CN110689171A - 一种基于e-lstm的汽轮机健康状态预测方法 - Google Patents

Abstract

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。

Description

一种基于E-LSTM的汽轮机健康状态预测方法

技术领域

本发明涉及的是一种健康状态预测方法，具体地说是一种核能和火力发电厂汽轮发电机的健康状态预测方法。

背景技术

据资料显示，中国每年火力和核电发电量占总发电量近80％，而汽轮发电机是火力发电和核能发电***中的核心设备之一。保障汽轮发电机的安全稳定工作一直以来是电力供应***中最重要的环节之一。但是在工业4.0时代，传统的传感器+人工监测方式面临着成本高效率低等诸多问题，亟待一种智能高效的供电***状态预测方案。

从目前的研究成果可知，传统通过观测传感器数据来了解汽轮机健康状态具有相当大的主观性和片面性，且对于数据的解读完全取决于人的经验。在过去的几十年里，人们通过积累总结了大量关于汽轮机运营经验，建立了基于规则的专家***。然而，专家***有如下明显的缺点：(1)规则之间的关系不透明。大量规则间的逻辑关系可能不透明，缺乏分层的知识表达。(2)低效的搜索策略。推理引擎在每个周期中搜索所有的规则。当规则很多时，***运行速度会很慢，基于规则的大型专家***不适用于实时应用。(3)没有学习能力。一般的基于规则的专家***都不具备从经验中学习的能力，难以应对特殊或紧急的状况。

对于汽轮发电机组，如果定期维修，则经济效益低下，如果等发生故障再维修，往往错过了阻止故障损失进一步扩大的时机，得不偿失。过去以领域专家的知识和经验为基础的技术已无法满足机组安全经济运行的要求。而神经网络等人工智能技术的发展及其向工程领域的迅速渗透给故障状态预测技术带来了新的活力，使现代诊断技术进入了一个崭新的阶段。人工智能算法的实现不需要用户具有很丰富的先验知识，可以从数据中直接挖掘故障特征，进而进行故障分类和状态预测。基于人工智能算法获得的模型具有体积小、可迁移性强的特点，适合应用于工业故障诊断，已成为当今故障诊断技术领域的一个重要研究课题。

总结现有研究成果发现，目前汽轮机健康状态监测***存在以下几个问题需要解决：

(1)人力监测成本高、效率低，且无法避免人为失误。

(2)人工根据传感器数据判断故障，具有主观性，判断结果取决于人的经验。并且，人工难以充分发掘各类参数间的内在联系，从而无法充分解读故障信息。而专家***比较死板，缺乏实时性，也没有学习新发现的故障特征的能力，难以应对复杂多变的生产环境。

(3)现有的故障监测方式对故障的即将发生“后知后觉”，等到发现故障时已经没有充足的时间应对。而以过度维修和提前换新来避免故障发生的方式，经济效益低下。

发明内容

本发明的目的在于提供一种预测准确度高、误差小、诊断效率高的基于E-LSTM的汽轮机健康状态预测方法。

本发明的目的是这样实现的：

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。

本发明还可以包括：

1.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,…,y_r,y_r-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h_t＝y_t,预测方法步骤如下:

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。

2.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。

3.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。

4.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，Y_i是真实数据集，Y_i ^*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。

本发明针对汽轮机的健康状态监测问题，提出了一种基于长短期记忆神经网络(LSTM)的汽轮机健康度状态预测的方法，是一种基于改进的长短期记忆神经网络并结合进化算法对模型择优的汽轮机健康度预测方法。通过多次训练该神经网络得到多个模型，对多个训练得到的模型参数进行遗传算法优化，选择出预测效果优良且泛化能力最好的模型，以提高模型预测的准确度并避免过拟合。通过LSTM神经网络，利用汽轮机***的各个参数(压力、震动、温度、转速等)，充分发掘各参数间的内在联系，实现多元线性回归预测。然后通过使用遗传算法，对多个训练好的LSTM模型参数进行择优，使得预测模型对真实数据具有更好的拟合效果。使用择优的模型，对汽轮发电机的健康状况进行预测，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。

为了克服现有技术中存在的缺陷，本发明在前人的研究基础上，提出了一种汽轮机健康状态预测模型E-LSTM，即通过使用长短期记忆神经网络(LSTM)训练模型结合进化算法(Evolutionary algorithms)进行模型择优，以达到提高预测准确度避免过拟合的目的。

附图说明

图1汽轮机状态预测***功能结构图。

图2模型训练及择优流程图。

图3汽轮机健康状态预测实施流程图。

图4 E-LSTM结构图。

图5最优模型的预测值与实际值误差。

具体实施方式

下面举例对本发明做更详细的描述。

本发明是一种基于E-LSTM的汽轮机健康度预测方法，其结构图如图1所示，包括采集汽轮机运行数据，获得其健康状况的分布特征；

为了克服现有技术中存在的缺陷，本发明在前人的研究基础上，提出了一种汽轮机健康状态预测模型E-LSTM，即通过使用长短期记忆神经网络(LSTM)训练模型结合进化算法(Evolutionary algorithms)进行模型择优，以达到提高预测准确度降低过拟合的目的，本发明采用如下步骤实现对汽轮机的状态预测：

步骤01.收集来自传感器的汽轮机运行数据，对数据进行预处理。

步骤02.将处理好的数据喂到LSTM网络中，进行多次迭代训练。

步骤03.将训练好的多个模型输入到遗传算法中作为初始种群，运行遗传算法，选择效果最优的模型。

步骤04.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05.根据最优模型，对测试数据集进行预测，并评估模型误差。

所述步骤01具体为以下：

步骤0101.在汽轮机各个监测点布置传感器，对多个类型传感器数据进行校验和传感器数据融合，得到有效可靠并且真实反映汽轮机运转状况的数据。

步骤0102.对数据进行采样，采样时间间隔为5分钟、10分钟、15分钟、30分钟，60分钟。

步骤0103.对采样后的数据按照各个时间间隔，将其70％作为训练集，30％作为测试集。

所述步骤02具体为：

按照前面所述的数据预处理，将序列标准化之后表示为Y，Y＝|y₀,y₁,y₂,…,y_r,y_r-1|。将Y作为训练数据输入初始化的LSTM网络，完成参数学习。为了预测L个时间步长的值，传统的LSTM网络对每一个预测，都是基于前面一个步长的预测值。将其改进为，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，减少误差的梯度传播，循环剩余的预测。

令h_t＝y_t，改进后的预测方法步骤如下:

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。

结合汽轮机故障诊断的实际问题可以分为以下3种的训练方法：

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；

所述步骤03具体为：

所述LSTM神经网络预测模型所需优化的参数包括：LSTM神经网络隐藏层数、时间窗步长、训练次数、遗忘率Dropout。所述遗传算法优化LSTM神经网络的模型是在参数搜索空间里，以预测误差最小和泛化能力最强为目标函数，进行参数组合寻优，形成复合的E-LSTM，包括如下步骤：

步骤0301：步骤S21、种群初始化并解码；

步骤0302、将LSTM神经网络的均方误差作为适应度函数；

步骤0303、将解的个体进行选择交叉变异操作；

步骤0304、若适应度函数目标值达到最优值，则进行下一步；否则返回步骤0303；

步骤0305、获得适应度函数目标值和最佳参数；

步骤0306、计算基于最佳参数的预测均方误差；

步骤0307、终止条件判断，若种群迭代次数满足，则停止计算，此时LSTM网络全局最优参数组合；否则返回步骤0306；

进一步，所述步骤04具体为：

取步骤01中按照不同的时间间隔采样的数据，输入到步骤03中的最优模型中，得到模型预测值与实际值的误差，如果误差大于***允许的阈值，则转向步骤02。误差计算方式如下：

均方误差：

式中，N是数据集个数，是真实数据集，是预测数据集。

最后，所述步骤05具体为：

使用最优模型对预测数据集进行汽轮机健康度预测，将预测数据同实际数据进行误差计算，所述误差计算采用均方误差和均方根误差两项指标还原预测数据进行输出，在预测中，均方误差和均方根误差的值越小，代表预测精度越高，其中：

均方误差：

均方根误差：

式中，N是数据集个数，Y_i是真实数据集，Y_i ^*是预测数据集。

Claims (5)

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,…,y_r,y_r-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h_t＝y_t,预测方法步骤如下:

输入：Y＝{y_o,y₁,…,y_T-1,y_T}，

输出预测值＝{y′_T+1,y′_T+2,…,y′_T+L}，

for t＝0,t≤T,t++：

C_t←input_gate←C_t-1,h_t-1,y_t,f_t

f_t←forget_gate←h_t-1,y_t

y′_t←output_gate←h_t-1,y_t

Loss(y_t,y′_t)

end；

for l＝1,l＜＝L,l++：

C_T+1←input_gate←C_T+L-1,h_T+1,y′_T+l,f_T+

f_T+l←forget_gate←h_T+L-1,y′_T+l

y′_T+l←output_gate←C_T+l,h_T+l-1,y′_T+l

end；

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。

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，Y_i是真实数据集，Y_i*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。

Images