[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

说明书

本发明公开了一种基于深度特征编码与混合高斯模型的燃气轮机性能退化评估方法，首先提取燃气轮机多源数据，根据数据的分布特征去除多源数据中的异常值干扰，其次自适应分离多源数据中的低频噪声和高频故障成分，并选取包含重要信息的分量进行重构，构造原始特征矩阵，然后构建堆叠降噪自编码器模型并输入样本特征矩阵进行训练，获取多源数据在隐层空间的深度特征编码，使用混合高斯模型对正常阶段的隐层表达进行分布拟合，从而构建正常基准，输入新获取样本的多源数据隐层特征，计算该样本与基准分布的马氏距离，从而建立燃气轮机健康退化指标。

技术领域

本发明涉及燃气轮机性能退化评估领域，尤其涉及一种基于深度特征编码与混合高斯模型的燃气轮机性能退化评估方法。

背景技术

作为重大装备上的主力动力装置，燃气轮机的安全性和可靠性十分重要，一旦出现关键零部件损伤或严重故障，将导致整体设备的崩溃，给设备供应商、设备使用者带来巨大的经济损失，同时造成严重的人员伤害。大多数情况下，设备运行过程中所发生的严重故障并不是没有征兆地突然发生，而往往遵循着一定的性能退化规律，蕴含在设备监测的多源数据之中。如何从复杂的多源数据中挖掘隐藏的早期故障信息，为故障的及时发现和维护活动的事前执行提供可靠技术支撑是亟待解决的问题。

在以往燃气轮机的故障监测中，往往采用单一参数超限预警来实现故障发现与处理，然而这样将造成对早期故障的忽视以及维护活动最佳执行时机的错失。在燃气轮机设备性能状况缓慢发展过程中，所监测多源数据的表现是性能退化的直观结果，可深入挖掘多源数据的特征并进行监测数据与正常数据的距离度量，实现燃气轮机性能退化状态评估。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供了一种基于深度特征编码与混合高斯模型的燃气轮机性能退化评估方法，采用堆叠降噪自编码器深度模型对潜在特征进行提取并特征编码，在此基础上以正常数据为基准建立混合高斯模型，开展马氏距离度量，追踪燃气轮机性能退化轨迹。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于深度特征编码与混合高斯模型的燃气轮机性能退化评估方法，采用堆叠降噪自编码器深度模型进行深度特征编码，以正常数据为基准建立混合高斯模型并开展马氏距离度量，实现燃气轮机性能退化状态评估。

进一步地，包括以下步骤：

步骤1：燃气轮机运行时间内多源数据获取和数据预处理；

步骤2：对多源数据进行自适应信号分离，构建原始特征矩阵；

步骤3：构造堆叠降噪自编码器网络模型，所述网络结构包含编码层、隐层以及解码层。

步骤4：对原始特征矩阵进行归一化处理，构建用于步骤3所述堆叠降噪自编码器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：对整个网络模型进行训练，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，进行分布拟合，得到正常基准分布；从燃气轮机设备正常运行的角度出发，正常阶段数据为燃气轮机度过磨合期之后，至燃机设备退化发生之前的一段数据都可以作为正常阶段数据。

步骤7：度量全部多源数据隐层样本与基准分布之间的距离，获得燃气轮机健康退化指标。

进一步地，步骤1中所述多源数据获取和数据预处理方式为：从燃气轮机健康监测系统得到设备温度、压力、转速等多源数据，采用3σ准则去除数据异常值干扰，针对n个属性观测序列：Y＝[y₁，y₂，…，y_n]，异常值判据如公式(1)：

其中，为第j特征观测数据均值，N为单一特征观测数量；