[发明专利]基于深度特征编码与混合高斯模型的燃机退化评估方法

权利要求书

1.一种基于深度特征编码与混合高斯模型的燃机退化评估方法，其特征在于，所述方法包括以下步骤：

步骤1：获取燃气轮机全寿命的多源数据并预处理，其中，所述多源数据包括对燃气轮机不同部位检测的不同信号源数据；

步骤2：自适应信号分离所述多源数据，构建原始特征矩阵；

步骤3：构造堆叠降噪自编码器的网络模型，所述网络模型包含编码层、隐层以及解码层；

步骤4：对所述原始特征矩阵进行归一化处理，构建用于所述网络模型的测试集与训练集，输入网络模型进行预训练，将预训练的网络模型参数作为参数初始值；

步骤5：对采用所述参数初始值的所述网络模型进行训练，通过误差反向传播算法以及动量梯度下降算法迭代更新网络模型参数，获取多源数据在隐层空间的深度特征编码；

步骤6：截取正常阶段数据作为基准，进行混合高斯分布拟合，得到正常的基准分布，正常数据的分布拟合过程为：对于样本点y，采用概率密度函数为p(y|θ)的混合高斯分布确立正常基准分布，并利用最大期望算法EM对模型参数θ进行分布参数估计，混合高斯分布模型为：其中，N表示高斯分布，K为混合高斯分布中高斯分量数目，ω_k、μ_k、∑_k分别为第k高斯分量的权重、均值以及协方差；

步骤7：度量全部多源数据隐层样本与所述基准分布之间的距离，获得燃气轮机健康退化指标，马氏距离度量监测样本点与基准分布之间的距离，通过加权求和的方式确定退化程度，

其中，y为样本点，μ_i为混合高斯分布中第i高斯分量的均值，∑为基准正常样本数据的协方差矩阵，K为混合高斯分布中高斯分量的个数，ω_i为第i高斯分量在混合高斯分布中的权重，d_i(y)为样本点与第i高斯分量的马氏距离，D(y)为该样本点处的退化程度。

2.根据权利要求1所述的方法，其特征在于，步骤1中，预处理所述多源数据包括，从燃气轮机健康监测系统得到多源数据，针对含有n个属性参数的观测序列：Y＝[y₁，y₂，…，y_n]，采用3σ准则去除数据异常值干扰，关于第j属性参数的第i样本观测值，异常值判据为：

其中，y_ij为第j属性参数的第i样本观测值，/为第j属性参数的数据均值，σ_j为第j属性参数的数据标准差，N为单一属性参数观测数量。

3.根据权利要求1所述的方法，其特征在于，步骤2中，通过经验模式分解方法获得不同信号特征的本征模式分量IMF_i，去除含有低频噪声干扰的分量之后，基于本征模式分量IMF_i构建原始特征矩阵。

4.根据权利要求1所述的方法，其特征在于，步骤3中，所述网络模型的网络深度为九层网络结构，相邻两层为子编码器，共同堆叠成深度自编码模型。

5.根据权利要求1所述的方法，其特征在于，步骤4中，所述预训练经由逐层贪婪策略通过逐层训练子编码器，迭代更新网络模型参数。

6.根据权利要求1所述的方法，其特征在于，步骤5中，模型训练初始值为预训练的网络模型参数，将输入样本y_i，i＝1，2，…n，n为样本个数，与自编码器训练输出值的均方误差Loss_MSE作为损失函数对样本集进行训练：/

7.根据权利要求1所述的方法，其特征在于，加权的权值与混合高斯分布各分量的权重相同。

8.根据权利要求1所述的方法，其特征在于，多源数据至少包括温度、压力和转速。