[发明专利]基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法

说明书

技术领域

本法明涉及预测方法，具体涉及基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法

背景技术

随着现实系统越来越复杂，预测与健康管理（Prognostics and Health Management，PHM）技术成为当前一个热门的话题。对于复杂系统一般由很多组件组成，例如飞机发动机，涡轮发电机等。通过完全了解系统的动态特性进而建立系统模型的模型驱动方法，不仅成本高，费时而且也许是不可能实现的。而使用数据驱动的方法是很合理的，它只需要依靠收集到的系统状态数据而不需要知道系统的先验知识。典型的基于数据驱动的故障预测方法有：人工神经网络(artificial neural networks,ANN)、模糊系统(fuzzy systems)和其他计算智能方法，神经网络是一类在故障预测方法和应用研究中最多的一种方法。理论上讲，递归神经网络更适合预测剩余寿命。Yam et al.使用递归神经网路跟踪变速箱的退化速度，当变速箱的预测状态降到预先设定的危险阈值时发出报警。Felix O.Heimes使用由扩展Kalman滤波训练的RNN预测在PHM08会议上首次提出的数据集，并在比赛中获得了二等奖。Yam and Tse提出一种有效的轴承系统的智能诊断程序用于状态监测和寿命预测。这些结果都可以作为设备管理系统的输入去事先计划设备的维修工作Jie Liu and Abhinav Saxena中提出一种自适应的递归神经网络用于系统的动态状态预测。在递归神经网络的基础上建立改进的ARN，使用recursive Levenberg-Marquardt(RLM)方法训练权值，并通过预测锂电池的剩余寿命来验证方法的有效性。

虽然从理论上讲RNN可以以任意精度逼近任意动态系统，但是理论和实际上的困难限制了RNN的使用。RN的基本网络结构。数据由输入层输入(由u(n)表示)，输出层表示网络的输出或响应（由y(n)表示），隐含层包含n个内部神经单元。RN存在以下问题：

(1)很难选择合适的网络拓扑，包括RN的隐层数以及每个隐层中含有的神经元个数；

(2)RNN要训练网络的全部的权值即Wⁱⁿ,W，W^out，W^back；

(3)使用梯度法训练权值，容易陷入局部最优。

发明内容

本发明是为了解决现有预测方法选择合适的网络拓扑困难，训练时需训练网络的全部的权值，并且计算时容易陷入局部最优的问题，从而提出了基于卡尔曼(Kalman)滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法

基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法，它包括下述步骤：

步骤一、对100个测试数据单元进行分类，得到k个测试数据集合；每个测试数据集合对应一个ESN的涡轮发电机的分类子模型，每个ESN的涡轮发电机的分类子模型的参数不同，k个ESN的涡轮发电机的分类子模型组成分类子模型库；E表示测试数据单元的个数，

测试数据单元为ESN的涡轮发电机的分类子模型的一组数据集，该组数据集包含E个涡轮发动机的数据单元，其中，E＝100，

每一个测试数据单元为24维数据，该24维数据中的3维数据表示涡轮发动机操作条件数据，剩余的21维表示传感器采集的涡轮发动机状态数据，

步骤二、将步骤一的每个测试数据输入与该数据集合对应的ESN的涡轮发电机的分类子模型进行运算得到该测试数据的剩余寿命预测值。

本发明通过使用随机建立的大规模稀疏连接权（叫做储备池）作为信息处理单元代替RNN的隐层；将低维的输入空间映射到高维的状态空间；随机建立输入权值，反馈权值和神经元内部连接权值；通过线性回归的方法训练输出权值，得到全局最优权值。

附图说明

图1为基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法的方法流程图；

图2为基于分类子模型方法的剩余寿命预测方法框图；

图3为对100个测试数据单元进行分类的流程图；

图4为第一个分类子模型用于100个涡轮发电机单元的预测值和剩余寿命真实值的比较曲线图

图5为第一个分类子模型的100个涡轮发动机单元的预测误差曲线图；

图6为第二个分类子模型用于剩余80个涡轮发电机单元的预测值和剩余寿命真实值的比较曲线图；

图7为第一个分类子模型的80个涡轮发动机单元的预测误差曲线图；