一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于CNN
‑
BiLSTM网络的磨煤机寿命预测方法


[0001]本专利技术涉及一种磨煤机寿命预测方法，尤其涉及一种基于
CNN
‑
BiLSTM
网络的磨煤机寿命预测方法
。

技术介绍

[0002]随着科学技术的发展和生产工艺的进步，当代设备的自动化和复杂化程度得到了日益提升，电力设施是推动国家经济发展的重要支柱，尤其是在我国经济快速发展的过程中，电力系统建设和发电机组的装机容量不断扩大，对电力设备运行的稳定性要求也越来越高
。
电力设备是智能电网中的核心部分，电力设备的正常与否直接影响着整个电力系统的安全与稳定传统设备维护保养采用定期检查和故障后非计划停机维修为主，不仅设备维护效率低，而且还会造成难以估量的损失
。
因此，对
RUL
预测技术的研究，能提前发现机械设备中关键部件的异常，对其未来的性能退化趋势进行研究，及时进行有效维护
。
如果在磨煤机失效前可准确地预测出其剩余使用寿命，便可及时采取预防措施，从而避免造成重大的经济损失
。
[0003]现有的
RUL
预测方法大致可分为两类，即基于模型的方法和数据驱动的方法
。
[0004]基于模型的方法
:
主要依赖于精确的数学模型，根据收集到的数据得出模型的参数
。
然而，对于复杂非线性机械系统，建立一个准确的
RUL
数学预测模型需要充分了解该机械系统的退化机理，这往往是非常困难的，极大限制了这类方法的实际中的应用
。
[0005]基于数据驱动的方法
:
不需要建立精确的数学模型，而是依赖于传感器采集到的温度
、
转速和轴承振动幅度等信号，并从中分析设备的当前工作状态，试图找出运行状态与
RUL
期望值之间的关系
。
目前，统计工具和机器学习是预测
RUL
常用的数据驱动方法
。
[0006]近年来，随着计算机技术的快速发展，深度学习在故障预测与健康管理领域崭露头角
。
深度学习具有极强的非线性拟合能力，可以利用原始信号直接进行磨煤机的寿命预测，不受人工干预自动提取特征，避免了人工提取特征效率低
、
主观性强及过度依赖先验知识等问题
。

技术实现思路

[0007]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
CNN
‑
BiLSTM
网络的磨煤机寿命预测方法
。
[0008]为了解决以上技术问题，本专利技术采用的技术方案是：一种基于
CNN
‑
BiLSTM
网络的磨煤机寿命预测方法，包括以下步骤：
[0009](1)
采集磨煤机原始数据并分析磨煤机运行机理及数据缺失情况，筛选反映磨煤机性能的监测参数并保存以上参数项的名称；
[0010](2)
截取部分监测参数作为训练集，对训练集进行数据清洗和标准化，保存标准化模型；
[0011](3)
构建
CNN
‑
BiLSTM
模型，将训练集中磨煤机的每个监测参数的值分别作为模型
的目标，其他监测参数值作为模型的输入进行有监督训练，并保存训练成果模型；
[0012](4)
对待评估磨煤机的监测参数进行筛选
、
并对参数值进行标准化；
[0013](5)
应用
CNN
‑
BiLSTM
模型估算待评估磨煤机的监测参数值；
[0014](6)
根据建立的
CNN
‑
BiLSTM
模型中输出为当前状态值
C
，再根据一次函数，输出剩余使用时间
。
[0015]进一步地，
(1)
中需要对数据缺失进行修补，修补的计算方法采用多阶拉格朗日内插法，具体公式如下：
[0016][0017]其中，
P
t
表示
t
时刻缺失的数据，
m1为前推期数，
m2为后推期数
。
[0018]进一步地，
(2)
的具体内容为：
[0019]为训练集进行包括参数筛选
、
数据清洗
、
参数标准化的操作，保存训练集的标准化模型；
[0020]在参数筛选过程中，监测参数的选择是从
(1)
中保存的参数项中获取的；
[0021]在数据清洗过程中，仅保留正常运行时段内的数据，故障时段内的数据需剔除；
[0022]在参数标准化过程中，采用最大最小值归一化方法，其转换函数如下：
[0023][0024]进一步地，
CNN
‑
BiLSTM
模型结合了
CNN
模型和
BiLSTM
模型
。
[0025]进一步地，
CNN
模型包括输入层
、
卷积层
、
池化层
、
全连接层和输出层
。
[0026]进一步地，卷积层和池化层成对出现，用于对输入特征信息的卷积和降维运算；
[0027]全连接层和输出层构成
CNN
模型的最后部分，用于将模型训练结果输出
。
[0028]进一步地，当
CNN
模型的输入为
X
，
[0029]则卷积层的输出计算公式如下：
[0030][0031]式中：
C
n
为卷积层输出的第
n
个特征图，
σ
(
·
)
为激活函数，
W
n
为当前卷积层第
n
个卷积核的权重矩阵，
b
n
为当前卷积层第
n
个卷积核的偏置，为卷积运算，
n
为卷积核的个数；
[0032]池化层对卷积层输出的信息进行降维处理，计算公式如下：
[0033]P
n
＝
maxC
n
，
[0034]式中：
P
n
为池化层的输出，
C
n
为池化层的输入
。
[0035]进一步地，
BiLSTM
模型包括前向
LSTM
层和后向
LSTM
层，则
BiLSTM
模型使
LSTM
在前向和后向两个方向上同时处理序列，且两个方向均具有独立的隐藏层
。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
CNN
‑
BiLSTM
网络的磨煤机寿命预测方法，其特征在于，包括以下步骤：
(1)
采集磨煤机原始数据并分析磨煤机运行机理及数据缺失情况，筛选反映磨煤机性能的监测参数并保存以上参数项的名称；
(2)
截取部分监测参数作为训练集，对训练集进行数据清洗和标准化，保存标准化模型；
(3)
构建
CNN
‑
BiLSTM
模型，将训练集中磨煤机的每个监测参数的值分别作为模型的目标，其他监测参数值作为模型的输入进行有监督训练，并保存训练成果模型；
(4)
对待评估磨煤机的监测参数进行筛选
、
并对参数值进行标准化；
(5)
应用
CNN
‑
BiLSTM
模型估算待评估磨煤机的监测参数值；
(6)
根据建立的
CNN
‑
BiLSTM
模型中输出为当前状态值
C
，再根据一次函数，输出剩余使用时间
。2.
根据权利要求1所述的基于
CNN
‑
BiLSTM
网络的磨煤机寿命预测方法，其特征在于：所述
(1)
中需要对数据缺失进行修补，修补的计算方法采用多阶拉格朗日内插法，具体公式如下：其中，
P
t
表示
t
时刻缺失的数据，
m1为前推期数，
m2为后推期数
。3.
根据权利要求1所述的基于
CNN
‑
BiLSTM
网络的磨煤机寿命预测方法，其特征在于，所述
(2)
的具体内容为：为训练集进行包括参数筛选
、
数据清洗
、
参数标准化的操作，保存训练集的标准化模型；在参数筛选过程中，监测参数的选择是从
(1)
中保存的参数项中获取的；在数据清洗过程中，仅保留正常运行时段内的数据，故障时段内的数据需剔除；在参数标准化过程中，采用最大最小值归一化方法，其转换函数如下：
4.
根据权利要求1所述的基于
CNN
‑
BiLSTM
网络的磨煤机寿命预测方法，其特征在于：所述
CNN
‑
BiLSTM
模型结合了
CNN
模型和
BiLSTM
模型
。5.
根据权利要求4所述的基于
CNN
‑
BiLSTM
网络的磨煤机...

【专利技术属性】
技术研发人员：孙贺贺，李郭敏，曾珍，
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：