[发明专利]一种基于贝叶斯LSTM模型的旋转机械的故障预警方法

权利要求书

1.一种基于贝叶斯LSTM模型的旋转机械的故障预警方法，其特征在于，包括以下步骤：

S1、读取n组时间序列的信号数据，将信号数据处理成p维矩阵X_p×n，方便进行信号处理，得到含噪的无异常数据,然后通过离散小波包阈值去噪方法对信号进行分解，过滤小波系数后重构，有效地去除噪声；

S2、对于p维的样本数据，各个维度并不一定都能独立代表设备状况，也可能每个维度之间相互关联，为了降低维度提高效率，对样本数据进行概率主成分分析(PPCA)，将样本数据降至q维X_q×n；

S3、运用C-C算法对降维信号数据进行相空间重构；

S4、将样本数据按比例分成训练、验证与测试数据，方便对预测模型进行训练、验证与测试；构造LSTM循环神经网络，以sigmoid函数为激活函数，采用反向传播算法作为其训练算法，得到模型最优参数；利用验证样本对模型精度进行验证，判断是否符合应用条件，不满足精度要求，则继续训练；若模型预测是正确的，则利用测试样本应用模型，对模型预测出的数据，采用贝叶斯假设可靠性检验方法求其置信度，最后利用历史数据集的先验信息基础上给出了一种是否发出预警的判断方法，使模型能够准确地在机组故障蠕变阶段或者监控系统自身出现问题时发出警报。

2.根据权利要求1所述的一种基于贝叶斯LSTM模型的旋转机械的故障预警方法，其特征在于，步骤S1中，读取的信号数据为原始信号，即由传感器采集的未经过任何处理的信号，通常从传感器采集得到，由实时监控系统记录的数据往往含噪，如果不经过去噪处理，会对接下来的信号分析产生影响，致使分析出现偏差，结果就毫无意义；故采用一种离散小波包阈值去噪方法对原始信号进行降噪，具体如下：

一个含噪信号进行多层分解后，其能量主要集中在部分小波包分解系数中，而噪声能量则分布在整个小波域的系数中，信号本身小波包变换系数的辐值要大于噪声的小波包变换系数的辐值；设置适当的阈值，筛选出由信号本身引起的小波包变换系数，过滤掉噪声引起的系数，再进行小波重构，就能得到不含噪声的信号，因此阈值的选取对小波包阈值去噪效果具有决定性的影响；

采用一种利用贝叶斯估计的方法来确定阈值，利用其考虑先验信息的优势，面对风险函数建立阈值，有效增强去噪的效果；

在离散小波包变换中，基本小波函数通常为：

其中t表示一个连续的时间变量；л是时间指数；и是频率指数；Z是所有整数的集合；L²(R)代表希尔伯特空间；ψ是基本小波函数；

在离散小波包技术的实际应用中，将一个具有n个离散数据点的信号f(t)进行小波分解：

f_j(t)的小波级数进一步分解成小波包分量：

w_n表示第n个离散数据点的小波函数簇，n＝0,1,2,…，其中，k代表继续分解的层数，0≤k≤j，系数称为f(t)在分辨率为j-k时的正交小波包分解系数；w_n(t)满足双尺度方程：

其中，{h_n}_n∈Z是一个共轭正交镜像滤波器，满足g_n＝(-1)^kh_1-k；δ_k,l是一个Kronecker函数，满足k,l∈Z；

当n＝0时，w₀(t)即为尺度函数，当n＝1时，w₁(t)即为小波函数ψ(t)，此时使(1)式可以表示成：

小波包分解系数下一层分解系数由递推公式求得：

小波包分解系数的初始值为离散数据本身，则重构算法为：

先用(6)式对含噪的无异常信号分解，求得3级小波包分解中的二叉树各个节点的小波包分解系数，按阈值过滤掉小波包分解系数后，再按(7)式进行信号重构。