一种考虑衰退率的透平机械性能衰退预测方法与流程

本发明专利涉及时序数据预测领域，具体是考虑衰退率影响，结合信号尺度分解及深度学习对透平机械进行性能衰退预测的方法。

背景技术：

随着“工业4.0”的不断深化，透平机械设备随之大量涌现，并正朝着精密化、大型化、智能化的方向发展。根据监测到的机械设备运行情况，对采集到的故障特征进行有效处理和分析，对透平机械及其关联零部件的性能衰退进行评估和预测，并作出维护决策，从而保证设备的安全可靠运行。因此性能衰退预测技术是透平机械智能维护的核心支持技术。

由于透平机械系统日趋复杂并且各部件之间相互关联、紧密耦合，相当于一个混沌系统，影响设备性能正常运行的不确定因素不断增多，非线性特征越来越明显，使得关键部件的性能时序数据呈现为非平稳性、非线性；且大型透平机械各部件的性能会随着时间的推移逐渐衰退，设备性能参数(气路性能参数、振动参数、滑油参数等)也会发生变化，其性能参数具有时序特点，有较强的时间依赖性。基于平稳性预测的透平机械性能衰退预测方法则表现出性能时间序列提取困难、预测不准确等局限性，不再适用。且设备传统的性能衰退预测仅通过历史状态数据进行未来性能状态的预测，没有考虑到透平机械进行维护后，设备性能衰退率改变，对之后性能状态也会产生巨大影响。

技术实现要素：

本发明考虑透平机械维护后衰退率的可变性，针对机械设备性能参数的量化不一及非平稳性，对设备性能时间序列进行eemd多尺度分解；针对透平机械参数间存在时间依赖性，设备状态预测不准确等问题，提供一种基于gm-lstm(灰色长短期记忆网络)方法对设备性能时间序列进行预测，提高对透平机械性能衰退趋势的预测精度。

本发明的技术方案是一种考虑衰退率的透平机械性能衰退预测方法，该方法包括以下步骤：

步骤1：采集透平机械转子转速的历史性能数据，计算透平机械维护后的衰退率变化；

步骤1.1：采集透平机械转子转速的历史性能数据x(t)＝[x1,x2,…，xj-1，xj]，xj表示透平机械转子j时刻的转速；

步骤1.2：计算透平机械维护后衰退率变化的转子转速性能数据；

将t1到t2时间间隔内衰退率定义为：

并设衰退率β符合随机过程正态分布β～n(μ,σ²)，则有衰退率β的概率密度函数f(β)为：

1)

2)其中，μ表示服从正态分布的随机变量β的均值，σ表示随机变量β的方差。

3)衰退率β的累积分布函数f(β；μ,σ)为：

步骤2：使用集合经验模态分解(eemd)方法对考虑了衰退率的透平机械转子转速数据进行分解；

步骤2.1：由n初始化整个经验模态分解总次数，添加随机噪声的系数σn，获得n个不同的白噪声序列en；

步骤2.2：向考虑了衰退率的透平机械转子转速序列y中加入n个噪声序列en，获得新的待拆解信号，加噪后得到新的信号表达式：

yn＝y+en

其中，n代表第n次加噪声信号拆解的次数，en代表第n次实验彼此不同的白噪声序列，yn代表第n次加噪后的待拆解序列；

步骤2.3：对yn进行分解获得基本模式分量imfi,n，i＝1,2,…,n，其中，imfi,n代表n次拆解得到的第i个固有模态函数；

步骤2.4：计算n次实验后得到imfi,n的总体平均值，获得最终拆解后的各模式分量imfi；

步骤3：建立gm(1，1)灰色预测模型，将透平机械转子转速各模式分量imfi作为输入，得每个模式分量的预测值和残差项rn；

步骤4：建立基于lstm的透平机械转子转速时间序列预测模型，将灰色模型输出的转速预测值作为输入层的输入样本，并选择合适的神经网络结构和初始权值参数；

步骤5：将步骤4lstm神经网络模型输出层结果pre相加，得最终预测结果；

所述的步骤3具体为：

步骤3.1：设子序列y(i)＝imfi，i＝1,2,…,n；对数据进行检验和处理，弱化输入数据的随机性；

步骤3.2：对步骤3.1处理后的数据y⁽⁰⁾(i)做一次累加生成序列；

y⁽¹⁾＝*y⁽¹⁾(1),y⁽¹⁾(2),…,y⁽¹⁾(n)}

步骤3.3：根据新时间序列y⁽¹⁾，建立微分方程为

其中，a表示发展灰数，b表示内生控制灰数；

计算离散解为：

步骤3.4：对离散解做累减处理，得每个模式分量的预测值为：

所述的步骤4具体为：

步骤4.1：构建lstm网络模型

lstm网络模型包括输入层、隐藏层和输出层，所述隐藏层为记忆块，这些记忆块中的记忆单元用于保存历史信息，采用输入门、输出门和遗忘门对记忆单元中的历史信息进行更新；所述输入层，输入序列维度是m，负责对步骤3得到的每个模式分量的预测值进行初步处理以满足网络输入要求，输出序列维度为隐藏层单元个数s；所述隐藏层，采用lstm记忆单元，输入和输出维度均为s；所述输出层，提供预测结果，输入序列维度是s，输出序列维度是m，将输入与输出对应起来；

1)输入门用于决定是否更新信号到存储器，作为对当前输入和先前输入进行操作的依据，其表达式为：

it＝σ(wi.[ht-1,xt]+bi)

上式中，it表示输入门，σ为sigmoid函数，wi表示对应的权值，ht-1表示上一时间点的单元输出，xt表示新输入的信息，bi表示偏置项；

2)计算遗忘门的值，控制先前记忆的历史值对当前单元的记忆值是否产生影响；

ft＝σ(wf.[ht-1,xt]+bf)

上式中，ft表示遗忘门，wf表示权值，bf表示偏置项；

3)通过输出门的值控制记忆单元输出状态值；

ot＝σ(wo[ht-1,xt]+bo)

上式中，ot表示输出门，其值为当前单元的输出,wo表示权值，bo表示偏置项；

4)当前时间点的记忆单元状态值是通过计算输入门和遗忘门获得；

上式中，为候选记忆单元的值，tanh为激活函数，wc表示权值，bc表示偏置项，ct-1为上一时间点记忆单元的值,ct为当前记忆单元的值；

5)计算lstm隐藏单元在时间t的输出；

ht＝ot*tanh(ct)；

步骤4.2：网络训练；

将模式分量的预测值和残差项rn划分为训练集及测试集，网络训练过程中采用bptt算法；

wil表示从神经元i到j的连接权重；神经元的输入用a表示，输出用b表示；l,w分别表示输入门，遗忘门和输出门；c表示记忆单元，从记忆单元到输入门，遗忘门和输出门的权重分别表示为wcl,和wcw；sc表示记忆单元c的状态；控制门的激活函数用f表示，g,h分别表示记忆单元的输入输出激活函数；i表示输入层的神经元个数，k是输出层的神经元个数，h是隐藏层记忆单元的个数；∈表示记忆单元的误差项，δ表示控制门的误差项；

5)步骤4.2.1：根据前向传播过程，计算出lstm记忆单元的输出值；

输入门：

遗忘门：

输出门：

记忆单元输出：

步骤4.2.2：通过反向传播计算得到lstm记忆单元的误差项；

记忆单元输出：

输出门：

遗忘门：

输入门：

步骤4.2.3：应用adam优化算法更新权重值；

步骤4.3：网络预测，符合设定的预测精度就完成训练，未符合则重新训练；

为实现对透平机械转子转速序列的多步预测，采取逐点迭代的预测方式；使用滑动时间窗定义模型观测数据的宽度，对于下一个预测点，使具有固定宽度的时间窗向后推移一个步长；

步骤4.4：根据预测值进行网络的参数优化。

本发明考虑进行透平机械维护后衰退率的变化，提出一种基于eemd及gm-lstm(灰色长短期记忆网络)结合的设备性能衰退预测方法，该方法能够考虑衰退率可变性对透平机械性能衰退状态的影响，捕捉和利用非平稳、非线性的性能时间序列的动态依赖关系，实现对透平机械的性能衰退预测。

附图说明

图1为本发明所述的透平机械性能衰退预测总流程

图2为本发明所述的采集的透平机械转子转速数据预处理过程

图3为本发明所述的gm(1，1)灰色预测模型建立过程

图4为本发明所述的lstm记忆单元结构

图5为本发明所述的三层lstm网络模型

具体实施方式

下面对本发明的实施例程详细说明(图1)，本实施例程在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例程。下面结合附图对本发明的技术方案做进一步的详细说明：

本发明公开了一种考虑透平机械衰退率的性能时间序列数据预处理方法，如图2所示，其包括以下步骤：

1)采集透平机械转子转速的历史性能数据，考虑透平机械维护后的衰退率变化；

1.1)采集透平机械转子转速的历史性能数据x＝[x1,x2,…，xn-1，xn]；

1.2)考虑透平机械维护后衰退率变化的转子转速性能数据。

本文将t1到t2时间间隔内衰退率定义为：

上式中，x1为透平机械转子t1时刻的转速，x2为透平机械转子t2时刻的转速。

假设衰退率β符合随机过程正态分布β～n(μ,σ²)，则有

衰退率β的概率密度函数：

其中，μ表示服从正态分布的随机变量β的均值，σ表示随机变量β的方差。

衰退率β的累积分布函数：

t0～t1衰退率β可表示为：

若透平机械转子初始时刻ti的转速是yi,tj时刻的转速是yj，有

其中，y1＝x1

最终得到采集的透平机械转子的转速数据变换后的序列y(t)：

y(t)＝[y1,y2,…,yn-1,yn]

2)使用集合经验模态分解(eemd)方法对考虑了衰退率的透平机械转子转速数据进行分解；

2.1)由n初始化整个经验模态分解总次数，添加随机噪声的系数σn，获得n个不同的白噪声序列en；

2.2)向考虑了衰退率的透平机械转子转速序列y中加入n个噪声序列en，获得新的待拆解信号yn，加噪后得到新的信号表达式：

yn＝y+en

其中，n代表第n次加噪声信号拆解的次数，en代表第n次实验彼此不同的白噪声序列，yn代表第n次实验彼此不相同的加噪后的待拆解序列；

2.3)对加入噪声后信号yn进行分解获得基本模式分量imfi,n(i＝1,2,…,n),其中，imfi,n代表n次拆解得到的第i个固有模态函数；

2.4)计算n次实验后得到imfi,n的总体平均值，获得最终的拆解后的各模式分量imfi，如下公式所示。

3)如图3所示，建立gm(1,1)灰色预测模型，将透平机械转子转速各模式分量imfi作为输入，得每个模式分量的预测值；

各模式分量imfi是由各时间子序列组成，设时间子序列y⁽ⁱ⁾＝imfi。

3.1)为了弱化输入数据的随机性，对数据进行检验和处理。

所述的步骤3.1)具体为：

设步骤2)分解输入灰色预测模型的时间子序列y⁽⁰⁾为：

y⁽⁰⁾＝*y⁽⁰⁾(1),y⁽⁰⁾(2),…,y⁽⁰⁾(n)}

计算序列的级比

若所有级比落在可容覆盖区间

则时间子序列y⁽⁰⁾可进行步骤3.2)，否则对时间子序列y⁽⁰⁾做平移变换：

y′⁽⁰⁾(k)＝y⁽⁰⁾(k)+c,k＝1,2,…,n

3.2)对时间子序列y⁽⁰⁾或步骤3.1变换后的y′⁽⁰⁾做一次累加生成序列

y⁽¹⁾＝*y⁽¹⁾(1),y⁽¹⁾(2),…,y⁽¹⁾(n)}

3.3)根据新时间序列y⁽¹⁾，建立微分方程为

其中，a表示发展灰数，b表示内生控制灰数。

解为：

其离散解为：

3.4)对离散解做累减处理，得输入数据的预测值为：

4)建立基于lstm的透平机械转子转速时间序列预测模型，将灰色模型输出的转速预测值作为输入层的输入样本，并选择合适的神经网络结构和初始权值参数等；

4.1)构建lstm网络模型

长短期记忆网路(lstm)是一种特殊的rnn网络结构，缓解了传统rnn在训练过程中容易出现的梯度消失、爆炸现象。lstm框架包括输入层、隐藏层和输出层，相对于rnn，lstm的隐藏单元被记忆块代替，这些记忆块中的记忆单元用于保存历史信息，并采用输入门、输出门和遗忘门对单元中的历史信息进行更新(如图4)。

1)输入门的设计。用于决定是否更新信号到存储器，通过sigmoid函数实现。其函数值取0或1，作为对当前输入和先前输入进行操作的依据。

it＝σ(wi.[ht-1,xt]+bi)

上式中，it表示输入门，σ为sigmoid函数，wi表示对应的权值，ht-1表示上一时间点的单元输出，xt表示新输入的信息，bi表示偏置项。

2)计算遗忘门的值，控制先前记忆的历史值对当前单元的记忆值是否产生影响。

ft＝σ(wf.[ht-1,xt]+bf)

上式中，ft表示遗忘门，wf表示权值，bf表示偏置项。

3)通过输出门的值控制记忆单元输出状态值。

ot＝σ(wo[ht-1,xt]+bo)

上式中，ot表示输出门，其值为当前单元的输出,wo表示权值，bo表示偏置项。

4)当前时间点的记忆单元状态值是通过计算输入门和遗忘门获得。

上式中，为候选记忆单元的值，tanh为另一个常见的激活函数，wc表示权值，bc表示偏置项，ct-1为上一时间点记忆单元的值,ct为当前记忆单元的值。

5)计算lstm隐藏单元在时间t的输出。

ht＝ot*tanh(ct)

本文构建lstm预测模型框架图，包括输入层、隐藏层、输出层、网络训练以及网络预测5个功能模块，如图5所示。第一层输入层，输入序列维度是m，负责对步骤3灰色预测输入数据进行初步处理以满足网络输入要求，输出序列维度为隐藏层单元个数s；第二层为lstm隐藏层，采用图4的lstm记忆单元，输入和输出维度均为s；第三层为lstm输出层，提供预测结果，输入序列维度是s，输出序列维度是m，将输入与输出对应起来。

4.2)网络训练

所述的步骤4.2)具体为：

将模式分量imfi和残差项rn的灰色预测结果划分为训练集及测试集，网络训练过程中采用bptt算法。

下面先看一下公式的记号。

wil表示从神经元i到j的连接权重；神经元的输入用a表示，输出用b表示；l,w分别表示输入门，遗忘门和输出门；c表示记忆单元，从记忆单元到输入门，遗忘门和输出门的权重分别表示为wcl,和wcw；sc表示记忆单元c的状态；控制门的激活函数用f表示，g,h分别表示记忆单元的输入输出激活函数；i表示输入层的神经元个数，k是输出层的神经元个数，h是隐藏层记忆单元的个数；∈表示记忆单元的误差项，δ表示控制门的误差项。

1)根据前向传播过程，计算出lstm记忆单元的输出值；

输入门：

遗忘门：

输出门：

记忆单元输出：

2)通过反向传播计算得到lstm记忆单元的误差项；

记忆单元输出：

输出门：

遗忘门：

输入门：

3)应用adam优化算法更新权重值。

a.设置步长∈为0.001，矩估计的指数衰减速率ρ1、ρ2分别为0.9和0.999，用于数值稳定的常数δ为10^-8，初始参数，初始化一阶和二阶矩形变量s＝0,r＝0,初始化时间步t＝0；

b.假定f(θ)为噪声目标函数，即关于参数θ可微的随机标量函数，从训练集中取包含m个样本{x⁽¹⁾,…,x^(m)}的小批量，对应目标为y⁽ⁱ⁾。

c.计算梯度：

d.更新有偏一阶矩估计：

s′＝ρ1s+(1-ρ1)gt

更新有偏二阶矩估计：

r′＝ρ2r+(1-ρ2)gt⊙gt

e.修正一阶矩的偏差：

修正二阶矩的偏差：

f.计算更新：

g.应用更新：

θ′＝θ+δθ

4.3)网络预测

为实现对透平机械转子转速序列的多步预测，采取逐点迭代的预测方式。使用滑动时间窗定义模型观测数据的宽度，对于下一个预测点，使具有固定宽度(固定个数的观测数据)的时间窗向后推移一个步长。本文直接生成12步预测，需要将输出层的的维度设为12。

4.4)参数优化

训练模型过程中，需要确定的超参数主要包括：窗口长度l、隐藏层个数n、学习率η，分别采用网络搜索(grid-search)策略逐个循环遍历进行参数寻优。由于数据量相对较少，历史依赖信息少，所以设定窗口长度的取值范围从最小值开始，设定为l＝{1，2，3…，12}，隐藏层神经元个数的取值范围为n＝{50，100，150，200，250，300}；设置学习率的取值范围为3个等级{0.001，0.01，0.1}，在每个等级上扩充为3个数值，即设定学习率η∈{0.001，0.003，0.005，0.01，0.03，0.05，0.1，0.3，0.5}进行搜索。