[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

说明书

本发明公开了一种基于贝叶斯LSTM模型的旋转机械的故障预警方法。所述方法主要针对大型旋转机械设备故障预警，通过整合分析数据，运用离散小波包、PPCA概率主成分分析、C‑C算法等对数据进行降噪降维重构，得到较好处理的数据集，再通过LSTM循环神经网络的方法构建数据预测模型，最后结合贝叶斯假设检验方法求其置信度，输出异常情况的时间节点，来达到需要的故障预警目的。本发明实现了量化分析机械设备运行数据，集成了多种高等智能监测诊断技术和方法，保证了预测具有更高的可靠性及稳健性。本发明提供了一种全新可行的故障检测与预警方法。

技术领域

本发明属于大型旋转机械设备的故障预警领域，涉及了一种基于贝叶斯LSTM模型的旋转机械的故障预警方法。

背景技术

为了提高数据质量、减少不良数据对分析结果的影响以及便于分析和挖掘数据，有必要进行数据预处理，即对不良数据进行辨识与集成变换，这直接关系到后续建模预测的精确性。最近Lee et al强调了信号处理技术在旋转机械的诊断和预测中的关键作用(Lee,Jay；Wu,Fangji；Zhao,Wenyu；Ghaffari,Masoud；Liao,Linxia；Siegel,David.Prognostics and health management design for rotary machinery systems-Reviews,methodology and applications,Mechanical Systems and SignalProcessing,2014,42(1-2):314–334.doi:10.1016/j.ymssp.2013.06.004.)。小波变化是一种常用的方法，在核电厂监测数据处理中有一些应用。如Upadhyaya et al.通过使用小波变换对核电厂传感器的低频和高频分量进行滤波来增强传感器测量。利用小波变换进行信号调理，使信号带宽失真最小，为数据预处理提供了一种有效的方法(Upadhyaya,BelleR.；Mehta,Chaitanya；Bayram,Duygu.Integration of Time Series Modeling andWavelet Transform for Monitoring Nuclear Plant Sensors.IEEE Transactions onNuclear Science,2014,61(5):2628-2635.doi:10.1109/TNS.2014.2341035)。然而小波变换仅能对低通滤波结果进行变换，离散小波包变换是一种更加精细的信号分析方法，同时能够对高频部分进行分解。

为简化研究问题，减少变量数量，用较少的变量代表问题的大部分信息。PCA作为一种线性降维方法，现已广泛应用在模式识别及特征提取等领域。如Wu et al.构建了故障检测与诊断(FDD)框架，用于核电站(NPP)压水堆，采用PCA去除故障传感器的信息，并将模糊理论与数据融合相结合，将多个传感器的数据融合到一个节点上(Guohua Wu,JiejuanTong,Liguo Zhang,Yunfei Zhao,Zhiyong Duan.Framework for fault diagnosis withmulti-source sensor nodes in nuclear power plants based on a Bayesiannetwork.Annals of Nuclear Energy.2018,122:297-308.https://doi.org/10.1016/j.anucene.2018.08.050.)。而PPCA是传统PCA的衍生，克服传统PCA简单丢弃其他非主成分成分的局限性。在PPCA中，这些丢弃的信息将被作为高斯噪声估计，可以最大程度的保留原始信号中的有用信息。