[发明专利]一种基于深度学习的离心式压缩机故障预测方法

权利要求书

1.一种基于深度学习的离心式压缩机故障预测方法，其特征在于，包括如下步骤：

第一步：数据预处理

1.1采集得到的现场传感器数据得到数据集，数据集包括不同测点振动信号频域特征、不同位置温度、压力、流量多测点变量；

1.2利用卡尔曼滤波融合数据集内的多测点变量；

第二步：特征选择

2.1数据集划分：

把卡尔曼滤波融合后数据集分成不同时间步长的输入数据和对应的输出数据；

2.2聚类分析：

使用GMM聚类算法对数据进行类簇的划分；

2.3信息增益计算：

对聚类分析后的数据集合进行信息增益的计算，根据信息增益的大小选择特征变量，并确定时间步长；

第三步：故障预测

3.1预测模型建立

采用GRU网络作为时间序列预测模型，时间序列预测模型的网络结构为：双隐层的GRU结构，第一层的GRU单元用“M1”表示，用于接收输入与前一个时间步的输出，其输出送入第二层网络；第二层GRU单元用“M2”表示，用于接收第一层的输出与当前层前一个时间步的输出，其输出送入全连接层；全连接层设有3个神经元，使用线性激活函数，每个神经元对应一个输出，作为整个网络最后的输出结果；

时间序列预测模型的网络结构采用均方误差作为网络优化的目标函数，采用适应性动量估计算法对网络权重进行优化，在网络的层与层之间加入Dropout层；

3.2阈值选取

在时间序列预测模型建立完成后，在训练数据集上每一组数据都会获得对应的误差向量，对所有的误差向量组成的集合使用多远高斯分布进行建模，得到期望误差的概率密度函数，取概率密度函数的对数值作为异常分数对异常进行评估；以置信度对应的logPD值作为划分异常值的阈值，对于获取的新数据计算其异常分数，异常分数低于阈值则可认为是异常点。

2.如权利要求1所述的基于深度学习的离心式压缩机故障预测方法，其特征在于，步骤3.1预测模型建立，双隐层的GRU结构，第一层的GRU单元的隐藏节点设为60；第二层GRU单元的隐藏节点设为30。

3.如权利要求1或2所述的基于深度学习的离心式压缩机故障预测方法，其特征在于，步骤3.2阈值选取，以置信度95％对应的logPD值作为划分异常值的阈值。