基于稳态特征构图的燃气轮机上多种测点时序预测方法技术

本发明专利技术公开了一种基于稳态特征构图的燃气轮机上多种测点时序预测方法，通过端到端方式提取输入样本的稳态特征并构造关联关系网络，通过稳态损失指导关联关系构图，基于稳态特征构图的建立时空神经网络序列预测模型；采用该时空神经网络序列预测模型提取定工况下系统的稳态特征，使用时空卷积进行序列预测，实现自适应的稳态特征学习，最终利用该预测模型获得燃气轮机多传感器时间序列预测曲线。在时间序列预测中，将序列的瞬时特征引入构图模块中，通过输入序列来进行关联网络的动态构建。与现有技术相比有更好的预测效果，能够提取定工况下系统的稳态特征，以提升时间序列预测的效果以及用于分析关联网络异常来检查系统工作状况。统工作状况。统工作状况。

【技术实现步骤摘要】
基于稳态特征构图的燃气轮机上多种测点时序预测方法


[0001]本专利技术属于一种神经网络模型的设计及应用，特别涉及一种稳态特征构图的时空卷积 网络模型及其利用该模型实现燃气轮机上多种测点的时序预测。

技术介绍

[0002]多元时间序列预测问题一直是统计学和深度学习研究的热点。不确定性分为模型不确 定性和数据不确定性。传统的ARIMA(Auto
‑
regressive Integrated Moving Average model)模 型可以处理非平稳序列，主要思想是先对非平稳序列进行差分，使之变为平稳序列，然后 再用ARMA模型来拟合差分后的序列，主要应用于单变量、同方差场合的线性模型。 ARIMA都要求时间序列具有单变量、同方差，且序列遵循线性回归，但是这些前提假设在 很多情况并不成立，实际生活中，存在更多的反而是关系异方差、多变量、非线性的时间 序列。至此，传统的统计学时间序列预测的方法就显得捉襟见肘。图卷积神经网络通过邻 接矩阵来表示节点之间的两两关系，并且通过图卷积得以将节点自身的信息向邻居节点进 行传播。这部分构图方法虽然摆脱了传统构图方法的局限性，但是仍然没有考虑到一个稳 定的系统之中，会有部分节点之间的关系在任意时刻都是能保持稳定的。

技术实现思路

[0003]本专利技术针对上述现有技术中不足的问题，为了进一步提升时间序列的预测效果，有必 要提出革新的算法将数据中隐含的稳态信息加入到关系网络构建当中，考虑该因素后建立 的预测模型能够提取定工况下系统的稳态特征，可以用来提升时间序列预测的效果以及用 于分析关联网络异常来检查系统工作状况。
[0004]为了解决上述技术问题，本专利技术提出的一种基于稳态特征构图的燃气轮机上多种测点 时序预测方法，其特征在于，通过端到端方式提取输入样本的稳态特征并构造关联关系网 络，通过稳态损失指导关联关系构图，基于稳态特征构图的建立时空神经网络序列预测模 型；采用该时空神经网络序列预测模型提取定工况下系统的稳态特征，使用时空卷积进行 序列预测，实现自适应的稳态特征学习，最终获得燃气轮机多传感器时间序列预测曲线。
[0005]进一步讲，所述的基于稳态特征构图的时空神经网络序列预测模型包括一个稳态网络 构造模块，一个时空卷积特征融合模块以及一个序列预测输出反馈模块；所述稳态网络构 造模块使用池化、卷积和线性变化操作，用于提取样本中的稳态特征信息并构造稳态关联 网络，用于在系统每一个输入序列构造的用做后续时空卷积特征融合模块的输入；对于每 一次迭代样本构造的稳态网络，通过计算构图方差来作为额外的损失函数指导反向传播以 更新稳态网络构造模块的网络参数；所述时空卷积特征融合模块使用时序卷积和图卷积操 作，用于在系统的每一次迭代中完成单一样本的时序特征和空间特征的提取，工作过程中 接收原始样本的输入和稳态网络构造模块的输出聚合样本的特征；所述序列预测输出反馈 模块用于实现网络的迭代优化和预测序列的输出，所述序列预测输出反馈模
块接收来自所 述时空卷积特征融合模块的输出，并将序列预测输出反馈模块输出的预测序列与真实时间 序列做对比，组合稳态网络构造模块的稳态损失和序列预测损失，通过反向传播方式优化 各级权值，并将反馈结果输出至整个建模过程的各层级输入端。
[0006]本所述的方法，包括以下步骤：
[0007]步骤1、数据预处理：按照相同间隔的时间，将燃气轮机多传感器的测量数据按照时间 顺序组成多元时间序列数据。
[0008]步骤2、构造稳态关联关系矩阵：预处理的数据首先通过稳态网络构造模块提取稳态特 征并构造稳态关联网络；选择两个一维卷积作为基础的特征提取器来提取时间序列上的稳 态特征，分别为节点特征构造出两个稳态特征向量；两个稳态特征向量通过矩阵乘法操作 和多层感知器的线性变换拓展为R
NxN
的稳态关联关系矩阵；对于每一次迭代样本构造的稳 态网络，通过计算构图方差来作为额外的损失函数指导反向传播以更新稳态网络构造模块 的网络参数；
[0009]步骤3、时空序卷积处理：利用时空卷积描述符和步骤2所述的得到的稳态关联关系矩 阵对时间序列进行多层时空卷积进行特征提取和特征融合，特征融合包括图卷积特征融合 和时序卷积特征融合；并对每一次时空卷积的结果进行记录并整合输出；其中：所述的图 卷积特征融合是图卷积模块接收原始输入特征的残差链接和上一轮时空卷积的特征，使用 稳态关联网络表示的节点间关系进行高维图卷积操作，聚合节点之间的信息；所述的时序 卷积特征融合是使用膨胀因果时序卷积操作，将单节点时序方向上的信息进行聚合，并且 将每一轮的输出结果输出到输出模块和下一层时空卷积；
[0010]步骤4、时空卷积网络的反向传播：计算损失函数，通过反向传播方式优化各级权值。 反馈结果传播至整个建模过程的各层级输入端，实现整个模型和网络的自适应学习，从而 获得训练好的模型；
[0011]步骤5、获得燃气轮机多传感器时间序列预测曲线：以时刻1
‑
t的时间序列作为模型的 输入，该模型的输出即为t+1时刻对应的燃气轮机多传感器时间序列预测曲线。
[0012]本专利技术所述方法的详细步骤见记载在具体实施方式中的内容。
[0013]与现有技术相比，本专利技术的有益效果是：
[0014]在时间序列预测中，将序列的瞬时特征和稳态损失引入构图模块中，通过输入序列来 进行关联网络的动态构建。此外，还使用了时空卷积进行时序和空间特征的提取。在此基 础上提出了基于稳态特征构图的时空卷积时间序列预测模型，与现有技术相比有更好的预 测效果，能获得全局性更优、泛化性能更好的建模结果。
附图说明
[0015]图1是本专利技术中基于稳态特征构图的建立时空神经网络序列预测模型的结构示意；
[0016]图2是利用图1所示预测模型实现多种测点时序预测的流程图；
[0017]图3
‑
1是燃气轮机壳体震动测点上的测点曲线和预测曲线；
[0018]图3
‑
2是燃气轮机高压转速测点上的测点曲线和预测曲线；
[0019]图3
‑
3是燃气轮机燃油压力测点上的测点曲线和预测曲线；
[0020]图3
‑
4是燃气轮机油箱温度测点上的测点曲线和预测曲线。
个1分钟的新样本x。这里采用步长12，由[x
i
，x
i+1
，...，x
i+11
]得到[x
i+12
，x
i+13
，...，x
i+23
]， i＝1,2,3,
…
数据集中的所有时间序列在0到1之间进行归一化，使用针对每个节点的归一化 函数进行min
‑
max归一化。对于归一化后的结构化数据，首先对它们进行随意打乱，然后 将数据分为三部分：70％作为训练集来训练预测模型，20％作为验证集来选择最优模型参数， 另外10％作为测试集来评价预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稳态特征构图的燃气轮机上多种测点时序预测方法，其特征在于，通过端到端方式提取输入样本的稳态特征并构造关联关系网络，通过稳态损失指导关联关系构图，基于稳态特征构图的建立时空神经网络序列预测模型；采用该时空神经网络序列预测模型提取定工况下系统的稳态特征，使用时空卷积进行序列预测，实现自适应的稳态特征学习，最终获得燃气轮机多传感器时间序列预测曲线。2.根据权利要求1所述的方法，其特征在于，所述的基于稳态特征构图的时空神经网络序列预测模型包括一个稳态网络构造模块，一个时空卷积特征融合模块以及一个序列预测输出反馈模块；所述稳态网络构造模块使用池化、卷积和线性变化操作，用于提取样本中的稳态特征信息并构造稳态关联网络，用于在系统每一个输入序列构造的用做后续时空卷积特征融合模块的输入；对于每一次迭代样本构造的稳态网络，通过计算构图方差来作为额外的损失函数指导反向传播以更新稳态网络构造模块的网络参数；所述时空卷积特征融合模块使用时序卷积和图卷积操作，用于在系统的每一次迭代中完成单一样本的时序特征和空间特征的提取，工作过程中接收原始样本的输入和稳态网络构造模块的输出聚合样本的特征；所述序列预测输出反馈模块用于实现网络的迭代优化和预测序列的输出，所述序列预测输出反馈模块接收来自所述时空卷积特征融合模块的输出，并将序列预测输出反馈模块输出的预测序列与真实时间序列做对比，组合稳态网络构造模块的稳态损失和序列预测损失，通过反向传播方式优化各级权值，并将反馈结果输出至整个建模过程的各层级输入端。3.根据权利要求2所述的方法，其特征在于，包括以下步骤：步骤1、数据预处理：按照相同间隔的时间，将燃气轮机多传感器的测量数据按照时间顺序组成多元时间序列数据；对于记录好的时间序列数据，首先取所有传感器在0至t时刻的数据作为一个样本；以此类推，采样得到1至t+1、2至t+2、
…
到T
Max
至t+T
Max
时间段内的数据作为模型的训练样本；确定样本后采用最大最小归一化方法对数值进行归一化操作；式(1)中，x
i
和x
′
i
分别表示第i个节点上的原始向量和归一化后的向量，Min(x
i
)表示该节点最小样本值构成的向量，Min(x
i
)表示该节点最大样本值构成的向量，N表示节点数量；步骤2、构造稳态关联关系矩阵：预处理的数据首先通过稳态网络构造模块提取稳态特征并构造稳态关联网络；选择两个一维卷积作为基础的特征提取器来提取时间序列上的稳态特征，分别为节点特征构造出两个稳态特征向量；两个稳态特征向量通过矩阵乘法操作和多层感知器的线性变换拓展为R
NxN
的稳态关联关系矩阵；对于每一次迭代样本构造的稳态网络，通过计算构图方差来作为最终的的损失函数进行反向传播以更新网络参数；步骤3、时空序卷积处理：利用时空卷积描述符和步骤2所述的得到的稳态关联关系矩阵，结合时空卷积特征融合模块，对时间序列数据进行多层时空卷积的特征融合；特征融合包括图卷积特征融合和时序卷积特征融合；并对每一次时空卷积的结果进行记录并整合输出；其中：
所述的图卷积特征融合是图卷积模块接收原始输入特征的残差链接和上一轮时空卷积的特征，使用稳态关联网络表示的节点间关系进行高维图卷积操作，聚合节点之间的信息；所述的时序卷积特征融合是使用膨胀因果时序卷积操作，将单节点时序方向上的信息进行聚合，并且将每一轮的输出结果输出到输出模块和下一层时空卷积；步骤4、时空卷积网络的反向传播：计算损失函数，通过反向传播方式优化各级权值；反馈结果传播至整个建模过程的各层级输入端，实现整个模型和网络的自适应学习，从而获得训练好的模型；步骤5、获得燃气轮机多传感器时间序列预测曲线：以时刻1
‑
...

【专利技术属性】
技术研发人员：谢宗霞，陈岩哲，
申请(专利权)人：天津大学，
类型：发明
国别省市：