一种基于小波分解和LSTM的X射线高压电源故障预测方法与流程

本发明属于电性能的测试装置；电故障的探测装置技术领域，尤其涉及一种基于小波分解和lstm的x射线高压电源故障预测方法。

背景技术：

目前，业内常用的现有技术是这样的：随着信息时代的发展，工业发展也越来越现代化，各个领域发挥重大作用的各种类型的大型复杂装备性能的不断提高及系统组成的复杂性不断增加，使得大型复杂化设备的安全可靠性、可维护性，故障预测和诊断等问题在诸如航空，航天，通信和工业应用的各种领域变得越来越重要。因此，基于海量的数据，对设备故障的预测对于减少装备故障引发严重的安全性和可靠性后果，缩短停机时间，降低维修费用，提高工作效率具有重要意义。x射线高压电源是x射线电子系统的主要部件，其性能决定了x射线应用系统的使用寿命。x射线高压电源的高频化小型化是其主要的发展趋势，但易导致高压电源电路集成度、复杂度高，微小故障可能引发灾难性的事故。传统的故障预测技术是指诊断过程以知识处理和知识推理为核心来完成故障预测，主要缺陷包括：搜索空间大，处理速度慢，预测精度差等；传统的故障预测技术主要使用数学预测的方法，比如模糊理论和灰度模型。模糊理论是以模糊集合(fuzzyset)为基础，其优越性主要体现在处理复杂系统的时变、时滞以及非线性方面。灰度预测建立在灰色理论基础上，是一个指数函数，由于灰度预测模型是通过少量的，不完全的信息建立数学模型并作出预测的一种方法，导致灰度模型对故障的长期预测精度很差。还可以通过专家系统，利用专家的经验和知识建立系统进行预测，利用人工智能中的知识推理，解决一些专业的问题，比如数据库，推理机，知识库，但是由于专家系统需要大量的实践和积累，导致开发周期很长。大量的机器学习的任务都是处理时序相关的输入，比如视频分析，音乐检索，时序相关的预测等等。

综上所述，现有技术存在的问题是：传统的故障预测技术对故障的长期预测精度很差；专家系统需要大量的实践和积累，开发周期很长。

解决上述技术问题的难度和意义：

故障预测技术在提高设备的安全性，减少生命周期费用和提高维修保障效率等方面发挥了重要作用；对将来可能出现的故障进行预测，当预测到故障时及时向用户提出警告，以便用户能够采取措施避免重大恶性事故发生，对现行的系统管理和维修制度具有开创性的作用，达到及时的故障预测和对电子系统有效的健康管理。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于小波分解和lstm的x射线高压电源故障预测方法。

本发明是这样实现的，一种基于小波分解和lstm的x射线高压电源故障预测方法，所述基于小波分解和lstm的x射线高压电源故障预测方法包括：

步骤一，将x射线高压电源的状态变化数据{y1,y2,...,yt-1,yt}作为初始序列，分别对其前t个时刻的序列进行小波分解，获得不同尺度下小波分解的子序列{d^j,j＝1,2,...,n}；

步骤二，利用n个子序列的t-1个时刻的数据分别建立lstm模型进行训练和预测，得到每个子序列t时刻的预测结果；

步骤三，将每个子序列t时刻的预测结果进行线性叠加，获得所述电源状态序列的t时刻的预测值；

步骤四，计算预测结果和真实值之间的相对误差，对预测结果进行验证和评价。

进一步，所述步骤一选择db4小波，对原始序列进行3层小波分解，得到3个高频子序列d1、d2、d3及低频序列a3。

进一步，所述步骤二还包括以下步骤：

3a)数据提取：设置滑动窗的长度为20，滑动步长为20，依次在子序列上提取所需训练数据；

3b)网络训练：lstm采用bptt(backpropagationtroughtime)算法对网络进行训练，网络输入包含：当前时刻网络的输入值、前一时刻网络的输出值、前一时刻记忆细胞的状态；网络输出包含：当前时刻网络的输出值、当前时刻记忆细胞的状态。

进一步，所述步骤二还包括以下计算公式预测每个子序列t时刻的数据：

其中，wh1和b1分别为第一权值和第一偏置，w12和b2分别为第二权值和第二偏置，w23和b3分别为第三权值和第三偏置，s表示向量ht(ht1,ht2,...,hts)包括的元素的个数，且s大于等于1。

进一步，所述relu函数的定义为：

reluf(x)＝max(0,x)；

向量ht(ht1,ht2,...,hts)中各元素ht1,ht2,...,hts均通过迭代计算：

it＝sigmoid(whiht-1+wxixt)；

ft＝sigmoid(whfht-1+wxfxt)；

ct＝ft·ct-1+it·tanh(whcht-1+wxcxt)；

ot＝sigmoid(whoht-1+whxxt+wcoct)；

ht＝ot·tanh(ct)；

其中，i，f，o，c分别表示输入门，忘记门，输出门，细胞状态；xt从t时刻之前的数据中选取的连续数据组成的序列，whi、wxi、whf、wxf、who、whx、wco、whc、wxc分别为不同的权重，h1为初始状态值，为0。

进一步，所述步骤四使用误差指标计算公式：

其中，yt为真实值，为预测值。

本发明的另一目的在于提供一种应用所述基于小波分解和lstm的x射线高压电源故障预测方法的x射线高压电源。

本发明的另一目的在于提供一种应用所述基于小波分解和lstm的x射线高压电源故障预测方法的高压电源控制系统。

综上所述，本发明的优点及积极效果为：本发明采用小波分解对获得的信号进行处理，降低了故障信号的维数，同时能过滤掉多余的信号成分，突出故障成分，但不会对信号所包含的信息造成破坏，在实际应用中大大提高了故障诊断的准确率和诊断速度；

本发明利用深度网络模型lstm对电源状态进行预测，能够加强后面的数据节点对前面的数据节点感知力，可以实现对测量数据的充分利用，极大的提高了预测效率和准确度，同时具有较高的泛化能力，具有极大的社会价值和现实意义。本发明主要探索解决高压电源故障预测的有效方法，以构建故障在线控制数学模型，遏制故障发生，保障设备安全运行。

本发明采用深度学习的方法，利用深度学习的强大的能力，使用lstm网络将很大程度上提高预测的精度。深度学习相关的方法将给电源故障预测的问题提供新的更好的解法。其中lstm(longshort-termmemory)模型是一种时间递归神经网络，也是一种最有效的故障预测模型，其允许网络在较长的时间内积累信息，而且可以解决梯度爆炸和梯度消失的问题。

附图说明

图1是本发明实施例提供的基于小波分解和lstm的x射线高压电源故障预测方法流程图。

图2是本发明实施例提供的基于小波分解和lstm的x射线高压电源故障预测方法实现流程图。

图3是本发明实施例提供的lstm单元示意图。

图4是本发明实施例提供的lstm预测模型示意图。

图5是本发明实施例提供的应用于电流序列得到的预测值和实际值比较示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明基于小波分解和lstm的x射线高压电源故障预测方法，以弥补传统的故障预测技术对故障的长期预测精度很差；专家系统需要大量的实践和积累，开发周期很长的问题；本发明具有较强的泛化能力，实现较高的预测精度；基于大量的x射线高压电源的电流变化数据和温度变化数据，提出了基于小波分解和lstm的x射线高压电源故障预测模型。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于小波分解和lstm的x射线高压电源故障预测方法包括以下步骤：

s101：将x射线高压电源的状态变化数据{y1,y2,...,yt-1,yt}作为初始序列，分别对其前t个时刻的序列进行小波分解，获得不同尺度下小波分解的子序列{d^j,j＝1,2,...,n}；

s102：利用n个子序列的t-1个时刻的数据分别建立lstm模型进行训练和预测，得到每个子序列t时刻的预测结果；

s103：将每个子序列t时刻的预测结果进行线性叠加，获得所述电源状态序列的t时刻的预测值

s104：计算预测结果和真实值之间的相对误差，对预测结果进行验证和评价。

下面结合附图对本发明的应用原理作进一步的描述。

如图2所示，本发明实施例提供的基于小波分解和lstm的x射线高压电源故障预测方法包括以下步骤：

步骤一，由t-1个时刻的序列{y1,y2,...,yt-1,yt}进行小波分解，得到n个子序列{d^j,j＝1,2,...,n}，其中每个子序列由相应的t-1个时刻的数据组成：

进行小波分解时涉及到下述两方面：

一是小波函数的选择，在基于小波分解的时间序列预测模型中大多选择daubechies系列的小波，本发明选择db4小波；

二是分解层数的确定，层数确定并没有一个特定的方法，在基于小波分解的时间序列预测上常见的层数确定方法是通过实验不同的分解层数，然后选择最适合该模型的参数。分解层数越多，噪声会越少，信号会比较平滑，但是一些有用的信息也会丢失，从而造成精度的下降。反之，如果分解层数不够，我们的信号就保存有更多的噪声，也对精度有影响。考虑到深度学习对抽象特征具有较强的学习能力，本发明分解层数为3层。

综上所述，本发明选择db4小波，对原始序列进行3层小波分解，得到3个高频子序列d1、d2、d3及低频序列a3。

步骤二，利用n个子序列的t-1个时刻的数据分别建立lstm模型，将每个子序列都划分为训练集和预测集，利用lstm网络对训练集进行训练，并用预测集进行预测，得到每个子序列t时刻的预测结果

2a)数据提取：设置滑动窗的长度为20，滑动步长为20，依次在子序列上提取所需训练数据；

2b)网络训练：lstm采用bptt(backpropagationtroughtime)算法对网络进行训练，网络输入包含：当前时刻网络的输入值、前一时刻网络的输出值、前一时刻记忆细胞的状态；网络输出包含：当前时刻网络的输出值、当前时刻记忆细胞的状态。

在lstm按bptt算法进行训练的过程中，包含前向计算和误差反传更新两部分，并将lstm中所有时刻输出层的输出结果与期望输出结果的平方误差定义为目标函数。lstm在进行前向计算之前，首先需要用接近于0的极小值对lstm的各项网络权值进行初始化，然后输入训练样本数据进行前向计算，得到输出层的输出。通过前向计算得到lstm的输出后，计算目标函数并使用反向传播算法对网络参数进行更新；

预测每个子序列t时刻的数据的计算公式如下：

其中，wh1和b1分别为第一权值和第一偏置，w12和b2分别为第二权值和第二偏置，w23和b3分别为第三权值和第三偏置，s表示向量ht(ht1,ht2,...,hts)中包括的元素的个数，且s大于等于1。

并且，relu函数的定义为：

reluf(x)＝max(0,x)；

并且，向量ht(ht1,ht2,...,hts)中各元素ht1,ht2,...,hts均通过以下公式迭代计算：

it＝sigmoid(whiht-1+wxixt)；

ft＝sigmoid(whfht-1+wxfxt)；

ct＝ft·ct-1+it·tanh(whcht-1+wxcxt)；

ot＝sigmoid(whoht-1+whxxt+wcoct)；

ht＝ot·tanh(ct)；

其中，i，f，o，c分别表示输入门，忘记门，输出门，细胞状态；xt从t时刻之前的数据中选取的连续数据组成的序列，whi、wxi、whf、wxf、who、whx、wco、whc、wxc分别为不同的权重，h1为初始状态值，为0。

图3示出了本发明中预测所用的lstm单元示意图。图4示出了本发明中lstm预测模型示意图。如图3所示，lstm单元与传统rnn的区别之处就是多了三种门(input、forget、output)和一个记忆单元(memorycell)。其中，a表示outputgate，b表示forgetgate，c表示inputgate，d表示memorycell。

如图4所示，lstm网络模型包括4层，如下所述。其中，b表示lstm层，a表示该lstm层中的lstm单元，c表示隐藏层1，e表示隐藏层2，f表示输出层，d表示普通神经元。

(1)lstm层：有100个lstm单元，当然这个数量也可以根据实际情况进行调整；

(2)隐藏层1：有60个神经元，用来降维以及对抽象的特征进行映射，当然这个数量也可以根据实际情况进行调整；

(3)隐藏层2：作用同隐藏层1，有30个神经元，当然这个数量也可以根据实际情况进行调整；

(4)输出层：1个神经元，即为预测值。

上述的lstm模型结构包括1层输出层，1层lstm层，2层隐藏层。其中2层隐藏层用于特征学习以及降维，1层输出层用于输出对应于输入序列的预测结果。本模型的lstm结构比传统的lstm模型结构精简，因此训练难度比传统lstm低，且具有良好的泛化能力。

需要说明的是，上述各层的参数都是经过大量实验而得到的，相较于其他参数，具有训练难度更低、泛化能力更强的特点。

步骤三，将每个子序列t时刻的预测结果进行线性叠加，获得所述电源状态序列的t时刻的预测值其中预测结果中第j个子序列的权重系数α^j可采用能量占比的方法计算得到：

第j子序列的能量e^j计算如下：

的权重系数αj可由下式得到：

电源状态序列的t时刻的预测值计算如下：

步骤四，计算预测值和真实值之间的误差指标，对预测结果进行验证和评价；

本发明使用mape(平均绝对百分比误差)、mae(平均绝对误差)这两个指标对本发明预测方法与其他预测方法进行误差比较，误差指标计算公式如下：

其中，yt为真实值，为预测值。

下面结合仿真对本发明的应用效果作详细的描述。

本发明采用两种不同的电流信号进行实验验证，每种信号各有10000个数据点，选取其中8000个数据进行网络训练，选取其中2000个数据进行结果预测。实验结果如图5(a)、图5(b)所示，其中红色曲线表示真实的波形，绿色曲线表示预测的波形。

表1为本发明方法与kf(卡尔曼滤波)方法以及bp方法的误差比较：

仿真实验结果分析：

由图5和表1可以看出，本发明通过相对于其他传统方法如kf(卡尔曼滤波)、bp神经网络法具有更准确预测效果。本发明不仅能达到较高的预测精度，还能够使建模计算过程简单易于操作。本发明的预测方法通过小波分解，增强了对电流变化序列细节的学习能力，而且利用lstm模型加强后面的数据节点对前面的数据节点感知力，可以实现对测量数据的充分利用，同时具有较高的泛化能力，极大的提高了预测效率和准确度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。