【技术实现步骤摘要】
本专利技术涉及工况信息变化条件下的健康基线构建，具体涉及一种基于长短期深度回归观测器的时变健康基线构建方法。
技术介绍
1、设备在运行过程中其健康状态往往能够通过传感器监测数据体现，因此通过对设备进行准确有效的健康状态监测，有助于掌握其健康状态走势，发现设备运行过程中的潜在风险，并采取相应的控制举措，为设备的工作决策、运行管理等提供有效的技术支撑，对于保证设备稳定运行，避免停机事故发生，提升设备稳定可靠运行具有重要意义。现有技术中基于数据驱动健康监测方法能够降低对于设备故障机理等先验知识的需求，并且由于模型的非线性特征提取能力与泛化能力，已逐渐成为主流的研究热点。目前健康状态监测技术有基于概率统计的方法和基于深度学习的方法，然而目前以上研究多集中设备某一稳定工作过程下的状态监测，对于由于工况变化导致的参数变化有一定的局限性。
2、健康基线是一种能够针对连续变化时序监测数据，对其健康状态进行实时跟踪，从而实现在线健康监测的有效手段，然而目前的健康基线模型往往基于特定工况的监测数据构建，无法有效对不同工况条件下的健康状态进行建模，当监测数据由于工况条件发生变化而导致信号发生变化时，容易造成误报警的情况。此外，现有健康基线构建方法往往只能针对单点局部数据进行健康状态映射关系构建，未能有效处理长周期序列数据中的参数自身状态变化信息。
技术实现思路
1、为解决在工况变化条件下，针对时序监测数据所构建的健康基线模型拟合效果差、健康监测能力低的技术问题，本专利技术提出了一种基于长短期
2、本专利技术实施例提供了一种基于长短期深度回归观测器的时变健康基线构建方法，包括：
3、获取设备状态检测数据，并通过对所述设备状态检测数据进行参数关联性分析，得到设备健康表征关联参数组合数据；
4、根据所述设备健康表征关联参数组合数据，对其进行基于pca的时变特征挖掘，得到包含设备运行工况信息的融合时变健康特征数据；
5、基于所述融合时变健康特征数据，构建基于长短期深度回归观测器的健康基线模型，并通过滑窗切割的方式构建训练数据集，对所述基于长短期深度回归观测器的健康基线模型进行训练，得到训练好的基于长短期深度回归观测器的健康基线模型；
6、利用测试数据，对所训练好的基于长短期深度回归观测器的健康基线模型进行异常检测性能测试。
7、优选地，所述通过对所述多个状态监测参数进行参数关联性分析，得到设备健康表征关联参数组合包括：
8、利用pearson相关系数算法，分别计算多个状态监测参数中两两状态监测参数之间的相关系数，并将相关系数大于相关性阈值的两两状态监测参数作为设备健康表征关联参数组合。
9、优选地，所述通过对所述设备健康表征关联参数组合进行基于pca的时变特征挖掘，得到包含设备运行工况信息的融合时变健康特征数据包括：
10、通过对所述设备健康表征关联参数组合中的工况标识数据进行基于独热编码的向量离散化处理，得到能够反应工况信息变化的工况向量数据；
11、利用主成分分析法将所述工况向量数据与所述设备健康表征关联参数组合中的状态监测数据进行降维处理，得到包含设备健康状态信息和工况信息的融合特征数据；
12、通过对所述融合特征数据进行时域特征提取，得到融合时变健康特征数据。
13、优选地，所述基于长短期深度回归观测器的健康基线模型包括两层长短期记忆单元lstm和四层全连接层构成；
14、其中，长短期记忆单元的各层激活函数为sigmoid；全连接层的各层激活函数为relu。
15、优选地，在得到训练好的基于长短期深度回归观测器的健康基线模型之后，还包括：
16、确定所述设备健康表征关联参数组合中一个参数作为判读参数，并统计所述判读参数在健康状态下的数据分布情况；
17、利用所述判读参数在健康状态下的数据分布情况，得到判读参数估计值的自适应阈值。
18、优选地，所述利用所述判读参数在健康状态下的数据分布情况，得到判读参数估计值的自适应阈值包括：
19、通过将所述设备健康表征关联参数组合输入至所述训练好的基于长短期深度回归观测器的健康基线模型中，得到健康基线的输出结果；
20、根据所述判读参数在健康状态下的数据分布情况，计算所述判读参数数据分布的标准差；
21、根据所述健康基线的输出结果和所述判读参数数据分布的标准差，得到判读参数估计值的自适应阈值。
22、优选地，所述判读参数估计值的自适应阈值包括：
23、
24、其中为判读参数估计值的上限阈值，为判读参数估计值的下限阈值，为健康基线的输出结果，为判读参数数据分布的标准差。
25、本专利技术的有益效果是，通过对工况数据进行离散化编码处理，结合监测参数序列数据，提取设备的融合时变健康特征，并通过构建长短期回归观测器健康基线模型，从而实现参数健康状态规律的学习。
本文档来自技高网...【技术保护点】
1.一种基于长短期深度回归观测器的时变健康基线构建方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述通过对所述多个状态监测参数进行参数关联性分析，得到设备健康表征关联参数组合包括：
3.根据权利要求2所述的方法，其特征在于，所述通过对所述设备健康表征关联参数组合进行基于PCA的时变特征挖掘，得到包含设备运行工况信息的融合时变健康特征数据包括：
4.根据权利要求3所述的方法，其特征在于，所述基于长短期深度回归观测器的健康基线模型包括两层长短期记忆单元LSTM和四层全连接层构成；
5.根据权利要求3所述的方法，其特征在于，在得到训练好的基于长短期深度回归观测器的健康基线模型之后，还包括：
6.根据权利要求5所述的方法，其特征在于，所述利用所述判读参数在健康状态下的数据分布情况，得到判读参数估计值的自适应阈值包括：
7.根据权利要求6所述的方法，其特征在于，所述判读参数估计值的自适应阈值包括：
【技术特征摘要】
1.一种基于长短期深度回归观测器的时变健康基线构建方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述通过对所述多个状态监测参数进行参数关联性分析，得到设备健康表征关联参数组合包括：
3.根据权利要求2所述的方法，其特征在于，所述通过对所述设备健康表征关联参数组合进行基于pca的时变特征挖掘，得到包含设备运行工况信息的融合时变健康特征数据包括：
4.根据权利要求3所述的方法，其特征在于，...
【专利技术属性】
技术研发人员：程玉杰，周安，曾继炎，马剑，吕琛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。