改进的Adaboost方法及其在水电站设备故障检测中的应用

陈 涛，张华飞，衣传宝，孙成勋，高 阳，徐华雷

(1.国网吉林省电力有限公司电力科学研究院，吉林长春130021; 2.国网新源控股有限公司，北京100761)

水电站作为一种可持续能源，在发达国家中占有很高的地位。近年由于水电站的不断发展，水电站的安全问题也随之暴露出来。国内外现今对水电站设备故障的检测，其研究内容较为单一，比如只针对水轮机机组和发电机组等设备进行故障诊断，而且故障信息的判断主要以振动信号为主[1- 4]。因为设备的振动信号中含有许多不稳定因素，影响了分析结果的准确性。所以信号提取需要借助谐波小波分析等方法进行信号除噪，这是一个复杂且繁琐的过程。

现今国内水电站对设备故障的检测主要采用人工巡检，水电站内部环境复杂，运行人员进行一次完整的巡检大约需要2个小时。因为需要检查的设备过多，种类繁杂，涉及的区域很广，所以会导致巡检的效率很低，很多地方会被疏忽而没有仔细检查或者漏检。一旦某些设备出现问题，故障会很难被及时发现或者排除，最终会威胁到工作人员的安全。

1 方案设计

水电站噪声由水电站设备运作时产生，当设备发生故障时，其产生的噪声强度也会发生变化[5]，因此水电站设备是否正常运作与其产生的噪声强度有着紧密的关系。针对噪声信号，设计方案步骤如下：

1.1 利用噪声传感器收集信息

通过熟悉运行人员的巡检路线，将水电站分为多个重要区域，并在不同区域中的主要设备旁安装噪声传感器，传感器会把监测到的噪声信号(即噪声数据)传送到服务器的数据库中，并储存起来[6，7]。通常情况下，水电站设备主要通过人为检测，而面对运行人员检测时间过长，检测效率过低等问题，利用噪声信息代替运行人员在整个巡检中捕捉到的设备信息，这样不仅节省人力与时间，而且信息的正确性也得到保证。

1.2 分类器模型的创建

水电站的设备种类繁杂，会导致收集的数据量巨大，不能逐个判别。利用改进的Adaboost方法创建分类器模型，对不同工况下的噪声样本进行分类处理，最后只将分类结果错误的样本提取出来，进行故障判别，从而大大减少了工作量。

1.3 利用分类器进行故障判别

(1)当P≤20%时，说明噪声异常值是由测量误差产生，无需进行设备检查，设备运行正常；

激励是给学生最好的动力，老师在课堂教育时营造情境氛围，用激励的语言去指导学生，从而让学生产生对体育学习的兴趣。激励教学就是要做到理性和感性相结合，学生在一种轻松的环境下学习，有严有松，既能锻炼身体，又能培养自身的服从命令听指挥的意识。在学生碰到一些状况时，老师千万不要用一些嘲笑不友好的态度对待学生，要晓之以理，动之以情，帮助学生解决状况，尊重学生，让学生在激励的语言下取得更大的进步。

(2)当20%

(3)当P>50%时，设备很大可能性出现故障，发出故障信号，通过i，j确定故障位置，及时检修。

(4)完善分类器模型

将分类结果正确的噪声样本添加到数据库中，利用更新后的数据训练一个新的分类器模型，通过数据的添加与更新，不断完善分类器模型，从而提高模型的精确度。

2 Adaboost算法介绍和改进

Adaboost是一种常用的分类算法，其中心思想是通过训练，将弱分类器组合成强分类器，弱分类器的学习方法有很多，如神经网络，SVM，CART等[8，9]。

在水电站故障检测方案中，分类器模型是检测方案的核心步骤，所以要求分类器的精确度很高，这样才能保证检测的准确性。本文对Adaboost方法进行了改进，用该方法得到的分类器模型具有很高的正确率，使其在检测中发挥更大的作用。

2.1 样本集初始权重的重新分配

2.2 利用熵权法优化弱分类器系数

本文利用熵权法[13-15]，通过熵权对Adaboost方法的弱分类器系数进行修正，从而得到更加精准的弱分类器权重，提高强分类器的正确率，进而提高水电站的故障检测效率。改进步骤共分5步。

2.2.1 确定原始指标水平矩阵

2.2.2 计算弱分类器的信息熵

第L个指标的信息熵为

2.2.3 计算弱分类器的熵权

2.2.4 修正弱分类器系数

2.2.5 构建强分类器

3 方案实施

表2 改进的Adaboost方法和普通Adaboost方法正确率对比

3.1 数据收集

为了证明方案的可行性，我们对湖南某水电站噪声进行了实地测量，收集到了样本数据。通过对该水电站运作流程的了解，本文将运行人员主要巡检的作业场所分为四个区域，分别为：发电机层、母线层、主变洞和水轮机层。在水电站运行正常时，在发电、备用两种工况下分别对四个区域，不同地点所产生的噪声值进行检测，得到近500个数据样。

3.2 利用改进的Adaboost方法创建分类器模型

将样本集分为两部分，其中测试样本64个，其余为训练样本。利用改进的Adaboost算法对训练样本进行训练，其中弱分类器的学习方法采用分类回归树[16，17]，最大迭代次数为100次。最终获得的强分类器需对测试样本进行分类，改进的Adaboost算法的正确率达到89.1%，错误率上限为8.46×e-71<1.87×e-20，说明分类器符合错误率标准。

3.3 方法对比

利用改进的Adaboost方法与BP神经网络[18，19]和简单贝叶斯算法[20，21]等学习方法进行结果对比，结果如表1所示。

表1 不同学习方法的对比结果表

对比结果表明改进的Adaboost方法的错误率最小，相比其它算法具有很大的优势。改进的Adaboost方法和普通Adaboost方法对27个测试样本分类结果正确率的比较如表2所示。

在两种算法的结果中，正确率大于0.5，代表样本被正确分类，而正确率小于0.5，则样本被错误分类。表2结果显示，在分类正确的样本中，改进的Adaboost方法比普通Adaboost方法的正确率有明显提高，进而加强验证了其为正常样本，而对分类错误的样本，正确率明显降低，加强验证了其为异常样本。对比结果表明改进的Adaboost方法比普通Adaboost方法精确度更优，平均正确率提高了0.3%，提高了对水电站故障检测的正确率。

3.4 结果评价与分析

提取误差样本与各区域的噪声分布进行比对，分类错误的噪声样本及异常位置如表3所示。

误差样本与不同区域噪声强度分布区间数据进行对比，很快就可以发现噪声异常位置。根据表3结果显示，有4个测量位置的个别噪声值存在异常，其中水轮机层1号机有2个噪声值存在异常、主变洞2号室1个、水轮机层2号机3个和水轮机层4号机2个。在测试样本中每个测量位置均测得16个数据，根据式(2)，故障发生概率P分别为12.5%、6.25%、18.75%、12.5%，P均小于20%，说明噪声异常值是由测量误差所产生的，所有检测设备运行正常，检测结果符合实际情况。此方案可代替人工巡检，进而更快的得到检测结果，发现故障位置。

表3 分类错误的噪声样本及异常位置表

4 结 论

水电站环境安全是近年来研究的一个热点话题，本文利用噪声来检测设备故障，应用改进的Adaboost方法提高检测的正确率。当水电站设备发生故障时，此方案可缩小设备故障区域，进而更快的发现和排除问题，从而提高了工作人员的安全保障，减少经济损失。同时，此套方案也存在着某些问题，如噪声的相互干扰和对测量误差的解决方法等，这也是今后的研究重点。

[1] 卢娜. 基于多小波的水电机组振动特征提取及故障诊断方法的研究[D]. 武汉: 武汉大学, 2014．

[2] 梁兴. 耦合故障对水电机组转子动力特性的影响分析[J]. 水电能源科学, 2014, 32(11): 155-157．

[3] 肖剑. 水电机组状态评估及智能诊断方法研究[D]. 长沙: 华中科技大学, 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] 管争荣. 减速机振动和噪声分析与谱诊断方法的研究[D]. 西安: 西安建筑科技大学, 2008．

[6] 焦新泉, 李功, 侯卓, 等. 基于电容式噪声传感器的信号调理电路设计[J]. 火力与指挥控制, 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] 曹莹, 苗起广, 刘家辰, 等. AdaBoost算法研究进展与展望[J]. 自动化学报, 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] 李闯, 丁晓青, 吴佑寿. 一种改进的AdaBoost算法-AD AdaBoost[N]. 计算机学报, 2007, 30(1): 103- 109．

[11] 徐海龙, 别晓峰, 冯卉, 等. 一种基于QBC的SVM主动学习算法[J]. 系统工程与电子技, 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] 邱陆旸, 张丽萍, 陆芳春, 等. 基于熵权法的林下土壤抗腐蚀性评价及影响因素分析[J].水土保持学报, 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] 袁铸, 申一歌. 农业机器人轨迹优化自动控制研究-基于BP神经网络与计算力矩[J]. 农业化研究, 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, 曲鸣, 等. 基于朴素贝叶斯分类器的硬件木马检测方法[J]. 计算机应用研究, 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．