一种基于改进的LSTM-MLP的小型发电机故障预测方法技术

本发明专利技术涉及一种基于改进的LSTM‑MLP的小型发电机故障预测方法，属于人工智能和机器学习技术领域。该方法包括基于改进的LSTM‑MLP与多层感知机两种模型，通过输入小型发电机组DTU模块所采集的数据进行预测的输入，在网络中改进的LSTM网络作为前置网络负责小型发电机组的状态预测，多层感知机作为后置网络负责小型发电机组故障分类并对整个系统的结果进行输出。本发明专利技术通过改进LSTM网络结构，通过在网络的门控结构中引入上个时序状态和本时序状态的协方差作为权重系数，进一步提高了LSTM网络预测的准确率，增加了小型发电机的可靠使用时间，并减少了发电机组运维所需要的人力成本。

【技术实现步骤摘要】
一种基于改进的LSTM-MLP的小型发电机故障预测方法
本专利技术属于人工智能和机器学习
，涉及一种基于改进的LSTM-MLP的小型发电机故障预测方法。
技术介绍
故障预测是工业设备中非常关键的一环，近些年来，生产制造模式的创新、新兴技术的出现，“智能制造诊断评价”成为了工业中必不可少的系统之一。传统的故障诊断和预测技术大部分依靠专家系统或人工评定进行，小型发电机设备运维企业大多不能支付高额的专家咨询费用。设备故障诊断和预测性维护作为整个智能诊断系统中的一大内容，是制造业向着智能化、数字化方向转型升级中必须跨过的一道关口。通过引入人工智能前沿技术，设备的运行和维护工作可以做到智能化和提前化；物联网技术的加入，也给传感器采集设备信息带来了更多的便利；云数据平台的出现使得复杂的运算可以在远程云端进行从而补足了可移动设备本身算力不足的缺点。一套合理并优秀的故障预测与运行维护系统，可以减少设备维护的成本，并且大大提高设备的运行寿命。LSTM长短期记忆人工神经网络作为RNN循环神经网络中的一种，在时间序列预测中有着优秀的表现。LSTM网络相比于RNN网络引入了3种门，分别为输入门、遗忘门和输出门，同时引入了隐藏状态和记忆细胞的概念。3种门控制了隐藏状态和记忆细胞的更新，解决了长期依赖问题的同时，也解决了梯度消失/梯度爆炸的问题。但是在传统的LSTM网络中，随着网络输入维度的增加，各维度之间的耦合度变得越来越低，从而导致预测的准确度降低。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于改进的LSTM-MLP的小型发电机故障预测方案，通过改进的LSTM网络和MLP网络进行发电机状态和故障预测的方法，避免了运行维护中的欠维护和过度维护的情况，同时也延长了小型发电机设备的工作寿命。为达到上述目的，本专利技术提供如下技术方案：一种基于改进的LSTM-MLP的小型发电机故障预测方法，如图1和图2所示，具体包括以下步骤：S1：发电机数据传输单元(DataTransferunit，DTU)模块采集数据；S2：对采集的数据进行预处理，包括：对噪声较大的数据进行剔除，对噪声较小的数据进行缺失值填补，并将数据转换为便于处理的向量格式，最后将数据根据时间序列进行排序；S3：输入步骤S2预处理后的数据，并通过改进的LSTM网络进行发电机状态的预测；S4：将步骤S3预测得到的发电机状态数据通过MLP网络进行发电机的故障预测；S5：输出故障的生成几率并发送至相应的设备。进一步，步骤S1中，发电机DTU模块每隔60分钟采集一次数据，并输出CSV格式。进一步，步骤S2中，对采集的数据进行预处理，具体包括：采集的数据为N×11的二维矩阵，数据标签分别为time,dtu_num,p_load,p_active,v_generatingline,v_generationphase,v_frequency,temperature_water,pressure_oil,rotating_speed,failure_code；分别代表数据采集时间、DTU模块编号、负载功率、总有功功率、发电线电压、发电相电压、发电频率、水温值、油温值、转速、错误代码，共十一个发电机参数；将dtu_num列删除并将time作为时间序列识别码。完成删除后，判断每条数据是否存在缺失值，判断完成后对存在缺失值的数据进行处理。进一步，步骤S3中，LSTM网络训练的过程中，训练过程：①首先将除time列之外的所有数据做归一化处理；②查看数据缺失条目情况，若特征缺失占总条数的10％以下，则采用均值填充的方式对数据进行填充，若特征缺失占总条数的10％以上，则舍弃掉该特征值；③对处理后的数据输入LSTM网络进行训练，LSTM网络的模型如图4所示，并生成模型；④进行模型评估。进一步，步骤S3中，改进的LSTM网络是通过在的LSTM网络的输入门、输出门、遗忘门三个门控结构中加入本状态和上个状态之间的协方差来加强每条特征各参数之间的关联，加强了每条特征各参数之间的关联，但同时也引入了更多的参数，导致运算更加复杂。为解决复杂度问题，通过引入Embedding嵌入层来加快运算速度，具体是引入Embedding嵌入层对相乘的矩阵做降维处理来减少迭代过程中的参数数量从而加快运算速度。改进的LSTM网络结构具体为：网络的输入为上一个时刻的隐藏输入Ht-1、前后时序隐藏输入的协方差Cov(Ht-2,Ht-1)和本时刻的输入Xt、前后时序输入的协方差Cov(x,xt-1)，网络中存在三个控制门，分别为遗忘门、输入门和输出门，通过LSTM网络的三个控制门进行记忆细胞的更新、本时刻的隐藏状态更新；其中三个门的激活函数均为sigmoid函数，记忆细胞Ct更新的激活函数为tanh函数，在改进的LSTM网络中，权重系数分类两部分，其中W代表一般权重，Cov(x)代表x矩阵各列之间的协方差，b代表偏差参数；则输入门It、遗忘门Ht、输出门Ot的计算公式分别为：It＝σ(Cov(x,xt-1)XtWxi+Cov(Ht-2,Ht-1)Ht-1Whi+bi)Ft＝σ(Cov(xt,xt-1)XtWxf+Cov(Ht-2,Ht-1)Ht-1Whf+bf)Ot＝σ(Cov(xt,xt-1)XtWxo+Cov(Ht-2,Ht-1)Ht-1Who+bo)记忆细胞Ct的更新计算公式为：Ct＝Ft⊙Ct-1+It⊙tanh(XtWxc+Ht-1Whc+bc)隐藏状态Ht的更新计算公式为：Ht＝Ot⊙tanh(Ct)。进一步，步骤S4中，MLP网络训练过程为：①对原始的状态数据进行缺少值均值补全；②将数据集中出现的failure_code作为数据的label进行训练；③对处理后的数据输入MLP网络进行训练，MLP网络的模型如图5所示；④进行交叉熵损失计算对模型进行评估。进一步，步骤S4中，所述MLP网络包括输入层、隐藏全连接层和输出层，其中输出层使用softmax损失函数对故障进行分类。MLP多层感知机也是人工神经网络的一种，作为一种搭建简单并且效率高的人工神经网络，常用于分类系统。在参数数量较少、训练集数量较大的情况下，可以快速得到表现优异的分类模型。进一步，步骤S4中，在MLP网络中，网络的输入为X，拥有9个状态，隐藏层H和输出层O的计算公式如下，结果表示每种类别的可能性大小，通过可能性大小来判判断故障的输出。H＝XWh+bhO＝XWhWo+bhWo+bo进一步，在整个神经网络的搭建中，采集数据的条数为N，则在改进的LSTM网络中，网络的输入为[9,N]的发电机状态数据矩阵，输出为[9,N]的发电机状态数据矩阵，在Embedding嵌入层前，每个时序的参数大小为(36N+360)个；在MLP网络中，网络的输入为[[9,N],[1,N]]的发电机故障分类矩阵，输出为[6,N]的发电机各故障概率。本专利技术的有益效果在于：本专利技术中所采用LSTM长短期本文档来自技高网...

【技术保护点】
1.一种基于改进的LSTM-MLP的小型发电机故障预测方法，其特征在于，该方法具体包括以下步骤：/nS1：发电机数据传输单元(Data Transfer unit，DTU)模块采集数据；/nS2：对采集的数据进行预处理，包括：对噪声大的数据进行剔除，对噪声小的数据进行缺失值填补，并将数据转换向量格式，最后将数据根据时间序列进行排序；/nS3：输入步骤S2预处理后的数据，并通过改进的LSTM网络进行发电机状态的预测；/nS4：将步骤S3预测得到的发电机状态数据通过MLP网络进行发电机的故障预测；/nS5：输出故障的生成几率并发送至相应的设备。/n

【技术特征摘要】
1.一种基于改进的LSTM-MLP的小型发电机故障预测方法，其特征在于，该方法具体包括以下步骤：
S1：发电机数据传输单元(DataTransferunit，DTU)模块采集数据；
S2：对采集的数据进行预处理，包括：对噪声大的数据进行剔除，对噪声小的数据进行缺失值填补，并将数据转换向量格式，最后将数据根据时间序列进行排序；
S3：输入步骤S2预处理后的数据，并通过改进的LSTM网络进行发电机状态的预测；
S4：将步骤S3预测得到的发电机状态数据通过MLP网络进行发电机的故障预测；
S5：输出故障的生成几率并发送至相应的设备。


2.根据权利要求1所述的小型发电机故障预测方法，其特征在于，步骤S1中，发电机DTU模块每隔60分钟采集一次数据，并输出CSV格式。


3.根据权利要求1所述的小型发电机故障预测方法，其特征在于，步骤S2中，对采集的数据进行预处理，具体包括：采集的数据为N×11的二维矩阵，数据标签分别为time,dtu_num,p_load,p_active,v_generatingline,v_generationphase,v_frequency,temperature_water,pressure_oil,rotating_speed,failure_code；分别代表数据采集时间、DTU模块编号、负载功率、总有功功率、发电线电压、发电相电压、发电频率、水温值、油温值、转速、错误代码，共十一个发电机参数；将dtu_num列删除并将time作为时间序列识别码；完成删除后，判断每条数据是否存在缺失值，判断完成后对存在缺失值的数据进行处理。


4.根据权利要求1所述的小型发电机故障预测方法，其特征在于，步骤S3中，改进的LST...

【专利技术属性】
技术研发人员：付蔚，张珂汇，童世华，邓杰铭，张棚，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50