基于ConvGRU与自注意力机制的燃气轮机寿命预测方法技术

本发明专利技术公开了基于ConvGRU与自注意力机制的燃气轮机寿命预测方法，该方法包括：S1.基于样本数据实施变量选择及全寿命周期案例样本收集，S2.数据预处理，其中，包括数据规范化处理、数据标签化处理，S3.构建基于ConvGRU的自注意力机制剩余寿命预测模型，S4.计算并得出剩余寿命；本发明专利技术能够更好表征退化过程，更有效地利用特征信息，预测准确性好，泛化性强，此外，本发明专利技术能够为燃气轮机的运维带来实际效益，能为燃气轮机的维修保障决策提供支持，在机械部件性能完全退化前进行前置干预，降低故障风险，保障科学运行，减缓退化速度，延长使用寿命。寿命。寿命。

【技术实现步骤摘要】
基于ConvGRU与自注意力机制的燃气轮机寿命预测方法


[0001]本专利技术涉及一种燃气轮机寿命预测方法，尤其涉及一种基于ConvGRU与自注意力机制的燃气轮机寿命预测方法。

技术介绍

[0002]燃气轮机是继蒸汽轮机和内燃机之后的新一代动力装置，具有热效率高、功率大、启动快和污染小等优点。作为一种先进的动力装置，己经广泛地应用到了航空、船舶和发电等领域，但这些领域使用环境恶劣，随着时间的推移，设备部件可能会产生腐蚀、疲劳、磨损，蠕变、脆化等损伤，损伤的积累导致寿命的损耗，直至报废。如果能够及时对燃气轮机的寿命进行预测和评估，并据此制定合理的维护计划，避免损伤的积累，这对延长其的寿命具有重要意义。
[0003]乘余寿命(RUL)预测是通过对已有的机械设备寿命资料进行分析，预测其剩余正常运行时间。目前，动设备的剩余寿命预测理论己经趋于完善并被应用于多个领域，取得了丰硕的研究成果。
[0004]在本领域内，乘余寿命预测方法主要分为两类：(1)基于失效机理分析方法；(2)基于数据驱动的方法。
[0005]其中，基于失效机理分析方法是利用精确的物理失效模型与退化机制建立退化过程的数学描述，同时结合设备当前的状态参数实现乘余寿命预测，其获得设备失效模型的难度大，难以适用于不同研究对象，并且随着系统复杂度提升，数学运算的消耗也会呈指数上升，无法广泛推广。
[0006]而基于数据驱动的方法不需要建立设备的物理失效模型，也不需要操作人员具备专家层级的知识储备，仅需要设备运行过程中的传感器监测数据，便能建立预测模型来预测剩余寿命，因而得到了广泛应用与发展。
[0007]目前，现有的基于数据驱动的寿命预测方法存在三大不足：
[0008](1)特征提取不充分；
[0009](2)无法充分分析和有效利用不同特征信息对于剩余寿命测试结果的情况；
[0010](3)泛化能力差。
[0011]基于此，我们设计了一种基于数据驱动的寿命预测方法，

技术实现思路

[0012]为了解决上述技术所存在的不足之处，本专利技术提供了一种基于ConvGRU与自注意力机制的燃气轮机寿命预测方法。
[0013]基于ConvGRU与自注意力机制的燃气轮机寿命预测方法，该方法包括：
[0014]S1.基于样本数据实施变量选择及全寿命周期案例样本收集；
[0015]S2.数据预处理，
[0016]其中，包括数据规范化处理、数据标签化处理；
[0017]S3.构建基于ConvGRU的自注意力机制剩余寿命预测模型；
[0018]S4.计算并得出剩余寿命。
[0019]进一步地，S1包括：
[0020]剔除在燃气轮机的整个运行周期中数值保持不变的无效变量，则保留的变量个数为n；
[0021]在保留变量中处理全寿命周期故障案例，且每个案例子集的数据为L
m
×
n矩阵，
[0022]其中，L
m
表示第m个案例子集的全寿命长度。
[0023]进一步地，数据规范化处理使用零
‑
均值规范化方法，
[0024]该方法的计算公式如下：
[0025][0026]式中，为零
‑
均值规范化后的t时刻的数据，μ为所有数据的平均值，δ为所有数据的标准差；
[0027]数据标签化处理即对每行数据进行标签化处理，每行数据的标签为设备对应的剩余寿命和全寿命的比值z
t
，z
t
的计算公式如下：
[0028][0029]式中，L表示整合后的实际全寿命长度，i表示当前行。
[0030]进一步地，构建基于ConvGRU的自注意力机制剩余寿命预测模型，包括以下步骤：
[0031](1)构建基于ConvGRU的自注意力机制网络结构模型，
[0032]该模型包括有ConvGRU层、批量归一化层、自注意力机制层、平铺层和全连接层；
[0033](2)将输入的原始数据序列经过“滑动窗口”采集得到特征向量{X1,X2,...,X
n
}作为ConvGRU自注意力机制网络结构的输入特征序列；
[0034](3)通过ConvGRU层获得隐藏层特征矩阵H1，进而将H1输入到批量归一化层实施正则化以得到特征矩阵H2；
[0035](4)生成新的特征矩阵序列；
[0036](5)输出预测结果，其即为当前剩余寿命与全寿命结果的比值。
[0037]进一步地，ConvGRU可以同时提取时间序列中的时空特征信息，ConvGRU的计算公式如下，
[0038]重置门：
[0039]R
t
＝σ(X
t
*W
xr
+H
t
‑1*W
hr
+b
r
)
[0040]更新门：
[0041]Z
t
＝σ(X
t
*W
xz
+H
t
‑1*W
hr
+b
z
)
[0042]隐藏状态：
[0043][0044]输出：
[0045][0046]式中，σ表示激活函数，*表示卷积操作，表示对应位置元素相乘，R
t
表示重置门，
Z
t
表示更新门，X
t
表示t时刻网络层的输入，H
t
‑1表示t
‑
1时刻隐藏状态，表示候选隐藏状态，H
t
表示输出向量。W为卷积核的权重；b为卷积层的偏置。
[0047]进一步地，步骤(1)中包括自注意力机制应用步骤，步骤如下：
[0048]①
query与每个key点积相似度计算获得权重；
[0049]②
通过softmax函数对(1)中得到的权重归一化；
[0050]③
将归一化后的权重与对应value加权求和得到最终的自注意力特征向量，计算公式如下：
[0051][0052]式中，W
Q
为query的矩阵表示，W
K
为key的矩阵表示，W
V
为value的矩阵表示，Q、K、V分别为映射获得的query、key、value向量，d
k
的向量维度。
[0053]进一步地，步骤(4)生成新的特征矩阵序列，将经过正则化后的特征矩阵H2输入到自注意力机制进行加权，
[0054]进而在自注意力机制中，
[0055]首先，通过输入矩阵的点积运算得到对应的权重，
[0056]其次，将得到的权重经过softmax函数对生成的权重归一化，
[0057]最后，将得到的权重和对应值加权求和生成新的特征矩阵序列。
[0058]进一步地，步骤(5)中，由于预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于ConvGRU与自注意力机制的燃气轮机寿命预测方法，其特征在于，所述方法包括：S1.基于样本数据实施变量选择及全寿命周期案例样本收集；S2.数据预处理，其中，包括数据规范化处理、数据标签化处理；S3.构建基于ConvGRU的自注意力机制剩余寿命预测模型；S4.计算并得出剩余寿命。2.根据权利要求1所述的基于ConvGRU与自注意力机制的燃气轮机寿命预测方法，其特征在于，所述S1包括：剔除在燃气轮机的整个运行周期中数值保持不变的无效变量，则保留的变量个数为n；在保留变量中处理全寿命周期故障案例，且每个案例子集的数据为L
m
×
n矩阵，其中，L
m
表示第m个案例子集的全寿命长度。3.根据权利要求1所述的基于ConvGRU与自注意力机制的燃气轮机寿命预测方法，其特征在于，所述数据规范化处理使用零
‑
均值规范化方法，该方法的计算公式如下：式中，为零
‑
均值规范化后的t时刻的数据，μ为所有数据的平均值，δ为所有数据的标准差；所述数据标签化处理即对每行数据进行标签化处理，每行数据的标签为设备对应的剩余寿命和全寿命的比值z
t
，所述z
t
的计算公式如下：式中，L表示整合后的实际全寿命长度，i表示当前行。4.根据权利要求1所述的基于ConvGRU与自注意力机制的燃气轮机寿命预测方法，构建基于ConvGRU的自注意力机制剩余寿命预测模型，其特征在于，包括以下步骤：(1)构建基于ConvGRU的自注意力机制网络结构模型，该模型包括有ConvGRU层、批量归一化层、自注意力机制层、平铺层和全连接层；(2)将输入的原始数据序列经过“滑动窗口”采集得到特征向量{X1,X2,...,X
n
}作为ConvGRU自注意力机制网络结构的输入特征序列；(3)通过ConvGRU层获得隐藏层特征矩阵H1，进而将H1输入到批量归一化层实施正则化以得到特征矩阵H2；(4)生成新的特征矩阵序列；(5)输出预测结果，其即为当前剩余寿命与全寿命结果的比值。5.根据权利要求4所述的基于ConvGRU与自注意力机制的燃气轮机寿命预测方法，其特征在于，所述ConvGRU可以同时提取时间序列中的时空特征信息，ConvGRU的计算公式如下，重置门：R
t
＝σ(X
t
*W
xr
+H
t
‑1*W
hr
+b
r
)
更新门：Z
t
＝σ(X
t
*W
xz
+H
t
‑1*W
hr
+b...

【专利技术属性】
技术研发人员：张力翔，李郭敏，
申请(专利权)人：未必然数据科技北京有限公司，
类型：发明
国别省市：