基于維度融合與SSA-LSTM的機(jī)翼結(jié)冰檢測(cè)*

聶福印， 李 強(qiáng)， 黃秋鳳， 黃玲琳

(西南科技大學(xué) 信息工程學(xué)院，四川 綿陽(yáng) 621010)

0 引 言

在我國(guó)冬季，在環(huán)境溫度和地域特性的雙重影響下，正常作業(yè)的風(fēng)電機(jī)機(jī)翼葉片容易產(chǎn)生覆冰現(xiàn)象[1]。一方面,機(jī)翼結(jié)冰會(huì)加重風(fēng)機(jī)作業(yè)負(fù)荷，降低產(chǎn)能效率，縮短使用壽命；另一方面，高空覆冰滑落給地面設(shè)備和工作人員帶來(lái)嚴(yán)重安全隱患[2]。

目前針對(duì)風(fēng)電機(jī)組葉片的研究主要包括機(jī)翼除冰系統(tǒng)設(shè)計(jì)和機(jī)翼結(jié)冰檢測(cè)兩方面。其中針對(duì)機(jī)翼結(jié)冰檢測(cè)研究相對(duì)較少，目前結(jié)冰檢測(cè)的主要手段大部分是通過(guò)比較風(fēng)機(jī)的實(shí)際功率與理論功率間的偏差值，當(dāng)功率偏差達(dá)到一定閾值后觸發(fā)報(bào)警傳感器[3]。然而真實(shí)運(yùn)行情況下，傳感器觸發(fā)報(bào)警時(shí)葉片往往產(chǎn)生大范圍覆冰現(xiàn)象。如何有效判斷葉片結(jié)冰的早期時(shí)刻，適時(shí)啟動(dòng)除冰系統(tǒng)成為時(shí)下面臨的一項(xiàng)嚴(yán)峻挑戰(zhàn)。文獻(xiàn)[4]基于圖像邊緣梯度和灰度值分割算法實(shí)現(xiàn)結(jié)冰檢測(cè)；文獻(xiàn)[5]基于光學(xué)攝像頭實(shí)時(shí)圖像傳導(dǎo)實(shí)現(xiàn)對(duì)葉片工況的監(jiān)控；文獻(xiàn)[6]通過(guò)對(duì)加速度傳感器獲取的信號(hào)進(jìn)行矢量分解判斷風(fēng)機(jī)葉片的工況狀態(tài)；文獻(xiàn)[7]使用基于隨機(jī)森林的特征消減和支持向量機(jī)融合模型方法訓(xùn)練結(jié)冰檢測(cè)模型；文獻(xiàn)[8]基于遺傳算法和支持向量機(jī)構(gòu)建結(jié)冰檢測(cè)模型。

為了挖掘數(shù)據(jù)的時(shí)序關(guān)聯(lián)性、降低特征冗余，本文提出一種基于維度融合優(yōu)化與長(zhǎng)短期記憶(long short-term memory,LSTM)網(wǎng)絡(luò)的機(jī)翼結(jié)冰檢測(cè)策略。針對(duì)網(wǎng)絡(luò)模型輸入層權(quán)值和隱含層偏差值需要人工經(jīng)驗(yàn)調(diào)優(yōu)的缺陷，引入改進(jìn)的麻雀搜索算法(sparrow search algorithm,SSA)優(yōu)化檢測(cè)模型。實(shí)驗(yàn)證明本文建立的機(jī)翼結(jié)冰檢測(cè)模型具有較高的預(yù)測(cè)精度和良好的泛化性能，能夠準(zhǔn)確實(shí)現(xiàn)結(jié)冰檢測(cè)。

1 理論與方法

1.1 遞歸特征消除

遞歸特征消除(recursive feature elimination，RFE)是通過(guò)遞歸循環(huán)搜索最優(yōu)解的貪心算法，在訓(xùn)練基本模型的過(guò)程中實(shí)現(xiàn)不同特征組合的多次學(xué)習(xí)[9]。單輪模型訓(xùn)練結(jié)束后會(huì)根據(jù)系數(shù)權(quán)重選擇特征，并將部分低權(quán)重特征移出特征集合，多次迭代訓(xùn)練，直到對(duì)所有特征實(shí)現(xiàn)遍歷篩選。

1.2 主成分分析

本文模型輸入?yún)?shù)間存在一定的相關(guān)性導(dǎo)致輸入信息冗余，冗余信息會(huì)增加計(jì)算復(fù)雜度并影響判決準(zhǔn)確率。本文選擇主成分分析(principal component analysis，PCA)消除輸入?yún)?shù)間的冗余信息[10]。

PCA的思想是通過(guò)特征變換求取相關(guān)系數(shù)矩陣，實(shí)現(xiàn)變量維度轉(zhuǎn)換，使用互不相關(guān)的新輸入?yún)?shù)代替原始輸入?yún)?shù)，在保留原有參數(shù)的全部信息前提下，實(shí)現(xiàn)原始輸入?yún)?shù)的降維。

1.3 LSTM網(wǎng)絡(luò)

LSTM網(wǎng)絡(luò)是深度學(xué)習(xí)中的經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)。LSTM通過(guò)權(quán)重參數(shù)傳導(dǎo)，將不同時(shí)間步下隱含層的權(quán)重矩陣以系數(shù)加權(quán)的方式向后傳遞，為后續(xù)時(shí)刻的模型學(xué)習(xí)做出貢獻(xiàn)[11]。借助記憶單元累加隱含層權(quán)重狀態(tài),通過(guò)輸入門、遺忘門和輸出門的協(xié)同工作，實(shí)現(xiàn)重要信息累加和冗余信息的遺棄。通過(guò)記憶單元和門限結(jié)構(gòu)的協(xié)同工作控制梯度變換范圍，有效避免梯度過(guò)快消失的問(wèn)題[12]，從而實(shí)現(xiàn)長(zhǎng)期記憶。

1.4 SSA及其改進(jìn)

SSA是一類模擬麻雀覓食并躲避捕食者行為的啟發(fā)式優(yōu)化算法。在SSA中，種群被劃分為發(fā)現(xiàn)者和追隨者，發(fā)現(xiàn)者負(fù)責(zé)在種群空間搜索食物，追隨者跟隨發(fā)現(xiàn)者對(duì)搜索空間展開搜索[13]。

SSA在迭代過(guò)程中容易陷入局部最優(yōu),為解決此問(wèn)題本文提出一種改進(jìn)的麻雀搜索算法(improved sparrow search algorithm，ISSA)，ISSA的主要改進(jìn)部分如下：

1)借用邏輯混沌算法優(yōu)化種群初始化，利用混沌偽隨機(jī)性、遍歷性的特點(diǎn)，更優(yōu)良地實(shí)現(xiàn)初期全局搜索。本文借助邏輯映射產(chǎn)生偽隨機(jī)序列，該策略數(shù)學(xué)表述如下

Z︰an+1=uan(1-an)

(1)

式中Z為一個(gè)混沌變量，u為控制參量，當(dāng)給混沌變量賦一個(gè)初值a0時(shí)，通過(guò)邏輯方程迭代，借助線性映射，可以獲得一組混沌性的初始變量，線性映射方案如下

Z→X︰X=a+(b-a)Z

(2)

2)為更好實(shí)現(xiàn)迭代初期全局尋優(yōu)，后期局部收斂，本文提出一種自適應(yīng)警戒值策略，該策略描述如下

(3)

當(dāng)前迭代次數(shù)k較小時(shí)，w接近于wmin保證智能算法的全局搜索能力，隨著迭代次數(shù)增加，w以非線性方式遞增，保證迭代后期更好地實(shí)現(xiàn)局部搜索收斂，從而使算法能夠靈活地調(diào)整全局搜索與局部搜索能力。

3)借鑒遺傳算法的變異思想，引入自適應(yīng)變異因子。每次迭代完成后，種群有一定幾率發(fā)生變異，該策略數(shù)學(xué)表述如下

(4)

式中p為變異因子，隨著迭代代數(shù)增加種群變異概率不斷減小。

4)標(biāo)準(zhǔn)SSA在偵查時(shí)，當(dāng)發(fā)生警戒時(shí)，原始移動(dòng)方式是陷入局部最優(yōu)的主要原因。本文選擇一種新的麻雀變更方式，數(shù)學(xué)表述如下

(5)

當(dāng)種群產(chǎn)生預(yù)警行為，最優(yōu)麻雀會(huì)逃離到最優(yōu)位置和最差位置間的隨機(jī)位置，其余麻雀會(huì)逃離到自己和最差位置間的隨機(jī)位置。

2 建模方法

2.1 結(jié)冰機(jī)理分析

當(dāng)風(fēng)機(jī)處于正常工作狀態(tài)時(shí)，輸出功率保持平穩(wěn)，并與風(fēng)速保持良好的曲線對(duì)應(yīng)關(guān)系。對(duì)數(shù)據(jù)進(jìn)行分布擬合，風(fēng)速與網(wǎng)側(cè)有功功率擬合情況如圖1所示，機(jī)艙溫度與環(huán)境溫度擬合情況如圖2所示。

圖1 風(fēng)速與網(wǎng)測(cè)有功功率分布

圖2 環(huán)境—機(jī)艙溫度數(shù)據(jù)分布

其中，圖1中的曲線是大樣本擬合后的風(fēng)速—功率擬合曲線。分析圖1和圖2發(fā)現(xiàn)風(fēng)機(jī)處于正常工作狀態(tài)時(shí)，輸出功率保持平穩(wěn)，并與風(fēng)速有良好的對(duì)應(yīng)關(guān)系。當(dāng)風(fēng)速處于-2～2 ℃時(shí)，網(wǎng)側(cè)有功功率處于-1.0～2.1 kW,存在結(jié)冰數(shù)據(jù)。當(dāng)機(jī)艙溫度處于-2.5～1.7 ℃時(shí)且環(huán)境溫度小于2 ℃，存在結(jié)冰數(shù)據(jù)，其余數(shù)據(jù)分布段均為正常數(shù)據(jù)。

2.2 數(shù)據(jù)預(yù)處理

為防止丟失低數(shù)量級(jí)特征，本文使用歸一化策略對(duì)原始特征進(jìn)行數(shù)據(jù)預(yù)處理，將原始數(shù)據(jù)特征集合歸一化到0～1的數(shù)據(jù)段內(nèi)，歸一化數(shù)學(xué)表述如下

(6)

式中xmax為樣本特征中的最大值，xmin為樣本特征中的最小差。

2.3 特征選取

選擇風(fēng)速、有功功率等4個(gè)重要特征，通過(guò)特征交叉擴(kuò)充原始特征集。基于遞歸特征消減算法選擇風(fēng)速/環(huán)境溫度等19個(gè)權(quán)值評(píng)分高的特征作為建模特征維度。

2.4 模型訓(xùn)練

選取70 %數(shù)據(jù)訓(xùn)練模型，30 %驗(yàn)證模型。使用PCA處理輸入數(shù)據(jù)實(shí)現(xiàn)數(shù)據(jù)降維，并通過(guò)滑動(dòng)窗口處理數(shù)據(jù)的輸入格式，訓(xùn)練LSTM結(jié)冰檢測(cè)模型。

2.5 智能算法優(yōu)化及其改進(jìn)

SSA 相較于其他群體智能優(yōu)化算法搜索精度高，收斂速度快，穩(wěn)定性好，魯棒性強(qiáng)。但SSA搜索接近全局最優(yōu)時(shí)，會(huì)出現(xiàn)種群多樣性減少，陷入局部最優(yōu)的缺陷。本文對(duì)SSA進(jìn)行改進(jìn)并提出ISSA算法。根據(jù)風(fēng)機(jī)數(shù)據(jù)建模需求，設(shè)置搜索維度為三維，種群大小為20，迭代次數(shù)為1 000次，選擇不同的測(cè)試函數(shù)進(jìn)行測(cè)試，結(jié)果如表1所示。

表1 基準(zhǔn)測(cè)試函數(shù)結(jié)果

從表1可以發(fā)現(xiàn)，ISSA在基準(zhǔn)測(cè)試函數(shù)中表現(xiàn)較好，尋優(yōu)效果更為明顯。設(shè)置種群數(shù)量為10，迭代次數(shù)為10，最大、最小預(yù)警閾值分別為0.8和0.1，選擇驗(yàn)證集判決錯(cuò)誤率作為種群適應(yīng)度并使用ISSA算法對(duì)網(wǎng)絡(luò)學(xué)習(xí)率、隱含層神經(jīng)元個(gè)數(shù)進(jìn)行尋優(yōu)，經(jīng)過(guò)ISSA算法尋優(yōu)后模型超參數(shù)為：網(wǎng)絡(luò)學(xué)習(xí)率為0.008 14，第一隱含層神經(jīng)元數(shù)量為160，第二隱含層神經(jīng)元數(shù)量為174。

3 結(jié)果分析

設(shè)置滑窗寬度為10，優(yōu)化器學(xué)習(xí)率為0.001，隱含層神經(jīng)元個(gè)數(shù)50，步長(zhǎng)參數(shù)為64，模型訓(xùn)練200次，選擇Adam優(yōu)化器優(yōu)化模型。當(dāng)訓(xùn)練樣本為20 000條時(shí)，LSTM模型訓(xùn)練損失如圖3所示。

圖3 LSTM模型訓(xùn)練損失

圖3中，虛線代表模型驗(yàn)證集的損失變化，實(shí)線表示訓(xùn)練集的損失變化。分析圖中曲線發(fā)現(xiàn)，LSTM模型迭代到105次左右時(shí)訓(xùn)練損失已經(jīng)收斂在0.13附近。選取特征融合處理后的樣本作為訓(xùn)練數(shù)據(jù)構(gòu)建ISSA-LSTM模型，并與其他群智能優(yōu)化算法的優(yōu)化模型進(jìn)行比較，驗(yàn)證ISSA，SSA，PSO，GWO對(duì)檢測(cè)模型的優(yōu)化情況，模型驗(yàn)證集精確率如表2所示。

表2 群智能算法模型精確率 %

采用來(lái)源于信息檢索中對(duì)相關(guān)性的評(píng)價(jià)Precision-Recall曲線反映結(jié)冰模型的故障判決準(zhǔn)確程度，即召回率和精度

(7)

(8)

(9)

式中recall代表召回率，precision代表精度，F(xiàn)1分?jǐn)?shù)表示精確率和召回率的調(diào)和平均數(shù)。取20 000條訓(xùn)練樣本，其余參數(shù)保持一致進(jìn)行實(shí)驗(yàn)，群智能算法優(yōu)化模型各參數(shù)如表3所示。

表3 優(yōu)化參數(shù)結(jié)果對(duì)比

結(jié)合表2、表3可以看出：相比SSA,PSO,GWO等群智能優(yōu)化算法，ISSA的各項(xiàng)參數(shù)皆優(yōu)于其他群智能算法，當(dāng)訓(xùn)練樣本數(shù)據(jù)為20 000時(shí)可以達(dá)到99.85 %的判決準(zhǔn)確率，充分證明ISSA-LSTM模型的有效性及可靠性。

4 結(jié)束語(yǔ)

為檢測(cè)結(jié)冰階段，提前開啟除冰設(shè)備，本文提出一種基于維度融合優(yōu)化的LSTM網(wǎng)絡(luò)機(jī)翼結(jié)冰檢測(cè)策略。將遞歸特征消減算法與主成分分析技術(shù)結(jié)合起來(lái)實(shí)現(xiàn)輸入特征優(yōu)化，并引入ISSA優(yōu)化LSTM網(wǎng)絡(luò)結(jié)冰檢測(cè)模型。多次實(shí)驗(yàn)驗(yàn)證，該策略能有效地實(shí)現(xiàn)風(fēng)機(jī)數(shù)據(jù)的結(jié)冰判決。模型準(zhǔn)確率優(yōu)良，具備泛化性，可理解性好。為風(fēng)機(jī)結(jié)冰檢測(cè)難題提供新的解決思路，為風(fēng)機(jī)除冰決策提供輔助性依據(jù)。