改進的Adaboost方法及其在水電站設備故障檢測中的應用

陳 濤，張華飛，衣傳寶，孫成勛，高 陽，徐華雷

(1.國網吉林省電力有限公司電力科學研究院，吉林長春130021; 2.國網新源控股有限公司，北京100761)

水電站作為一種可持續(xù)能源，在發(fā)達國家中占有很高的地位。近年由于水電站的不斷發(fā)展，水電站的安全問題也隨之暴露出來。國內外現今對水電站設備故障的檢測，其研究內容較為單一，比如只針對水輪機機組和發(fā)電機組等設備進行故障診斷，而且故障信息的判斷主要以振動信號為主[1- 4]。因為設備的振動信號中含有許多不穩(wěn)定因素，影響了分析結果的準確性。所以信號提取需要借助諧波小波分析等方法進行信號除噪，這是一個復雜且繁瑣的過程。

現今國內水電站對設備故障的檢測主要采用人工巡檢，水電站內部環(huán)境復雜，運行人員進行一次完整的巡檢大約需要2個小時。因為需要檢查的設備過多，種類繁雜，涉及的區(qū)域很廣，所以會導致巡檢的效率很低，很多地方會被疏忽而沒有仔細檢查或者漏檢。一旦某些設備出現問題，故障會很難被及時發(fā)現或者排除，最終會威脅到工作人員的安全。

1 方案設計

水電站噪聲由水電站設備運作時產生，當設備發(fā)生故障時，其產生的噪聲強度也會發(fā)生變化[5]，因此水電站設備是否正常運作與其產生的噪聲強度有著緊密的關系。針對噪聲信號，設計方案步驟如下：

1.1 利用噪聲傳感器收集信息

通過熟悉運行人員的巡檢路線，將水電站分為多個重要區(qū)域，并在不同區(qū)域中的主要設備旁安裝噪聲傳感器，傳感器會把監(jiān)測到的噪聲信號(即噪聲數據)傳送到服務器的數據庫中，并儲存起來[6，7]。通常情況下，水電站設備主要通過人為檢測，而面對運行人員檢測時間過長，檢測效率過低等問題，利用噪聲信息代替運行人員在整個巡檢中捕捉到的設備信息，這樣不僅節(jié)省人力與時間，而且信息的正確性也得到保證。

1.2 分類器模型的創(chuàng)建

水電站的設備種類繁雜，會導致收集的數據量巨大，不能逐個判別。利用改進的Adaboost方法創(chuàng)建分類器模型，對不同工況下的噪聲樣本進行分類處理，最后只將分類結果錯誤的樣本提取出來，進行故障判別，從而大大減少了工作量。

1.3 利用分類器進行故障判別

(1)當P≤20%時，說明噪聲異常值是由測量誤差產生，無需進行設備檢查，設備運行正常；

激勵是給學生最好的動力，老師在課堂教育時營造情境氛圍，用激勵的語言去指導學生，從而讓學生產生對體育學習的興趣。激勵教學就是要做到理性和感性相結合，學生在一種輕松的環(huán)境下學習，有嚴有松，既能鍛煉身體，又能培養(yǎng)自身的服從命令聽指揮的意識。在學生碰到一些狀況時，老師千萬不要用一些嘲笑不友好的態(tài)度對待學生，要曉之以理，動之以情，幫助學生解決狀況，尊重學生，讓學生在激勵的語言下取得更大的進步。

(2)當20%

(3)當P>50%時，設備很大可能性出現故障，發(fā)出故障信號，通過i，j確定故障位置，及時檢修。

(4)完善分類器模型

將分類結果正確的噪聲樣本添加到數據庫中，利用更新后的數據訓練一個新的分類器模型，通過數據的添加與更新，不斷完善分類器模型，從而提高模型的精確度。

2 Adaboost算法介紹和改進

Adaboost是一種常用的分類算法，其中心思想是通過訓練，將弱分類器組合成強分類器，弱分類器的學習方法有很多，如神經網絡，SVM，CART等[8，9]。

在水電站故障檢測方案中，分類器模型是檢測方案的核心步驟，所以要求分類器的精確度很高，這樣才能保證檢測的準確性。本文對Adaboost方法進行了改進，用該方法得到的分類器模型具有很高的正確率，使其在檢測中發(fā)揮更大的作用。

2.1 樣本集初始權重的重新分配

2.2 利用熵權法優(yōu)化弱分類器系數

本文利用熵權法[13-15]，通過熵權對Adaboost方法的弱分類器系數進行修正，從而得到更加精準的弱分類器權重，提高強分類器的正確率，進而提高水電站的故障檢測效率。改進步驟共分5步。

2.2.1 確定原始指標水平矩陣

2.2.2 計算弱分類器的信息熵

第L個指標的信息熵為

2.2.3 計算弱分類器的熵權

2.2.4 修正弱分類器系數

2.2.5 構建強分類器

3 方案實施

表2 改進的Adaboost方法和普通Adaboost方法正確率對比

3.1 數據收集

為了證明方案的可行性，我們對湖南某水電站噪聲進行了實地測量，收集到了樣本數據。通過對該水電站運作流程的了解，本文將運行人員主要巡檢的作業(yè)場所分為四個區(qū)域，分別為：發(fā)電機層、母線層、主變洞和水輪機層。在水電站運行正常時，在發(fā)電、備用兩種工況下分別對四個區(qū)域，不同地點所產生的噪聲值進行檢測，得到近500個數據樣。

3.2 利用改進的Adaboost方法創(chuàng)建分類器模型

將樣本集分為兩部分，其中測試樣本64個，其余為訓練樣本。利用改進的Adaboost算法對訓練樣本進行訓練，其中弱分類器的學習方法采用分類回歸樹[16，17]，最大迭代次數為100次。最終獲得的強分類器需對測試樣本進行分類，改進的Adaboost算法的正確率達到89.1%，錯誤率上限為8.46×e-71<1.87×e-20，說明分類器符合錯誤率標準。

3.3 方法對比

利用改進的Adaboost方法與BP神經網絡[18，19]和簡單貝葉斯算法[20，21]等學習方法進行結果對比，結果如表1所示。

表1 不同學習方法的對比結果表

對比結果表明改進的Adaboost方法的錯誤率最小，相比其它算法具有很大的優(yōu)勢。改進的Adaboost方法和普通Adaboost方法對27個測試樣本分類結果正確率的比較如表2所示。

在兩種算法的結果中，正確率大于0.5，代表樣本被正確分類，而正確率小于0.5，則樣本被錯誤分類。表2結果顯示，在分類正確的樣本中，改進的Adaboost方法比普通Adaboost方法的正確率有明顯提高，進而加強驗證了其為正常樣本，而對分類錯誤的樣本，正確率明顯降低，加強驗證了其為異常樣本。對比結果表明改進的Adaboost方法比普通Adaboost方法精確度更優(yōu)，平均正確率提高了0.3%，提高了對水電站故障檢測的正確率。

3.4 結果評價與分析

提取誤差樣本與各區(qū)域的噪聲分布進行比對，分類錯誤的噪聲樣本及異常位置如表3所示。

誤差樣本與不同區(qū)域噪聲強度分布區(qū)間數據進行對比，很快就可以發(fā)現噪聲異常位置。根據表3結果顯示，有4個測量位置的個別噪聲值存在異常，其中水輪機層1號機有2個噪聲值存在異常、主變洞2號室1個、水輪機層2號機3個和水輪機層4號機2個。在測試樣本中每個測量位置均測得16個數據，根據式(2)，故障發(fā)生概率P分別為12.5%、6.25%、18.75%、12.5%，P均小于20%，說明噪聲異常值是由測量誤差所產生的，所有檢測設備運行正常，檢測結果符合實際情況。此方案可代替人工巡檢，進而更快的得到檢測結果，發(fā)現故障位置。

表3 分類錯誤的噪聲樣本及異常位置表

4 結 論

水電站環(huán)境安全是近年來研究的一個熱點話題，本文利用噪聲來檢測設備故障，應用改進的Adaboost方法提高檢測的正確率。當水電站設備發(fā)生故障時，此方案可縮小設備故障區(qū)域，進而更快的發(fā)現和排除問題，從而提高了工作人員的安全保障，減少經濟損失。同時，此套方案也存在著某些問題，如噪聲的相互干擾和對測量誤差的解決方法等，這也是今后的研究重點。

[1] 盧娜. 基于多小波的水電機組振動特征提取及故障診斷方法的研究[D]. 武漢: 武漢大學, 2014．

[2] 梁興. 耦合故障對水電機組轉子動力特性的影響分析[J]. 水電能源科學, 2014, 32(11): 155-157．

[3] 肖劍. 水電機組狀態(tài)評估及智能診斷方法研究[D]. 長沙: 華中科技大學, 2014．

[4] DAI Feng, LI Biao, XU Nuwen, et al. Microseismic early warning of surrounding rock mass deformation in the underground powerhouse of the Houziyan Hydropower Station, China[J]. Tunnelling and Underground Space Technology, 2017, 62: 64- 74．

[5] 管爭榮. 減速機振動和噪聲分析與譜診斷方法的研究[D]. 西安: 西安建筑科技大學, 2008．

[6] 焦新泉, 李功, 侯卓, 等. 基于電容式噪聲傳感器的信號調理電路設計[J]. 火力與指揮控制, 2016, 41(10): 159- 162.

[7] XIAO Kejiang, WANG Rui, FU Tun, et al. Divide-and-conquer architecture based collaborative sensing for target monitoring in wireless sensor networks[J]. Information Fusion, 2017, 36: 162- 171．

[8] 曹瑩, 苗起廣, 劉家辰, 等. AdaBoost算法研究進展與展望[J]. 自動化學報, 2013, 39(6): 745- 758．

[9] SUN Jie, FUJITA Hamido, CEN Peng, et al. Dynamic financial distress prediction with concept drift based on time weighting combined with Adaboost support vector machine ensemble[J]. Knowledge-Based Systems, 2016, 120: 1- 11．

[10] 李闖, 丁曉青, 吳佑壽. 一種改進的AdaBoost算法-AD AdaBoost[N]. 計算機學報, 2007, 30(1): 103- 109．

[11] 徐海龍, 別曉峰, 馮卉, 等. 一種基于QBC的SVM主動學習算法[J]. 系統(tǒng)工程與電子技, 2015, 37(12): 2865- 2871．

[12] LEE W, JUN C H, LEE J S. Instance categorization by support vector machines to adjust weights in AdaBoost for imbalanced data classification[J]. Information Sciences, 2017, 381: 92- 103．

[13] 邱陸旸, 張麗萍, 陸芳春, 等. 基于熵權法的林下土壤抗腐蝕性評價及影響因素分析[J].水土保持學報, 2016, 30(4): 74- 79．

[14] DUAN Y, MU Hailin, LI Nan, et al. Research on comprehensive evaluation of low carbon economy development level based on AHP-Entropy method: a case study of Dalian[J]. Energy Procedia, 2016, 104: 468- 474．

[15] HAFEZALKOTOB A, HAFEZALKOTOB A. Extended MULTIMOORA method based on Shannon entropy weight for materials selection[J]. Journal of Industrial Engineering International, 2016, 12(1): 1- 13．

[16] D’AMBROSIO A, ARIA M, IORIO C, et al. Regression trees for multivalued numerical response variables[J]. Expert Systems with Applications, 2017, 69: 21- 28．

[17] ZHAO Yannan, LI Yuan, ZHANG Lifen, et al. Groundwater level prediction of landslide based on classification and regression tree[J]. Geodesy and Geodynamics, 2016, 7(5): 348- 355．

[18] 袁鑄, 申一歌. 農業(yè)機器人軌跡優(yōu)化自動控制研究-基于BP神經網絡與計算力矩[J]. 農業(yè)化研究, 2017, (6): 34- 37.

[19] YE Sun. RMB Exchange rate forecast approach based on BP neural network[J]. Physics Procedia, 2012, 33: 287- 293．

[20] 王建新, 王柏人, 曲鳴, 等. 基于樸素貝葉斯分類器的硬件木馬檢測方法[J]. 計算機應用研究, 2017, 34(10): 1- 10．

[21] SHEN Shiwen, HAN S X, PETOUSIS P, et al. A Bayesian model for estimating multi-state disease progression[J]. Computers in Biology and Medicine, 2017, 81: 111- 120．