[發明專利]一種基于貝葉斯LSTM模型的旋轉機械的故障預警方法

在審

• 申請號: 202010520887.2
• 申請日: 2020-06-05
• 公開（公告）號: CN111914875A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 游東東;黎家良;沈小成
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/40;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍;江裕強

1.一種基于貝葉斯LSTM模型的旋轉機械的故障預警方法，其特征在于，包括以下步驟：

S1、讀取n組時間序列的信號數據，將信號數據處理成p維矩陣X_p×n，方便進行信號處理，得到含噪的無異常數據,然后通過離散小波包閾值去噪方法對信號進行分解，過濾小波系數后重構，有效地去除噪聲；

S2、對于p維的樣本數據，各個維度并不一定都能獨立代表設備狀況，也可能每個維度之間相互關聯，為了降低維度提高效率，對樣本數據進行概率主成分分析(PPCA)，將樣本數據降至q維X_q×n；

S3、運用C-C算法對降維信號數據進行相空間重構；

S4、將樣本數據按比例分成訓練、驗證與測試數據，方便對預測模型進行訓練、驗證與測試；構造LSTM循環神經網絡，以sigmoid函數為激活函數，采用反向傳播算法作為其訓練算法，得到模型最優參數；利用驗證樣本對模型精度進行驗證，判斷是否符合應用條件，不滿足精度要求，則繼續訓練；若模型預測是正確的，則利用測試樣本應用模型，對模型預測出的數據，采用貝葉斯假設可靠性檢驗方法求其置信度，最后利用歷史數據集的先驗信息基礎上給出了一種是否發出預警的判斷方法，使模型能夠準確地在機組故障蠕變階段或者監控系統自身出現問題時發出警報。

2.根據權利要求1所述的一種基于貝葉斯LSTM模型的旋轉機械的故障預警方法，其特征在于，步驟S1中，讀取的信號數據為原始信號，即由傳感器采集的未經過任何處理的信號，通常從傳感器采集得到，由實時監控系統記錄的數據往往含噪，如果不經過去噪處理，會對接下來的信號分析產生影響，致使分析出現偏差，結果就毫無意義；故采用一種離散小波包閾值去噪方法對原始信號進行降噪，具體如下：

一個含噪信號進行多層分解后，其能量主要集中在部分小波包分解系數中，而噪聲能量則分布在整個小波域的系數中，信號本身小波包變換系數的輻值要大于噪聲的小波包變換系數的輻值；設置適當的閾值，篩選出由信號本身引起的小波包變換系數，過濾掉噪聲引起的系數，再進行小波重構，就能得到不含噪聲的信號，因此閾值的選取對小波包閾值去噪效果具有決定性的影響；

采用一種利用貝葉斯估計的方法來確定閾值，利用其考慮先驗信息的優勢，面對風險函數建立閾值，有效增強去噪的效果；

在離散小波包變換中，基本小波函數通常為：

其中t表示一個連續的時間變量；л是時間指數；и是頻率指數；Z是所有整數的集合；L²(R)代表希爾伯特空間；ψ是基本小波函數；

在離散小波包技術的實際應用中，將一個具有n個離散數據點的信號f(t)進行小波分解：

f_j(t)的小波級數進一步分解成小波包分量：

w_n表示第n個離散數據點的小波函數簇，n＝0,1,2,…，其中，k代表繼續分解的層數，0≤k≤j，系數稱為f(t)在分辨率為j-k時的正交小波包分解系數；w_n(t)滿足雙尺度方程：

其中，{h_n}_n∈Z是一個共軛正交鏡像濾波器，滿足g_n＝(-1)^kh_1-k；δ_k,l是一個Kronecker函數，滿足k,l∈Z；

當n＝0時，w₀(t)即為尺度函數，當n＝1時，w₁(t)即為小波函數ψ(t)，此時使(1)式可以表示成：

小波包分解系數下一層分解系數由遞推公式求得：

小波包分解系數的初始值為離散數據本身，則重構算法為：

先用(6)式對含噪的無異常信號分解，求得3級小波包分解中的二叉樹各個節點的小波包分解系數，按閾值過濾掉小波包分解系數后，再按(7)式進行信號重構。