基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法
2023-07-06 17:42:01 1
專利名稱：基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法
技術領域：
本法明涉及預測方法，具體涉及基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法。
背景技術：
隨著現實系統越來越複雜，預測與健康管理(Prognostics and HealthManagement, PHM)技術成為當前一個熱門的話題。對於複雜系統一般由很多組件組成，例如飛機發動機，渦輪發電機等。通過完全了解系統的動態特性進而建立系統模型的模型驅動方法，不僅成本高，費時而且也許是不可能實現的。而使用數據驅動的方法是很合理的，它只需要依靠收集到的系統狀態數據而不需要知道系統的先驗知識。典型的基於數據驅動的故障預測方法有人工神經網絡(artificial neural networks, ANN)、模糊系統(fuzzysystems)和其他計算智能方法，神經網絡是一類在故障預測方法和應用研究中最多的一種方法。理論上講，遞歸神經網絡更適合預測剩餘壽命。Yam et al.使用遞歸神經網路跟蹤變速箱的退化速度，當變速箱的預測狀態降到預先設定的危險閾值時發出報警。Felix0. Heimes使用由擴展Kalman濾波訓練的RNN預測在PHM08會議上首次提出的數據集，並在比賽中獲得了二等獎。Yam and Tse提出一種有效的軸承系統的智能診斷程序用於狀態監測和壽命預測。這些結果都可以作為設備管理系統的輸入去事先計劃設備的維修工作JieLiu and Abhinav Saxena中提出一種自適應的遞歸神經網絡用於系統的動態狀態預測。在遞歸神經網絡的基礎上建立改進的ARNN,使用recursive Levenberg-Marquardt (RLM)方法訓練權值，並通過預測鋰電池的剩餘壽命來驗證方法的有效性。雖然從理論上講RNN可以以任意精度逼近任意動態系統，但是理論和實際上的困難限制了 RNN的使用。數據由輸入層輸入(由u(n)表示)，輸出層表示網絡的輸出或響應(由y(n)表示)，隱含層包含n個內部神經單元。RNN存在以下問題(I)很難選擇合適的網絡拓撲，包括RNN的隱層數以及每個隱層中含有的神經元個數；(2) RNN要訓練網絡的全部的權值即Win, ff, Wout, Wback ；(3)使用梯度法訓練權值，容易陷入局部最優。
發明內容
本發明是為了解決現有預測方法選擇合適的網絡拓撲困難，訓練時需訓練網絡的全部的權值，並且計算時容易陷入局部最優的問題，從而提出了基於卡爾曼(Kalman)濾波的ESN的渦輪發電機的剩餘壽命預測方法。基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法，它包括下述步驟步驟一、訓練階段，建立Kalman濾波的ESN的渦輪發動機的數學模型，根據已知的輸入單元u (n)和已知的輸出單元y (n-1)，採用Kalman濾波的ESN的渦輪發動機的數學模型的內部處理單元的更新方程和Kalman濾波求得輸出權值矩陣W°ut，
輸入單元u (n)為ESN的渦輪發動機的數學模型的一組數據集，該組數據集包含100個渦輪發動機的數據單元，所述的100個渦輪發動機均屬於同一生產批次，且100個渦輪發動機在開始試驗之前的初始剩餘壽命不同，每一個數據單元中的一個元素對應24維數據，該24維數據中的3維數據表示渦輪發動機操作條件數據，剩餘的21維表示傳感器採集的渦輪發動機狀態數據，步驟二、在測試階段，被測渦輪發動機在正常運行時，通過傳感器測量獲得渦輪發動機的24維數據作為輸入單元的數據集；結合步驟一訓練後的Kalman濾波的ESN的渦輪發動機的數學模型的輸出單元和輸出權值矩陣W°ut，採用訓練後的Kalman濾波的ESN的渦輪發動機的數學模型的輸出單元的方程求得待測ESN的渦輪發動機的剩餘壽命預測值。本發明通過使用隨機建立的大規模稀疏連接權(叫做儲備池)作為信息處理單元代替RNN的隱層；將低維的輸入空間映射到高維的狀態空間；隨機建立輸入權值，反饋權值和神經元內部連接權值；通過線性回歸的方法訓練輸出權值，得到全局最優權值。
圖I為基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法的方法流程圖；圖2為儲備池規模和譜半徑對ESN輸出結果的影響示意圖，圖中誤差表示ESN的輸出值和真實剩餘壽命的差值；圖3為輸入單元位移和輸入單元尺度對ESN輸出結果的影響示意圖，圖中誤差表示ESN的輸出值和真實剩餘壽命的差值；圖4為Kalman濾波的激勵噪聲協方差矩陣Q和觀測噪聲協方差矩陣R的初值對ESN輸出結果的影響示意圖，圖中誤差表示ESN的輸出值和真實剩餘壽命的差值；圖5為100個渦輪發動機單元的Kalman濾波的ESN預測值和剩餘壽命真實值比較曲線圖；圖6為100個渦輪發動機單元的預測誤差曲線圖。
具體實施例方式具體實施方式
一、結合圖I具體說明本實施方式，本實施方式所述的基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法，它包括下述步驟步驟一、訓練階段，建立Kalman濾波的ESN的渦輪發動機的數學模型，根據已知的輸入單元u (n)和已知的輸出單元y (n-1)，採用Kalman濾波的ESN的渦輪發動機的數學模型的內部處理單元的更新方程和Kalman濾波求得輸出權值矩陣W°ut，輸入單元u (n)為ESN的渦輪發動機的數學模型的一組數據集，該組數據集包含100個渦輪發動機的數據單元，所述的100個渦輪發動機均屬於同一生產批次，且100個渦輪發動機在開始試驗之前的初始剩餘壽命不同，每一個數據單元中的一個元素對應24維數據，該24維數據中的3維數據表示渦輪發動機操作條件數據，剩餘的21維表示傳感器採集的渦輪發動機狀態數據，該24維數據中的3維數據表示渦輪發動機操作條件數據包括高度、馬赫數和油門角度，剩餘的21維表示傳感器採集的渦輪發動機狀態數據包括不同點的溫度、壓力和速度；如表I所示，表I表示其中一個實例的多維時間序列。
表I
權利要求
1.基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法，其特徵在於，它包括下述步驟 步驟一、訓練階段，建立Kalman濾波的ESN的渦輪發動機的數學模型，根據已知的輸入單元u (n)和已知的輸出單元y (n-1)，採用Kalman濾波的ESN的渦輪發動機的數學模型的內部處理單元的更新方程和Kalman濾波求得輸出權值矩陣W°ut， 輸入單元u (k)為ESN的渦輪發動機的數學模型的一組數據集，該組數據集包含100個渦輪發動機的數據單元，所述的100個渦輪發動機均屬於同一生產批次，且100個渦輪發動機在開始試驗之前的初始剩餘壽命不同， 每一個數據單元中的一個元素對應24維數據，該24維數據中的3維數據表示渦輪發動機操作條件數據，剩餘的21維表示傳感器採集的渦輪發動機狀態數據， 步驟二、在測試階段，被測渦輪發動機在正常運行時，通過傳感器測量獲得渦輪發動機的24維數據作為輸入單元的數據集；結合步驟一訓練後的Kalman濾波的ESN的渦輪發動 機的數學模型的輸出單元和輸出權值矩陣W°ut，採用訓練後的Kalman濾波的ESN的渦輪發動機的數學模型的輸出單元的方程求得待測ESN的渦輪發動機的剩餘壽命預測值。
2.根據權利要求I所述的基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法，其特徵在於，步驟一所述的ESN的渦輪發動機的數學模型的內部處理單元的更新方程為X (n) =f (ffmu (n) +Wx (n-1) +ffbacky (n-1))(I) 其中，n=0,…V .. , t, n表示時刻，h表示初始截斷時刻；t表示渦輪發動機失效的前一時刻；f = (f1；…，是內部處理單元的激活函數，該激活函數為雙曲正切tanh函數；是NXL維的輸入權值矩陣；W=(wu)是NXN維的內部連接權值矩陣是NXM維的反饋權值矩陣，且Wbaek=O ；i表示第i行、j表示第j列；內部處理單元x(n)為N維矩陣；輸入單元u(n)為L維向量，表示渦輪發動機的狀態監測數據；輸出單元y(n-l)為M維向量,表示已知的潤輪發動機的剩餘壽命。
3.根據權利要求2所述的基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法，其特徵在於，步驟二採用ESN的渦輪發動機的數學模型的內部處理單元的更新方程和Kalman濾波求得輸出權值矩陣W°ut的具體過程為 在 k 時刻輸入單元 = (k),, uL(k)),內部處理單元 X(k) = (X1Qc),…，xN(k))，輸出單元 yGOMyi (k), W1=W/ I X max I，其中\ max是W的譜半徑，W1表示譜半徑為I時的內部連接權值矩陣；內部處理單元X(ri)的內部神經元通過權值連接組成儲備池，儲備池的參數有儲備池規模N、譜半徑\ _、輸入單元縮放IS和輸入單元移位IF ； 初始化內部處理單元x(n)的參數； 初始化在0時刻的MX (L+N+M)維輸出權值矩陣W°ut(0)的轉置矩陣(W°ut(0))T、0時刻的誤差協方差P (0)、激勵噪聲協方差矩陣Q和觀測噪聲協方差矩陣R，根據已知的輸入單元u(n)和輸出單元y (n-1),當時間大於或等於初始截斷時間h時,通過交叉驗證算法選擇使得Kalman濾波的ESN的渦輪發動機的數學模型性能最好的一組參數，確定內部處理單元X (n)的參數、觀測噪聲協方差矩陣R和激勵噪聲協方差矩陣Q， 根據Kalman濾波的時間更新方程計算出k時刻的MX (L+N+M)維先驗估計輸出權值轉置矩陣的(W°ut (k)) T_和k時刻的先驗估計誤差協方差P_ (k)，Kalman濾波的時間更新方程由公式(2)和公式(3)組成， (Wout (k))t^=A(Wout (k-1))T(2) (k)=AP (k-l)AT+Q(3) 其中，k表示時刻，k為整數且k 3 I 'A為(L+N)維的單位矩陣；上角標T代表的轉置；Q為激勵噪聲協方差矩陣， Kalman濾波的時間更新方程將當前狀態變量作為先驗估計投射到Kalman濾波的測量更新方程， 根據Kalman濾波的測量更新方程計算出k時刻的MX (L+N+M)維輸出權值轉置矩陣的(Wout (k))T、k時刻的誤差協方差P (k)， Kalman濾波的測量更新方程將先驗估計好新的測量變量結合以構造後驗估計，測量更新方程由公式(4)、公式(5)和公式(6)組成， K (k) =P^ (k) Ht (HP- (k) Ht+R)(4) (Wout (k))T= (Wout (k))卜+K(k) (y (k)T_x (k+1)T (ffout (k)廣)(5) P(k) = (I-K(k)H)F(k)(6) 其中，K(k)表示k時刻的卡爾曼增益，H(k)是k時刻的ESN的渦輪發電機的數學模型的內部處理單元x(k)矩陣的轉置；R表示測量噪聲協方差矩陣；y(k)為M維向量，表示k時刻已知的渦輪發動機的剩餘壽命，故y(k)T = y(k), y (k)T表示k時刻已知的渦輪發動機的剩餘壽命，X (k+1)T表示k+1時刻內部處理單元的轉置矩陣，I表示單位矩陣； 計算完一次Kalman濾波的測量更新方程後，將公式(5)計算得到的(W°ut (k))T代入公式(2)，將公式(6)計算得到的P(k)代入公式(3)再次重複計算，直到訓練完所有數據。
4.根據權利要求3所述的基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法，其特徵在於，所述的k時刻的激勵噪聲協方差矩陣為 p (w) (0, Q), Q=E (w(k) w(k)T)(7) 其中，w(k)表示k時刻的過程噪聲。
5.根據權利要求3所述的基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法，其特徵在於，所述的k時刻的ESN的渦輪發電機的數學模型的內部處理單元x(k)矩陣的轉置H (k)為 H (k) = (x (k))T(8)。
6.根據權利要求I所述的基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法，其特徵在於，步驟二所述的Kalman濾波的ESN的渦輪發動機的數學模型的輸出單元的方程為 f (n) =fout (Woutx (n))(9) 其中n=0,…V . . t, n表示時刻，h表示初始截斷時刻；t表示渦輪發動機失效時的時刻，輸出單元y』 (n)為M維向量，表示待測渦輪發動機的剩餘壽命，…，fwtM)為輸出單元的輸出函數，
全文摘要
基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法，涉及基於Kalman濾波的ESN的渦輪發電機的剩餘壽命預測方法。它為了解決現有預測方法選擇合適的網絡拓撲困難，訓練時需訓練網絡的全部的權值，計算時容易陷入局部最優的問題。本發明在訓練階段，建立Kalman濾波的ESN渦輪發動機的數學模型，根據已知的輸入單元u(n)和已知的輸出單元y(n-1)，以及內部處理單元更新方程和Kalman濾波求得輸出權值矩陣Wout；在測試階段，將傳感器測量獲得渦輪發動機的24維數據作為輸入單元數據集，帶入訓練後的數學模型輸出單元的方程求得待測ESN的渦輪發動機剩餘壽命預測值。本發明適用於渦輪發動機等領域。
文檔編號G01M15/00GK102749584SQ20121026422
公開日2012年10月24日 申請日期2012年7月17日 優先權日2012年7月17日
發明者劉大同, 龐景月, 彭宇, 徐勇, 王建民, 王紅, 馬雲彤 申請人:哈爾濱工業大學