一种基于深度学习的船用燃气轮机状态预测方法与流程

1.本发明属于数据分析技术领域，具体涉及一种基于深度学习的船用燃气轮机状态预测方法。


背景技术：

2.燃气轮机作为船舶重要的动力设备，其性能衰退或故障将对整个船舶推进系统的工作状态产生巨大影响。而燃气轮机常年工作在高温、高压、高速等恶劣环境下，极易发生各种故障。同时随着燃气轮机使用时间的延长，其性能必然会存在不同程度的退化，从而造成燃气轮机整体性能的下降。
3.燃气温度是燃气轮机监控中常用的性能参数，亦是衡量燃机燃烧性能的重要参数，通过监控和预测燃气温度有利于掌握燃气轮机的性能状态及其衰退情况，进一步有效支撑燃气轮机的使用决策及维修决策，对于提高整机的可靠性和安全性具有重要的意义。
4.随着越来越多机器学习的方法应用到预测技术中，现有燃气轮机状态预测技术取得了很大的突破，但当前针对船用燃气轮机的状态预测还存在特征提取不充分、预测精度低的问题。因此，如何充分利用燃气轮机监测数据，消除原始变量之间耦合关系，建立精确的燃气温度预测模型是当前亟需解决的问题。


技术实现要素：

5.为了解决上述现有技术存在的问题，本技术提出基于深度学习的船用燃气轮机状态预测方法，包括以下步骤：
6.原始数据获取，采集真实运行的燃气轮机上的多源传感器数据，进行数据质量判断和预处理；
7.关联特征分析，基于主成分分析法pca对燃气轮机多维变量进行降维处理，选择与燃气轮机燃气温度相关性最强的参数集合，作为燃气温度预测模型的输入变量；
8.建立lstm燃气温度预测模型，采用dropout策略和adam优化器构建lstm网络，选取相应的模型参数，并确定预测结果评估准则；
9.迭代预测与反标准化，基于预测评估结果判断是否继续迭代预测，直至满足要求，将模型输出结果反标准化处理。
10.进一步的，原始数据获取具体包括以下步骤：通过在船用燃气轮机上安装的传感器，经过采集系统获得燃气轮机历史时段的温度、振动及压力数据，得到原始数据集。
11.进一步的，还包括以下步骤：通过数据分析方法对原始工程数据依次进行异常值处理、缺失值处理、数据清洗，得到规约后的数据。
12.进一步的，关联特征分析具体包括以下步骤：
13.对特征参数数据集进行z-score标准化处理，得到标准化样本集；
14.计算标准化后训练数据的协方差矩阵，并计算协方差矩阵的特征根及贡献率。
15.进一步的，对特征参数数据集进行z-score标准化处理具体包括：
16.对于均值为μ，标准差为σ的特征变量x，其标准化公式为：
[0017][0018]
进一步的，计算标准化后训练数据的协方差矩阵具体包括：
[0019]
将求得的特征值排序：λ1≥λ2≥
…
≥λm，累计方差贡献率大于75％～95％时对应的前p个主成分便包含m个原始变量所能提供的绝大部分信息，主成分个数就是p，方差贡献率和累计方差贡献率分别为：
[0020][0021][0022]
前p个特征值对应的特征向量构成降维后的主成分分析的解，即v
p
＝(v1,v2,
…
,v
p
)。
[0023]
进一步的，建立lstm燃气温度预测模型具体包括：
[0024]
采用dropout策略和adam优化器构建lstm网络，随机选择一些神经元，暂时切断与同一时间的多层计算单元之间的连接；在迭代过程中，当神经网络更新应用dropout的某一层时，它随机不更新；
[0025]
采用adam优化器，本质上是时间反向传播bptt的一种实现方法，在计算过程中，参数更新不受梯度展开变换的影响，有效提高了梯度指数衰减率；
[0026]
选取相应的模型参数，并确定预测结果评估准则。
[0027]
进一步的，预测结果评估准则参照以下公式计算：
[0028][0029]
式中，n为样本数，为模型预测值，yi为实际测量值。
[0030]
本发明提出的基于深度学习的船用燃气轮机状态预测方法，与现有技术相比，其有益效果在于：
[0031]
本发明消除了燃气轮机原始多维变量的耦合特性，采用主成分分析方法进行关联特征提取；充分考虑到燃机燃气温度非线性动态变化的特性，建立基于长短时记忆神经网路lstm的状态预测模型，采用dropout策略和adam优化器来提高网络性能，实现了燃气轮机状态参数预测更高的预测精度、更快的响应速度和更强的泛化能力。
附图说明
[0032]
图1为本发明的预测方法示意图；
[0033]
图2为本发明的数据质量判断和预处理流程示意图；
[0034]
图3为本发明采用dropout策略的lstm架构示意图。
具体实施方式
[0035]
为使本领域技术人员能够更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明做进一步的说明。
[0036]
参照图1，本发明提供了一种基于深度学习的船用燃气轮机状态预测方法，具体包括以下步骤：
[0037]
步骤s10、原始数据获取：采集真实运行的燃气轮机上的多源传感器数据，进行数据质量判断和预处理；
[0038]
通过在船用燃气轮机上安装的传感器，经过采集系统获得燃气轮机历史时段的温度、振动及压力等数据，得到原始数据集；如图2所示，通过数据分析方法对原始工程数据依次进行异常值处理、缺失值处理、数据清洗，得到规约后的数据；
[0039]
步骤s20、特征关联分析：基于主成分分析法pca对燃气轮机多维变量进行降维处理，选择与燃气轮机燃气温度相关性最强的参数集合，作为燃气温度预测模型的输入变量；
[0040]
步骤s21、对特征参数数据集进行z-score标准化处理，得到标准化样本集；具体地，对于均值为μ，标准差为σ的特征变量x，其标准化公式为：
[0041][0042]
步骤s22、计算标准化后训练数据的协方差矩阵，并计算协方差矩阵的特征根及贡献率；具体地,将求得的特征值排序：λ1≥λ2≥
…
≥λm。累计方差贡献率大于75％～95％时对应的前p个主成分便包含m个原始变量所能提供的绝大部分信息，主成分个数就是p。方差贡献率和累计方差贡献率分别为：
[0043][0044][0045]
前p个特征值对应的特征向量构成降维后的主成分分析的解，即v
p
＝(v1,v2,
…
,v
p
)；
[0046]
步骤s30、建立lstm燃气温度预测模型：采用dropout策略和adam优化器构建lstm网络，选取相应的模型参数，并确定预测结果评估准则；
[0047]
采用dropout策略和adam优化器构建lstm网络，选取相应的模型参数，并确定预测结果评估准则；具体地，采用dropout策略和adam优化器构建lstm网络，随机选择一些神经元，暂时切断与同一时间的多层计算单元之间的连接。在迭代过程中，当神经网络更新应用dropout的某一层时，它随机不更新。如图3所示，虚线传递过程中可以使用dropout，黑线表示lstm中的信息传递；
[0048]
采用adam优化器，本质上是时间反向传播bptt的一种实现方法，在计算过程中，参数更新不受梯度展开变换的影响，有效提高了梯度指数衰减率。
[0049]
选取相应的模型参数，并确定预测结果评估准则；具体地，预测误差评估计算如下：
[0050]
[0051][0052]
式中，n为样本数，为模型预测值，yi为实际测量值
[0053]
步骤s40、迭代预测与反标准化：基于预测评估结果判断是否继续迭代预测，直至满足要求，将模型输出结果反标准化处理。
[0054]
本技术的技术方案消除了燃气轮机原始多维变量的耦合特性，采用主成分分析方法进行关联特征提取；充分考虑到燃机燃气温度非线性动态变化的特性，建立基于长短时记忆神经网路lstm的状态预测模型，采用dropout策略和adam优化器来提高网络性能，实现了燃气轮机状态参数预测更高的预测精度、更快的响应速度和更强的泛化能力。
[0055]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0056]
综上，仅为本发明之较佳实施例，不以此限定本发明的保护范围，凡依本发明专利范围及说明书内容所作的等效变化与修饰，皆为本发明专利涵盖的范围之内。

技术特征：
1.一种基于深度学习的船用燃气轮机状态预测方法，其特征在于，包括以下步骤：原始数据获取，采集真实运行的燃气轮机上的多源传感器数据，进行数据质量判断和预处理；关联特征分析，基于主成分分析法pca对燃气轮机多维变量进行降维处理，选择与燃气轮机燃气温度相关性最强的参数集合，作为燃气温度预测模型的输入变量；建立lstm燃气温度预测模型，采用dropout策略和adam优化器构建lstm网络，选取相应的模型参数，并确定预测结果评估准则；迭代预测与反标准化，基于预测评估结果判断是否继续迭代预测，直至满足要求，将模型输出结果反标准化处理。2.根据权利要求1所述的基于深度学习的船用燃气轮机状态预测方法，其特征在于，原始数据获取具体包括以下步骤：通过在船用燃气轮机上安装的传感器，经过采集系统获得燃气轮机历史时段的温度、振动及压力数据，得到原始数据集。3.根据权利要求2所述的基于深度学习的船用燃气轮机状态预测方法，其特征在于，还包括以下步骤：通过数据分析方法对原始工程数据依次进行异常值处理、缺失值处理、数据清洗，得到规约后的数据。4.根据权利要求3所述的基于深度学习的船用燃气轮机状态预测方法，其特征在于，关联特征分析具体包括以下步骤：对特征参数数据集进行z-score标准化处理，得到标准化样本集；计算标准化后训练数据的协方差矩阵，并计算协方差矩阵的特征根及贡献率。5.根据权利要求4所述的基于深度学习的船用燃气轮机状态预测方法，其特征在于，对特征参数数据集进行z-score标准化处理具体包括：对于均值为μ，标准差为σ的特征变量x，其标准化公式为：6.根据权利要求5所述的基于深度学习的船用燃气轮机状态预测方法，其特征在于，计算标准化后训练数据的协方差矩阵具体包括：将求得的特征值排序：λ1≥λ2≥
…
≥λ
m
，累计方差贡献率大于75％～95％时对应的前p个主成分便包含m个原始变量所能提供的绝大部分信息，主成分个数就是p，方差贡献率和累计方差贡献率分别为：累计方差贡献率分别为：前p个特征值对应的特征向量构成降维后的主成分分析的解，即v
p
＝(v1,v2,
…
,v
p
)。7.根据权利要求6所述的基于深度学习的船用燃气轮机状态预测方法，其特征在于，建立lstm燃气温度预测模型具体包括：采用dropout策略和adam优化器构建lstm网络，随机选择一些神经元，暂时切断与同一时间的多层计算单元之间的连接；在迭代过程中，当神经网络更新应用dropout的某一层时，它随机不更新；
采用adam优化器，本质上是时间反向传播bptt的一种实现方法，在计算过程中，参数更新不受梯度展开变换的影响，有效提高了梯度指数衰减率；选取相应的模型参数，并确定预测结果评估准则。8.根据权利要求7所述的基于深度学习的船用燃气轮机状态预测方法，其特征在于，预测结果评估准则参照以下公式计算：测结果评估准则参照以下公式计算：式中，n为样本数，为模型预测值，y
i
为实际测量值。

技术总结
本发明提出的一种基于深度学习的船用燃气轮机状态预测方法，包括以下步骤：原始数据获取、关联特征分析、建立LSTM燃气温度预测模型、迭代预测与反标准化。本发明消除了燃气轮机原始多维变量的耦合特性，采用主成分分析方法进行关联特征提取；充分考虑到燃机燃气温度非线性动态变化的特性，建立基于长短时记忆神经网路LSTM的状态预测模型，采用dropout策略和Adam优化器来提高网络性能，实现了燃气轮机状态参数预测更高的预测精度、更快的响应速度和更强的泛化能力。和更强的泛化能力。和更强的泛化能力。


技术研发人员：雷萌 曲媛 卫禹丞 张培军 韩磊 桂灿芝 吴雨桐 樊珑
受保护的技术使用者：中国船舶集团有限公司系统工程研究院
技术研发日：2023.06.09
技术公布日：2023/9/23