu)得到的最優(yōu)權(quán)值和偏置初始化深度置信網(wǎng)絡(luò)，得到初始化狼群。

(3.2)選取適應(yīng)度最好的前三組初始權(quán)值及偏置作為灰狼α、β、δ，狼群中其他個體為ω。α為頂端頭狼；β為α的接替者，當(dāng)狼群缺失α?xí)rβ將會接替α的位置；δ聽從α與β的指令，適應(yīng)度降低的α與β也會降為δ級別；最底層的ω負責(zé)平衡種群內(nèi)部關(guān)系?；依莻€體與目標之間的距離：

d＝|c·xp(t)-x(t)|(7)

其中t為當(dāng)前迭代次數(shù)，xp為目標位置，xp(t)表示迭代次數(shù)為t時目標的位置，x(t)表示迭代次數(shù)為t時種群中灰狼個體的位置，自適應(yīng)向量c＝2r1，r1為[0,1]之間的隨機數(shù)。

x(t+1)＝xp(t)-a·d(8)

a＝2a·r2-a(9)

a＝2-2(t/tmax)(10)

式中a為隨機向量，a為收斂因子，r2為[0,1]之間的隨機數(shù)，tmax為最大迭代次數(shù)，收斂因子a隨迭代次數(shù)的增加從2線性遞減到0，x(t+1)為迭代次數(shù)為t+1時種群中灰狼個體的位置。

(3.3)頭狼α帶領(lǐng)β與δ指導(dǎo)狼群中其他個體(ω)向目標搜索，首先利用α、β、δ的位置判斷目標的大致位置，逐漸逼近目標，數(shù)學(xué)描述如下，dα、dβ、dδ分別為α、β、δ個體與目標之間的距離：

xα表示α當(dāng)前的位置，xβ表示β當(dāng)前的位置，xδ表示δ當(dāng)前的位置，c1、c2、c3表示三個自適應(yīng)向量，x(t)表示迭代次數(shù)為t時種群中灰狼個體的位置。

ω狼朝向α、β、δ前進的步長和方向為：

其中：a1、a2、a3為三個隨機向量，x1為ω狼朝向α前進的向量表示，x2為ω狼朝向β前進的向量表示，x3為ω狼朝向δ前進的向量表示，ω狼的最終位置為：

x(t+1)＝(x1+x2+x3)/3(13)

(3.4)更新參數(shù)收斂因子a、隨機向量a及自適應(yīng)向量c。

(3.5)重復(fù)步驟(3.2)～(3.4)，直到達到最大迭代次數(shù)。

(3.6)輸出α狼的值作為最終的網(wǎng)絡(luò)權(quán)值及偏置，得到優(yōu)化后的oblgwo-dbn模型及其特征輸出，保存特征作為參考。

5.利用測試樣本集對優(yōu)化后的深度置信網(wǎng)絡(luò)進行性能評估。將測試樣本集輸入oblgwo-dbn中計算輸出特征，將這些特征與參考特征進行比較，利用歐氏距離方法，判別測試樣本屬于發(fā)電機的何種狀態(tài)，并計算故障診斷正確率。

其中acc為故障診斷正確率，ncor為測試樣本集中診斷正確的測試樣本個數(shù)，ntot為測試樣本集中的樣本總數(shù)。