一种基于E-LSTM的汽轮机健康状态预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110689171A(43)申请公布日2020.01.14(21)申请号201910837861.8(22)申请日2019.09.05(71)申请人哈尔滨工程大学地址150001黑龙江省哈尔滨市南岗区南通大街145号哈尔滨工程大学科技处知识产权办公室(72)发明人孟宇龙许铭文徐东张子迎王志文陈云飞王鑫关智允(51)Int.Cl.G06Q10/04(2012.01)G06N3/04(2006.01)权利要求书2页说明书6页附图4页(54)发明名称一种基于E-LSTM的汽轮机健康状态预测方法(57)摘要本发明提供的是一种基于E-LSTM的汽轮机健康状态预测方法。收集来自传感器的汽轮机运行数据，并进行预处理；将预处理好的数据喂到LSTM网络中，进行多次迭代训练；将训练好的多个模型参数输入到遗传算法中作为初始种群，运行遗传算法，选择效果最优模型参数；使用更多的汽轮机运营数据对最优模型进行泛化性能验证；根据最优模型参数，对测试数据集进行预测，并评估模型误差。本发明能提高模型预测的准确度并避免过拟合，能实现多元线性回归预测，使得预测模型对真实数据具有更好的拟合效果，可以极大降低人力监测的误差、提高故障诊断效率，对故障的发生做到先知先觉。可以广泛应用于各个火力和核能发电厂甚至于舰船的汽轮机的状态管理。CN110689171ACN110689171A权利要求书1/2页1.一种基于E-LSTM的汽轮机健康状态预测方法，其特征是：步骤一、收集来自传感器的汽轮机运行数据，并进行预处理；步骤二、将预处理好的数据喂到LSTM网络中，进行多次迭代训练；步骤三、将训练好的多个模型参数输入到遗传算法中作为初始种群，运行遗传算法，选择效果最优模型参数；步骤四、使用更多的汽轮机运营数据对最优模型进行泛化性能验证；步骤五、根据最优模型参数，对测试数据集进行预测，并评估模型误差。2.根据权利要求1所述的基于E-LSTM的汽轮机健康状态预测方法，其特征是：对采样好的数据进行预处理操作，将序列标准化之后表示为Y，Y＝|y0,y1,y2,…,yr,yr-1|，将Y作为训练数据输入初始化的LSTM网络，完成参数学习，在训练阶段时间t∈(0,T)的每一步预测中使用实际值作为下一步的输入，并更新神经元状态，循环剩余的预测，令ht＝yt,预测方法步骤如下:输入：Y＝{yo,y1,…,yT-1,yT}，输出预测值＝{y′T+1,y′T+2,…,y′T+L}，fort＝0,t≤T,t++：Ct←inputgate←Ct-1,ht-1,yt,ftft←forgetgate←ht-1,yty′t←outputgate←ht-1,ytLoss(yt,y′t)end；forl＝1,l＜＝L,l++：CT+1←inputgate←CT+L-1,hT+1,y′T+l,fT+fT+l←forgetgate←hT+L-1,y′T+ly′T+l←outputgate←CT+l,hT+l-1,y′T+lend；式中，h为上一层输出门的值，y为当前节点的输入值，f为遗忘门经过sigmoid激活函数输出的权重，C为遗忘门和输入门确认更新和遗忘后的输出值。3.根据权利要求2所述的基于E-LSTM的汽轮机健康状态预测方法，其特征是所述的训练分为以下3种训练方法：①对于初始训练，所有神经网络都训练，通过Adam梯度下降算法和SGD梯度下降算法，设置可变学习率优化交叉损失函数来训练网络；②当需要增加新类别作为训练数据的时候，在①训练结果的前提下，对LSTM网络的主体结构设置小学习率进行学习，然后冻结除全连接层之外的所有神经网络层，重新训练最后的全连接层；③当需要布控新测点时，利用①的训练结果作为预训练模型，激活所有神经网络，设置可变学习率优化交叉损失函数来训练网络。4.根据权利要求3所述的基于E-LSTM的汽轮机健康状态预测方法，其特征是选择效果最优模型参数的方法为：根据不同的时间间隔采样的数据训练出多个模型，将这些模型的参数作为初始种群，进行遗传算法迭代寻优，选出最优后代的参数序列即为最优模型。2CN110689171A权利要求书2/2页5.根据权利要求4所述的基于E-LSTM的汽轮机健康状态预测方法，其特征是：所述评估模型误差具体为：将最优模型参数代入LSTM中，输入测试集，计算出预测值和真实值之间的误差；误差计算有如下两种方式：均方误差：均方根误差：式中，N是数据集个数，N是数据集个数，Yi是真实数据集，Yi*是预测数据集，根据误差计算结果，检验模型精度是否满足要求，若不能则继续训练并寻优。3CN110689171A说明书1/6页一种基于E-LSTM的汽轮机健康状态预测方法技术领域[0001]本发明涉及的是一种健康状态预测方法，具体