一种基于深度神经网络的立面损伤评估方法技术

本发明专利技术公开了一种基于深度神经网络的立面损伤评估方法。方法包括：将损伤立面的时序数据输入SOM神经网络中训练；使用Bootstrap法将训练集划分并输入集成DBiGRU模型中训练；获取待预测立面的时序数据输入训练完成的SOM神经网络中，输出最佳拟合曲线；选取趋势残差组输入训练完成的SOM神经网络中，输出最小量化误差构建立面损伤指标；构建预测神经网络模型；将待预测立面的时序数据输入训练完成的集成DBiGRU模型中，输入预测神经网络模型中，输出剩余寿命的均值和置信区间，对待预测立面进行全面评估。本发明专利技术方法可以精准预测复杂立面环境维护周期，有利于降低因故障维护不及时产生的损失，从而减小不必要的消耗。从而减小不必要的消耗。从而减小不必要的消耗。

【技术实现步骤摘要】
一种基于深度神经网络的立面损伤评估方法


[0001]本专利技术涉及了一种立面损伤评估方法，具体涉及一种基于深度神经网络的立面损伤评估方法。

技术介绍

[0002]石化及放射性储物罐、锅炉在经过长时间的使用之后，其内外立面会存在一些裂纹、生锈、气孔等表面缺陷。这些缺陷如果长时间不修复，会导致气液体泄露等安全隐患，因此如何及时发现壁面的表面缺陷并准确判断缺陷信息对于该方面领域的生产安全保证有着重要的实际意义。而目前针对石化及放射性储物罐、锅炉等内外壁面存在人工检测的诸多不足之处，如缺乏客观统一的检测标准、检测效率低下、人眼分辨率有限且带有主观意识等问题。
[0003]随着先进的传感器和计算机技术的发展，工业生产中积累了大量的状态监测数据，数据驱动方法利用状态监测数据来量化退化过程，建立一个精确的系统模型。基于数据驱动的预测方法通常由数据采集、损伤指标构建和维护周期预测三个步骤组成。损伤指标试图通过获取数据中的特征信息来识别和量化历史和正在进行的退化过程。并且，高质量的预测模型有助于提高预测精度。因此，损伤指标和预测模型在很大程度上直接影响数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的立面损伤评估方法，其特征在于：方法包括如下步骤：步骤1：将采集的损伤立面的若干不同维数时序数据输入SOM神经网络中进行训练，获得训练完成的SOM神经网络；步骤2：将损伤立面的各个维数时序数据作为训练集，使用Bootstrap法将训练集划分为k个DBIGRU块并输入集成DBiGRU模型中进行迭代训练，获得训练完成的集成DBiGRU模型；步骤3：获取待预测的立面的若干不同维数时序数据并输入训练完成的SOM神经网络中，训练完成的SOM神经网络输出最佳拟合曲线；利用最小二乘拟合方法从损伤指标曲线中减去最佳拟合曲线，损伤指标曲线被分解为若干个趋势残差组，选取其中的若干趋势残差组输入训练完成的SOM神经网络中，训练完成的SOM神经网络输出选取的各个趋势残差组的最小量化误差构建待预测的立面的立面损伤指标；步骤4：构建预测神经网络模型；步骤5：将待预测的立面的若干不同维数时序数据输入训练完成的集成DBiGRU模型中，训练完成的集成DBiGRU模型的输出输入至预测神经网络模型中，预测神经网络模型输出待预测的立面的剩余寿命的均值和置信区间，根据剩余寿命的均值预测出待预测的立面的剩余寿命，根据剩余寿命的置信区间预测出待预测的立面的维护区间，从而对待预测的立面进行全面评估。2.根据权利要求1所述的一种基于深度神经网络的立面损伤评估方法，其特征在于：所述的步骤1中，将采集的损伤立面的若干不同维数时序数据输入SOM神经网络中后获得状态特征向量；损伤立面的不同维数时序数据包括损伤立面的温度、湿度和PH值时序数据；状态特征向量具体为由损伤立面的各个不同维数时序数据的实时的统计特征值构成，统计特征值包括若干时频域特征和两个基于三角函数的特征，时频域特征包括心频率、均方频率、均方根频率、频率方差、频率标准差、频率幅值方差、幅值偏度指标、幅值峭度指标、频率标准差、频率标准差、频率峭度和平方根比率；两个基于三角函数的特征包括反三角双曲余弦标准差IHC和反三角双曲正弦标准HIS。3.根据权利要求2所述的一种基于深度神经网络的立面损伤评估方法，其特征在于：所述的步骤1中，SOM网络在训练过程中，获得状态特征向量和BMU权重向量之间的距离最小时获得最小量化误差MQE，具体如下：MQE＝||z
‑
w
BMU
||其中，z表示状态特征向量；w
BMU
表示SOM网络的误差参数；确定此时的误差参数w
BMU
作为SOM网络的误差参数从而获得训练完成的SOM网络。4.根据权利要求1所述的一种基于深度神经网络的立面损伤评估方法，其特征在于：所述的步骤2中，集成DB...

【专利技术属性】
技术研发人员：傅雷，郭伟东，马泽鹏，胥芳，张立彬，谭大鹏，
申请(专利权)人：浙江工业大学台州研究院，
类型：发明
国别省市：