[发明专利]一种基于E-LSTM的汽轮机健康状态预测方法

说明书

本发明提供的是一种基于E‑LSTM的汽轮机健康状态预测方法。收集来自传感器的汽轮机运行数据，并进行预处理；将预处理好的数据喂到LSTM网络中，进行多次迭代训练；将训练好的多个模型参数输入到遗传算法中作为初始种群，运行遗传算法，选择效果最优模型参数；使用更多的汽轮机运营数据对最优模型进行泛化性能验证；根据最优模型参数，对测试数据集进行预测，并评估模型误差。本发明能提高模型预测的准确度并避免过拟合，能实现多元线性回归预测，使得预测模型对真实数据具有更好的拟合效果，可以极大降低人力监测的误差、提高故障诊断效率，对故障的发生做到先知先觉。可以广泛应用于各个火力和核能发电厂甚至于舰船的汽轮机的状态管理。

技术领域

本发明涉及的是一种健康状态预测方法，具体地说是一种核能和火力发电厂汽轮发电机的健康状态预测方法。

背景技术

据资料显示，中国每年火力和核电发电量占总发电量近80％，而汽轮发电机是火力发电和核能发电系统中的核心设备之一。保障汽轮发电机的安全稳定工作一直以来是电力供应系统中最重要的环节之一。但是在工业4.0时代，传统的传感器+人工监测方式面临着成本高效率低等诸多问题，亟待一种智能高效的供电系统状态预测方案。

从目前的研究成果可知，传统通过观测传感器数据来了解汽轮机健康状态具有相当大的主观性和片面性，且对于数据的解读完全取决于人的经验。在过去的几十年里，人们通过积累总结了大量关于汽轮机运营经验，建立了基于规则的专家系统。然而，专家系统有如下明显的缺点：(1)规则之间的关系不透明。大量规则间的逻辑关系可能不透明，缺乏分层的知识表达。(2)低效的搜索策略。推理引擎在每个周期中搜索所有的规则。当规则很多时，系统运行速度会很慢，基于规则的大型专家系统不适用于实时应用。(3)没有学习能力。一般的基于规则的专家系统都不具备从经验中学习的能力，难以应对特殊或紧急的状况。

对于汽轮发电机组，如果定期维修，则经济效益低下，如果等发生故障再维修，往往错过了阻止故障损失进一步扩大的时机，得不偿失。过去以领域专家的知识和经验为基础的技术已无法满足机组安全经济运行的要求。而神经网络等人工智能技术的发展及其向工程领域的迅速渗透给故障状态预测技术带来了新的活力，使现代诊断技术进入了一个崭新的阶段。人工智能算法的实现不需要用户具有很丰富的先验知识，可以从数据中直接挖掘故障特征，进而进行故障分类和状态预测。基于人工智能算法获得的模型具有体积小、可迁移性强的特点，适合应用于工业故障诊断，已成为当今故障诊断技术领域的一个重要研究课题。

总结现有研究成果发现，目前汽轮机健康状态监测系统存在以下几个问题需要解决：

(1)人力监测成本高、效率低，且无法避免人为失误。

(2)人工根据传感器数据判断故障，具有主观性，判断结果取决于人的经验。并且，人工难以充分发掘各类参数间的内在联系，从而无法充分解读故障信息。而专家系统比较死板，缺乏实时性，也没有学习新发现的故障特征的能力，难以应对复杂多变的生产环境。

(3)现有的故障监测方式对故障的即将发生“后知后觉”，等到发现故障时已经没有充足的时间应对。而以过度维修和提前换新来避免故障发生的方式，经济效益低下。

发明内容

本发明的目的在于提供一种预测准确度高、误差小、诊断效率高的基于E-LSTM的汽轮机健康状态预测方法。

本发明的目的是这样实现的：

步骤一、收集来自传感器的汽轮机运行数据，并进行预处理；

步骤二、将预处理好的数据喂到LSTM网络中，进行多次迭代训练；

步骤三、将训练好的多个模型参数输入到遗传算法中作为初始种群，运行遗传算法，选择效果最优模型参数；

步骤四、使用更多的汽轮机运营数据对最优模型进行泛化性能验证；