謝川（空軍工程大學(xué)航空航天工程學(xué)院，陜西西安　710038）

?

基于深度學(xué)習(xí)的發(fā)電機(jī)故障挖掘方法研究

謝川
（空軍工程大學(xué)航空航天工程學(xué)院，陜西西安710038）

摘要：發(fā)電機(jī)工作環(huán)境復(fù)雜，發(fā)電機(jī)的渦輪葉片在燃燒的氣體作用下高速轉(zhuǎn)動(dòng)，電機(jī)本身容易產(chǎn)生故障。通過對(duì)發(fā)電機(jī)故障特征數(shù)據(jù)的挖掘，可實(shí)現(xiàn)故障診斷。傳統(tǒng)方法采用支持向量機(jī)SVM故障挖掘和分類算法，解決發(fā)電機(jī)故障檢測的穩(wěn)定性問題，但隨著故障特征的增加，故障特征相似性增強(qiáng)，挖掘性能下降。提出一種基于深度學(xué)習(xí)支持向量機(jī)的發(fā)電機(jī)故障挖掘算法。對(duì)發(fā)電機(jī)故障挖掘原理進(jìn)行描述，構(gòu)建故障數(shù)據(jù)挖掘模型，采用深度學(xué)習(xí)支持向量機(jī)對(duì)故障特征進(jìn)行數(shù)據(jù)分類處理，解決發(fā)電機(jī)故障數(shù)據(jù)的相似性干擾問題，提高了故障數(shù)據(jù)挖掘和分類性能，仿真實(shí)驗(yàn)表明，采用該算法進(jìn)行發(fā)電機(jī)故障挖掘，通過深度學(xué)習(xí)，對(duì)故障數(shù)據(jù)的特征分類性能較好，提高故障診斷能力。

關(guān)鍵詞：發(fā)電機(jī)；故障診斷；數(shù)據(jù)挖掘

發(fā)電機(jī)的零部件復(fù)雜，結(jié)構(gòu)精密，各部件配合協(xié)作才能保證發(fā)電機(jī)運(yùn)行。發(fā)電機(jī)是將柴油進(jìn)行高壓縮比的發(fā)電裝置，其工作溫度高，并且在燃燒的氣體作用下高速轉(zhuǎn)動(dòng)，發(fā)電機(jī)受到巨大的動(dòng)力沖擊以及多種內(nèi)力的作用，同時(shí)由于高溫燃?xì)獾淖饔孟?，發(fā)電機(jī)故障頻發(fā)，發(fā)電機(jī)的故障可能導(dǎo)致發(fā)電性能下降，導(dǎo)致電力中斷，因此需要研究一種有效的故障挖掘算法實(shí)現(xiàn)發(fā)電機(jī)故障的有效診斷[1-3]。

傳統(tǒng)方法中，主要采用支持向量機(jī)SVM（support vector machine）進(jìn)行故障診斷，它是由一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別方法，主要應(yīng)用于模式識(shí)別領(lǐng)域，它的最大優(yōu)勢在于解決小樣本問題[4]，目前仍處在不斷發(fā)展完善階段[5]。但是傳統(tǒng)的支持向量機(jī)SVM故障數(shù)據(jù)挖掘和分類算法無法解決發(fā)電機(jī)故障樣本較大，故障特征維數(shù)較多等情況下的故障挖掘問題，對(duì)此相關(guān)文獻(xiàn)進(jìn)行了改進(jìn)設(shè)計(jì)，對(duì)發(fā)電機(jī)故障檢測和挖掘的改進(jìn)方法主要有熱成像故障檢測技術(shù)、神經(jīng)網(wǎng)絡(luò)分類技術(shù)和FCM數(shù)據(jù)聚類方法等，其中熱成像故障檢測為常用的方法，采用紅外熱像儀進(jìn)行熱圖像的拍攝取樣，根據(jù)部件在工作中出現(xiàn)的“熱點(diǎn)”進(jìn)行故障檢測與判斷[6-10]，這種方式需要對(duì)圖像進(jìn)行一次采樣，然后進(jìn)行分析，對(duì)變化發(fā)展過程中的發(fā)電機(jī)渦輪葉片故障檢測比較困難，尤其是在高速轉(zhuǎn)動(dòng)過程中的發(fā)電機(jī)葉片齒輪的變化故障檢測較難。

對(duì)此，本文為了提高發(fā)電機(jī)故障的挖掘性能，實(shí)現(xiàn)準(zhǔn)確診斷，采用一種基于深度學(xué)習(xí)支持向量機(jī)的發(fā)電機(jī)故障挖掘算法，深度學(xué)習(xí)支持向量機(jī)（least squares support vector machine），而深度學(xué)習(xí)支持向量機(jī)本身是針對(duì)經(jīng)典的二分類問題提出的[11-13]，使用最小二乘方法對(duì)發(fā)電機(jī)故障信息進(jìn)行數(shù)據(jù)聚類和特征數(shù)據(jù)提取。本文首先對(duì)發(fā)電機(jī)故障挖掘原理進(jìn)行描述，構(gòu)建故障數(shù)據(jù)模型，采用深度學(xué)習(xí)支持向量機(jī)對(duì)故障特征進(jìn)行數(shù)據(jù)分類處理，提高了故障數(shù)據(jù)挖掘和分類性能，仿真實(shí)驗(yàn)進(jìn)行了性能驗(yàn)證，展示了本文算法在提高發(fā)電機(jī)故障挖掘和檢測性能方面的優(yōu)越性，得出了有效性結(jié)論。

1發(fā)電機(jī)故障數(shù)據(jù)挖掘模型的構(gòu)建

1.1發(fā)電機(jī)故障的描述和挖掘原理

發(fā)電機(jī)結(jié)構(gòu)復(fù)雜，屬于多發(fā)性故障的高技術(shù)機(jī)械產(chǎn)品，發(fā)電機(jī)故障檢測中，需要進(jìn)行故障特征挖掘，故障挖掘的根本是根據(jù)發(fā)電機(jī)故障數(shù)據(jù)特征，進(jìn)行發(fā)電機(jī)故障的分類定位，這是最為關(guān)鍵的一步，發(fā)電機(jī)故障的特征量提取一般通過各種現(xiàn)代數(shù)據(jù)處理方法進(jìn)行，在故障特征挖掘的基礎(chǔ)上對(duì)發(fā)電機(jī)的工況進(jìn)行狀態(tài)識(shí)別，采用深度學(xué)習(xí)支持向量機(jī)進(jìn)行故障數(shù)據(jù)的分類和決策診斷，實(shí)現(xiàn)故障挖掘和診斷，發(fā)電機(jī)故障挖掘原理如圖1所示。

圖1發(fā)電機(jī)的故障挖掘和診斷原理結(jié)構(gòu)圖Fig. 1 Principle structure diagram of Generator fault data mining and diagnosis

1.2發(fā)電機(jī)故障特征值的提取

故障檢測過程主要是通過對(duì)發(fā)電機(jī)工作中的特定數(shù)據(jù)的檢測完成的，一旦發(fā)現(xiàn)對(duì)應(yīng)區(qū)域的數(shù)據(jù)異常，可以根據(jù)異常數(shù)據(jù)的類型，判斷發(fā)電機(jī)發(fā)生故障的位置。根據(jù)圖1給出的發(fā)電機(jī)故障挖掘模型，可見，先要進(jìn)行數(shù)據(jù)檢測，之后通過得到的發(fā)電機(jī)故障特征矢量軌跡提取發(fā)電機(jī)故障數(shù)據(jù)的特征值。首先需要進(jìn)行故障特征數(shù)據(jù)模型構(gòu)建。發(fā)電機(jī)故障特征數(shù)據(jù)提取流程如圖2所示。

圖2發(fā)電機(jī)故障特征數(shù)據(jù)提取流程Fig. 2 Generator fault feature signal extraction process

在式（1）中，由l代表發(fā)電機(jī)故障干擾數(shù)據(jù)幅度數(shù)，用Ep代表全部發(fā)電機(jī)故障數(shù)據(jù)，用yp（k）代表發(fā)電機(jī)故障的終止數(shù)據(jù)，用rp（k）代表初始數(shù)據(jù)，n、p、k為常數(shù)。

根據(jù)式（1），得到的發(fā)電機(jī)故障數(shù)據(jù)輸入量在陣元換能中進(jìn)行發(fā)電機(jī)故障特征值提取和故障相空間傅里葉變換，需要計(jì)算發(fā)電機(jī)故障特征的最優(yōu)分類平面。設(shè)置該問題的最優(yōu)解能夠用χ*進(jìn)行描述，同時(shí)利用貝塞爾函數(shù)的性質(zhì)可以得到發(fā)電機(jī)故障特征的最優(yōu)分類平面為：

發(fā)電機(jī)故障深度學(xué)習(xí)網(wǎng)絡(luò)包括維護(hù)檢修基地、供變電、通信數(shù)據(jù)、指揮控制中心等組成影響，得到故障數(shù)據(jù)的特征輸入量為：

式中：由Jm（t）代表的t時(shí)刻故障數(shù)據(jù)；fm為發(fā)電機(jī)故障數(shù)據(jù)逐步的縮小，且由η代表故障數(shù)據(jù)的初始時(shí)間。用fs代表發(fā)電機(jī)故障數(shù)據(jù)載頻，用φ代表故障數(shù)據(jù)輸入時(shí)的傾角；θ為故障數(shù)據(jù)的視線角；ψ為故障數(shù)據(jù)輸入時(shí)的初始角，用m代表故障數(shù)據(jù)間隔。

設(shè)置發(fā)電機(jī)故障特征分量z在半徑是T的區(qū)域中，則發(fā)電機(jī)故障特征的最優(yōu)分類平面應(yīng)該滿足下述條件：

針對(duì)上述結(jié)果進(jìn)行歸一化處理，得到發(fā)電機(jī)故障狀態(tài)下的振動(dòng)數(shù)據(jù){xn}Nn=1，將標(biāo)準(zhǔn)支持向量機(jī)算法中的二次規(guī)劃問題變?yōu)橐粋€(gè)線性方程來進(jìn)行求解，得到發(fā)電機(jī)故障數(shù)據(jù)的時(shí)間序列為：

有干擾和噪聲的情況下，發(fā)電機(jī)故障數(shù)據(jù)時(shí)間序列為{x（t0+iΔt）}，i=0，1，…，N－1，發(fā)電機(jī)故障特征矢量軌跡為：

式中：Δt為故障數(shù)據(jù)的采樣時(shí)間間隔，K=N－（m－1）J。

通過上述處理，結(jié)合發(fā)電機(jī)故障特征的最優(yōu)分類平面和發(fā)電機(jī)故障特征矢量軌跡，實(shí)現(xiàn)了發(fā)電機(jī)故障數(shù)據(jù)特征值的提取，如下式所示：

以此為數(shù)據(jù)為基礎(chǔ)故障數(shù)據(jù)進(jìn)行挖掘和發(fā)電機(jī)故障分類。

2基于深度學(xué)習(xí)的故障特征數(shù)據(jù)分類挖掘?qū)崿F(xiàn)

2.1問題描述和深度學(xué)習(xí)故障數(shù)據(jù)挖掘

在上述進(jìn)行故障特征值提取的基礎(chǔ)上，以此為樣本進(jìn)行數(shù)據(jù)分類學(xué)習(xí)，傳統(tǒng)方法采用支持向量機(jī)SVM故障挖掘和分類算法，解決小樣本故障問題時(shí)性能穩(wěn)定，但隨著故障特征樣本的增大，對(duì)故障數(shù)據(jù)特征的挖掘性能不好。為了克服傳統(tǒng)方法的弊端，本文提出一種基于深度學(xué)習(xí)支持向量機(jī)的發(fā)電機(jī)故障挖掘算法。深度學(xué)習(xí)支持向量機(jī)性能依賴于學(xué)習(xí)機(jī)的參數(shù)，即參數(shù)的選擇對(duì)深度學(xué)習(xí)支持向量機(jī)的預(yù)測效果有著較大的影響。

假設(shè)，在發(fā)電機(jī)故障特征值一定時(shí)，故障特征數(shù)據(jù)的干擾和時(shí)延的數(shù)據(jù)的可以分別表示為：

式中：v為故障數(shù)據(jù)指向性；u（t）為時(shí)間函數(shù)；ωC為發(fā)電機(jī)轉(zhuǎn)數(shù)（單位弧度/秒）。在對(duì)發(fā)電機(jī)故障檢測中，可以實(shí)現(xiàn)發(fā)電機(jī)故障自動(dòng)跟蹤、自動(dòng)調(diào)度和自動(dòng)排故，在OCC（控制中心）設(shè)中心計(jì)算機(jī)，實(shí)現(xiàn)統(tǒng)一指揮，分級(jí)控制，控制中心采集到的故障波動(dòng)數(shù)據(jù)的指向性增益為：

上述可見，發(fā)電機(jī)故障特征相關(guān)的數(shù)據(jù)量比較大，計(jì)算的復(fù)雜度比較高，無法對(duì)發(fā)電機(jī)故障征兆進(jìn)行及時(shí)的分類挖掘。因此，需要去除其中的冗余類似特征，從而降低計(jì)算復(fù)雜度。其簡化公式如下所述：

式中：對(duì)應(yīng)的發(fā)電機(jī)故障特征向量的數(shù)量能夠用q進(jìn)行描述，則上述簡化過程需要符合下述條件：

式中：φu為發(fā)電機(jī)故障特征分類相關(guān)性參數(shù)。發(fā)電機(jī)的高速轉(zhuǎn)動(dòng)部件的連續(xù)工作狀態(tài)數(shù)據(jù)采集，實(shí)現(xiàn)了動(dòng)態(tài)故障檢測，采用深度學(xué)習(xí)對(duì)發(fā)電機(jī)故障特征進(jìn)行數(shù)據(jù)分類，利用模糊約束能量分析方法建立發(fā)電機(jī)故障特征的支持向量機(jī)分析數(shù)學(xué)模型，在模糊集控制范圍內(nèi)，取sin θp=θp，cos θp=1，設(shè)定深度學(xué)習(xí)故障識(shí)別約束控制條件：

對(duì)于發(fā)電機(jī)來說，故障數(shù)據(jù)可以包括發(fā)電機(jī)的能耗、發(fā)電機(jī)的轉(zhuǎn)速、排溫等物理信息參量。因此，采用深度學(xué)習(xí)，對(duì)故障數(shù)據(jù)特征提取的簡化過程需要符合下述條件：

式中：φu為發(fā)電機(jī)故障特征相關(guān)性參數(shù)。假設(shè)發(fā)電機(jī)的有限數(shù)據(jù)集：

則通過如下公式得到故障數(shù)據(jù)挖掘發(fā)電機(jī)故障特征集：

2.2發(fā)電機(jī)故障分類挖掘機(jī)故障診斷實(shí)現(xiàn)

把發(fā)電機(jī)故障特征集合R分為c類，其中1＜c＜n，基于深度學(xué)習(xí)，結(jié)合支持向量機(jī)對(duì)發(fā)電機(jī)故障特征的模糊數(shù)據(jù)進(jìn)行挖掘，得到數(shù)據(jù)挖掘分類矩陣表示為：

故障數(shù)據(jù)的分類目標(biāo)函數(shù)為：

式中：m為局部的極值；（dik）2為發(fā)電機(jī)故障振動(dòng)數(shù)據(jù)樣本xk與Vi的測度距離，用歐式距離表示，為：

按照差分進(jìn)化描述發(fā)電機(jī)故障數(shù)據(jù)殘差數(shù)據(jù)的波動(dòng)，載入到學(xué)習(xí)機(jī)個(gè)體中的擾動(dòng)變量中，得到故障特征數(shù)據(jù)分類的類間間隔誤差：

上述函數(shù)描述了故障挖掘過程中的局部奇異特征，提取的發(fā)電機(jī)故障樣本數(shù)據(jù)的均值作為特征量，均值為：

將故障數(shù)據(jù)模擬為一個(gè)調(diào)幅數(shù)據(jù)，在深度學(xué)習(xí)下發(fā)電機(jī)故障的波束指向性特征的約束函數(shù)：

式中：f（r）

s為發(fā)電機(jī)在故障挖掘波束指向性特征二項(xiàng)式的系數(shù)，每個(gè)故障特征量對(duì)應(yīng)的若干樣本數(shù)據(jù)其中，fs∈Tq，fm∈{－1，1}。

通過上述方法實(shí)現(xiàn)對(duì)發(fā)電機(jī)故障特征數(shù)據(jù)的識(shí)別，如下式所示:

由于深度學(xué)習(xí)支持向量機(jī)使用最小二乘方法對(duì)發(fā)電機(jī)故障信息進(jìn)行數(shù)據(jù)聚類和故障特征數(shù)據(jù)提取，因此能夠縮短計(jì)算時(shí)間，同時(shí)也保持了良好的回歸性能和收斂性能，提高發(fā)電機(jī)故障挖掘和識(shí)別性能。

3仿真實(shí)驗(yàn)與結(jié)果分析

為了測試本文算法在實(shí)現(xiàn)發(fā)電機(jī)故障挖掘和檢測中的性能，進(jìn)行仿真實(shí)驗(yàn)。使用Intel i5-3230M 2.6 GHz雙核CPU，4GB DDR3 RAM搭建仿真實(shí)驗(yàn)的硬件平臺(tái)。采用Matlab進(jìn)行數(shù)據(jù)仿真，發(fā)電機(jī)系統(tǒng)故障分為四類典型故障，分別為軸承磨損故障、喘振故障、電力輸出故障和進(jìn)油故障，各個(gè)故障類別采用1024組數(shù)據(jù)進(jìn)行故障數(shù)據(jù)原始模型構(gòu)建。發(fā)電機(jī)故障檢測的發(fā)射聲波頻率為6 MHz，波束分辨率為0.4度。進(jìn)行故障特征數(shù)據(jù)采集，采集時(shí)長100 s，采集間隔時(shí)間為0.5 s。首先構(gòu)建故障監(jiān)測數(shù)據(jù)的數(shù)據(jù)模型，得到原始的故障監(jiān)測數(shù)據(jù)數(shù)據(jù)時(shí)域波形如圖3所示。

圖3原始發(fā)電機(jī)故障數(shù)據(jù)采集數(shù)據(jù)時(shí)域波形Fig. 3 Time domain waveform of the fault data acquisition signal of the original generator

在圖3所示的構(gòu)建的發(fā)電機(jī)故障監(jiān)測數(shù)據(jù)系統(tǒng)模型中，發(fā)電機(jī)故障監(jiān)測數(shù)據(jù)以信息流的形式進(jìn)行在信道中進(jìn)行傳輸，為了實(shí)現(xiàn)對(duì)故障監(jiān)測數(shù)據(jù)的分類和挖掘，采用本文改進(jìn)的深度學(xué)習(xí)算法對(duì)發(fā)電機(jī)故障特征數(shù)據(jù)進(jìn)行特征提取，得到仿真結(jié)果如圖3所示。采用本文算法能有效地實(shí)現(xiàn)對(duì)發(fā)電機(jī)故障監(jiān)測數(shù)據(jù)的特征特征提取和數(shù)據(jù)恢復(fù)，能準(zhǔn)確的實(shí)現(xiàn)對(duì)故障數(shù)據(jù)的和恢復(fù)跟蹤，提高對(duì)發(fā)電機(jī)故障異常數(shù)據(jù)的檢測性能。

以此為基礎(chǔ)，采用本文算法和傳統(tǒng)方法進(jìn)行故障挖掘，得到故障特征信息分類挖掘結(jié)果如圖5所示。采用本文算法，通過深度學(xué)習(xí)，對(duì)故障數(shù)據(jù)的特征分類性能較好，提高故障診斷能力，性能優(yōu)越于傳統(tǒng)方法。

通過上發(fā)電機(jī)故障特征數(shù)據(jù)分類挖掘結(jié)果可知，采用不同挖掘方法故障識(shí)別率和挖掘準(zhǔn)確度都不同，結(jié)果如圖6、圖7所示。

由圖6、圖7可知，采用改進(jìn)算法的故障識(shí)別率和檢測準(zhǔn)確率均高于傳統(tǒng)算法，說明采用改進(jìn)算法進(jìn)行發(fā)電機(jī)故障挖掘能夠保證挖掘的準(zhǔn)確性，減小挖掘誤差。

圖4發(fā)電機(jī)故障挖掘數(shù)據(jù)特征提取仿真結(jié)果Fig. 4 Simulation results of the data feature extraction of the generator fault data

圖5故障特征數(shù)據(jù)分類挖掘結(jié)果Fig. 5 The fault feature data classification mining results

最后，采用深度學(xué)習(xí)支持向量機(jī)對(duì)一定范圍內(nèi)的挖掘故障數(shù)據(jù)進(jìn)行特征分類，實(shí)現(xiàn)3種故障類別分類診斷，得到結(jié)果如圖8所示。采用本文方法，能準(zhǔn)確實(shí)現(xiàn)對(duì)3種故障類別的準(zhǔn)確分類和判斷，誤分率為0，診斷性能優(yōu)越。

圖6不同方法故障識(shí)別率對(duì)比Fig. 6 Different methods for fault recognition rate

圖7不同算法的故障挖掘準(zhǔn)確率對(duì)比Fig. 7 Comparison of the fault mining accuracy of different algorithms

圖8故障診斷結(jié)果Fig. 8 Fault diagnosis results

4　結(jié)論

為了提高發(fā)電機(jī)故障的挖掘性能，實(shí)現(xiàn)準(zhǔn)確診斷，采用一種基于深度學(xué)習(xí)支持向量機(jī)的發(fā)電機(jī)故障挖掘算法，首先對(duì)發(fā)電機(jī)故障挖掘原理進(jìn)行描述，構(gòu)建故障數(shù)據(jù)模型，采用深度學(xué)習(xí)支持向量機(jī)對(duì)故障特征進(jìn)行數(shù)據(jù)分類處理，提高了故障數(shù)據(jù)挖掘和分類性能，仿真實(shí)驗(yàn)進(jìn)行了性能驗(yàn)證，得出采用本文算法能實(shí)現(xiàn)對(duì)發(fā)電機(jī)3種故障類別分類診斷，故障數(shù)據(jù)挖掘和檢測準(zhǔn)確性極高。

參考文獻(xiàn)

[1]羅潔思，于德介，彭富強(qiáng).齒輪箱故障振動(dòng)數(shù)據(jù)的階比多尺度形態(tài)學(xué)解調(diào)[J].機(jī)械工程學(xué)報(bào)，2010，46（11）: 114-120. LUO Jiesi，YU Dejie，PENG Fuqiang. Gear box fault vibration data demodulation order than multi-scale morphology[J]. Journal of Mechanical Engineering，2010，46 （11）: 114-120（in Chinese）.

[2]張恒云，蘇永旭.基于遺傳算法的齒輪傳動(dòng)優(yōu)化設(shè)計(jì)[J].科技通報(bào)，2012，12（28）: 93-96. ZHANG Hengyun，SU Yongxu. Gear transmission optimization design based on genetic algorithm[J]. Report of ScienceandTechnology，2012，12（28）: 93-96（in Chinese）.

[3]陳濤濤，李占朝，馬宏忠.基于電刷電流的雙饋異步發(fā)電機(jī)滑環(huán)裝置故障診斷新方法研究[J].陜西電力，2015，43（11）: 84-90. CHEN Taotao，LI Zhanchao，MA Hongzhong. New fault diagnosis method for slip ring device of double-fed induction generator based on brush current[J]. Shaanxi Electric Power，2015，43（11）: 84-90（in Chinese）.

[4]邱世卉.小波神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應(yīng)用研究[J].科學(xué)技術(shù)與工程，2012，12（30）: 8042-8046. QIU Shihui. Wavelet neural network in the application of analog circuit fault diagnosis research[J]. Science Technology and Engineering，2012，12（30）: 8042-8046（in Chinese）.

[5]李陽，朱宗勝.基于改進(jìn)人工免疫和神經(jīng)網(wǎng)絡(luò)的發(fā)電機(jī)故障診斷[J].計(jì)算機(jī)測量與控制，2013，21（8）: 2080-2086. LI Yang，ZHU Zongsheng. Based on the improved artificial immune system and neural network fault diagnosis of generator[J]. The Computer Measurement and Control，2013，21（8）: 2080-2086（in Chinese）.

[6]黃澤霞，俞攸紅，黃德才.慣性權(quán)自適應(yīng)調(diào)整的量子粒子群優(yōu)化算法[J].上海交通大學(xué)學(xué)報(bào)，2012，46（2）: 228-232. HUANG Zexia，YU Youhong，HUANG Decai. Adaptive inertia weight adjustment of quantum particle swarm optimization algorithm[J]. Shanghai Journal of Jiaotong University，2012，46（2）: 228-232（in Chinese）.

[7]方緒文. 660 MW機(jī)組SCR氨噴射系統(tǒng)故障排除及調(diào)整[J].節(jié)能技術(shù)，2015，33（6）: 562-566. FANG Xuwen. Based on the neighbor spread and the integration of the density evolution data stream clustering algorithm[J]. Energy Conservation Technology，2015，33 （6）: 562-566（in Chinese）.

[8]付主木，曹晶，王曉紅.具有末端落角約束的空地導(dǎo)彈滑模變結(jié)構(gòu)制導(dǎo)律設(shè)計(jì)[J].信息與控制，2015，44（3）: 291-297. FU Zhumu，CAO Jing，WANG Xiaohong. Space missile with terminal fall angle constraints sliding-mode variable structure guidance law is designed[J]. Information and Control，2015，44（3）: 291-297（in Chinese）.

[9]朱琳，劉曉東，朱參世.基于衰減滑動(dòng)窗口數(shù)據(jù)流聚類算法研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2012，33（7）: 2659-2662. ZHU Lin，LIU Xiaodong，ZHU Canshi. Based on the attenuation of sliding window data stream clustering algorithms[J]. Computer Engineering and Design，2012，33（7）: 2659-2662（in Chinese）.

[10]仝兆景，石秀華，許暉，等.基于貝葉斯網(wǎng)絡(luò)的發(fā)電機(jī)故障診斷研究[J].計(jì)算機(jī)測量與控制，2013，21（5）: 1118-1125. TONG Zhaojing，SHI Xiuhua，XU Hui. Generator fault diagnosis based on bayesian network research[J]. The Computer Measurement and Control，2013，21（5）: 1118-1125（in Chinese）.

[11]馬建峰，李文峰.水輪發(fā)電機(jī)功率擺動(dòng)的分析和處理[J].西北水電，2015（1）: 69-72. MA Jianfeng，LI Wenfeng. The analysis of the hydraulic generator power swing and processing[J]. Northwest Hydroelectric，2015（1）: 69-72（in Chinese）.

[12]陳虎，孟克其勞，馬建光.基于MATLB的風(fēng)電發(fā)電機(jī)組建和仿真研究[J].節(jié)能技術(shù)，2012，1（30）: 24-28. CHEN Hu，MENG Keqilao，MA Jianguang. The wind power generator based on MATLB form and simulation research[J]. Energy Saving Technology，2012，1（30）: 24-28（in Chinese）.

[13]朱俊飛，孫麗杰，鄒建林，等.發(fā)電機(jī)參數(shù)關(guān)聯(lián)性識(shí)別及多解現(xiàn)象的驗(yàn)證[J].陜西電力，2015，43（5）: 10-13. ZHU Junfei，SUN Lijie，ZOU Jianlin，et al. Generator parameter correlation recognition and the phenomenon of multiple solution validation[J]. Shaanxi Power，2015，43 （5）: 10-13（in Chinese）.

謝川（1974—），男，博士，副教授，研究方向?yàn)轱w行數(shù)據(jù)智能處理，檢測技術(shù)教學(xué)與科研。

（編輯徐花榮）

Fund Project:Shaanxi Natural Science Fund the Failure of Lead-Free Solder Joints under the Effect of Several Coupling Behavior and Life Prediction Method（2015JM6345）.

Research on Method of Generator Fault Mining Based on Deep Learning

XIE Chuan
（College of Aeronautics and Astronautics Engineering，Air Force Engineering University，Xi’an 710038，Shaanxi，China）

ABSTRACT：The working environment of the generator is very complex，and the high-speed rotation of the turbine blade of the generator under the effect of of the combustion，thus the motor itself is prone to failure. Through mining the generator fault data，fault diagnosis can be achieved. The traditional method uses the support vector machine SVM fault mining and classification algorithm to solve the problem of stability of the generator fault detection，but with increase of fault characteristics and enhancement of the characteristics similarities，the mining performance declines. In this paper，a generator fault mining algorithm is proposed based on deep learning support vector machine（SVM）. The principle of fault mining of the generator is described and the mining model is established and the deep learning support vector machine（SVM）is used to classify the fault characteristics and the similarity interference of the generator’s fault is addressed and the fault data mining and classification performance are improved. The simulation experiments show that the algorithm adopted in the paper can improve the generator fault mining through deep learning，therefore the fault data classification performance is enhanced and the fault diagnosis capability is raised.

KEY WORDS：generator；fault diagnosis；data mining

作者簡介：

收稿日期：2015-08-01。

基金項(xiàng)目：陜西自然科學(xué)基金，無鉛焊點(diǎn)在多場耦合作用下的失效行為及壽命預(yù)測方法（2015JM6345）。

文章編號(hào)：1674- 3814（2016）02- 0008- 06

中圖分類號(hào)：TH165.3

文獻(xiàn)標(biāo)志碼：A