專利名稱：基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剩余壽命預測方法
技術(shù)領域：
本法明涉及預測方法，具體涉及基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剩余壽命預測方法
背景技術(shù)：
隨著現(xiàn)實系統(tǒng)越來越復雜，預測與健康管理(Prognostics and HealthManagement, PHM)技術(shù)成為當前一個熱門的話題。對于復雜系統(tǒng)一般由很多組件組成，例如飛機發(fā)動機，渦輪發(fā)電機等。通過完全了解系統(tǒng)的動態(tài)特性進而建立系統(tǒng)模型的模型驅(qū)動方法，不僅成本高，費時而且也許是不可能實現(xiàn)的。而使用數(shù)據(jù)驅(qū)動的方法是很合理的，它只需要依靠收集到的系統(tǒng)狀態(tài)數(shù)據(jù)而不需要知道系統(tǒng)的先驗知識。典型的基于數(shù)據(jù)驅(qū)動的故障預測方法有人工神經(jīng)網(wǎng)絡(artificial neural networks, ANN)、模糊系統(tǒng)(fuzzy·systems)和其他計算智能方法，神經(jīng)網(wǎng)絡是一類在故障預測方法和應用研究中最多的一種方法。理論上講，遞歸神經(jīng)網(wǎng)絡更適合預測剩余壽命。Yam et al.使用遞歸神經(jīng)網(wǎng)路跟蹤變速箱的退化速度，當變速箱的預測狀態(tài)降到預先設定的危險閾值時發(fā)出報警。FelixO. Heimes使用由擴展Kalman濾波訓練的RNN預測在PHM08會議上首次提出的數(shù)據(jù)集，并在比賽中獲得了二等獎。Yam and Tse提出一種有效的軸承系統(tǒng)的智能診斷程序用于狀態(tài)監(jiān)測和壽命預測。這些結(jié)果都可以作為設備管理系統(tǒng)的輸入去事先計劃設備的維修工作JieLiu and Abhinav Saxena中提出一種自適應的遞歸神經(jīng)網(wǎng)絡用于系統(tǒng)的動態(tài)狀態(tài)預測。在遞歸神經(jīng)網(wǎng)絡的基礎上建立改進的ARN,使用recursive Levenberg-Marquardt (RLM)方法訓練權(quán)值，并通過預測鋰電池的剩余壽命來驗證方法的有效性。雖然從理論上講RNN可以以任意精度逼近任意動態(tài)系統(tǒng)，但是理論和實際上的困難限制了 RNN的使用。RN的基本網(wǎng)絡結(jié)構(gòu)。數(shù)據(jù)由輸入層輸入(由u(n)表示)，輸出層表示網(wǎng)絡的輸出或響應(由y(n)表示)，隱含層包含η個內(nèi)部神經(jīng)單元。RN存在以下問題(I)很難選擇合適的網(wǎng)絡拓撲，包括RN的隱層數(shù)以及每個隱層中含有的神經(jīng)元個數(shù)；(2) RNN要訓練網(wǎng)絡的全部的權(quán)值即Win, W，Wout, Wback ；(3)使用梯度法訓練權(quán)值，容易陷入局部最優(yōu)。

發(fā)明內(nèi)容
本發(fā)明是為了解決現(xiàn)有預測方法選擇合適的網(wǎng)絡拓撲困難，訓練時需訓練網(wǎng)絡的全部的權(quán)值，并且計算時容易陷入局部最優(yōu)的問題，從而提出了基于卡爾曼(Kalman)濾波的ESN的渦輪發(fā)電機的分類子模型的剩余壽命預測方法基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剩余壽命預測方法，它包括下述步驟步驟一、對100個測試數(shù)據(jù)單元進行分類，得到k個測試數(shù)據(jù)集合；每個測試數(shù)據(jù)集合對應一個ESN的渦輪發(fā)電機的分類子模型，每個ESN的渦輪發(fā)電機的分類子模型的參數(shù)不同，k個ESN的渦輪發(fā)電機的分類子模型組成分類子模型庫；E表示測試數(shù)據(jù)單元的個數(shù)，測試數(shù)據(jù)單元為ESN的渦輪發(fā)電機的分類子模型的一組數(shù)據(jù)集，該組數(shù)據(jù)集包含E個渦輪發(fā)動機的數(shù)據(jù)單元,其中，E = 100,每一個測試數(shù)據(jù)單元為24維數(shù)據(jù)，該24維數(shù)據(jù)中的3維數(shù)據(jù)表示渦輪發(fā)動機操作條件數(shù)據(jù)，剩余的21維表示傳感器采集的渦輪發(fā)動機狀態(tài)數(shù)據(jù)，步驟二、將步驟一的每個測試數(shù)據(jù)輸入與該數(shù)據(jù)集合對應的ESN的渦 輪發(fā)電機的分類子模型進行運算得到該測試數(shù)據(jù)的剩余壽命預測值。本發(fā)明通過使用隨機建立的大規(guī)模稀疏連接權(quán)(叫做儲備池)作為信息處理單元代替RNN的隱層；將低維的輸入空間映射到高維的狀態(tài)空間；隨機建立輸入權(quán)值，反饋權(quán)值和神經(jīng)元內(nèi)部連接權(quán)值；通過線性回歸的方法訓練輸出權(quán)值，得到全局最優(yōu)權(quán)值。


圖I為基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剩余壽命預測方法的方法流程圖；圖2為基于分類子模型方法的剩余壽命預測方法框圖；圖3為對100個測試數(shù)據(jù)單元進行分類的流程圖；圖4為第一個分類子模型用于100個渦輪發(fā)電機單元的預測值和剩余壽命真實值的比較曲線5為第一個分類子模型的100個渦輪發(fā)動機單元的預測誤差曲線圖；圖6為第二個分類子模型用于剩余80個渦輪發(fā)電機單元的預測值和剩余壽命真實值的比較曲線圖；圖7為第一個分類子模型的80個渦輪發(fā)動機單元的預測誤差曲線圖；圖8為所有分類子模型用于100個渦輪發(fā)動機單元預測誤差小于等于10的渦輪發(fā)動機單元的預測值和剩余壽命真實值的比較曲線圖；圖9為所有分類子模型用于100個渦輪發(fā)動機單元預測誤差小于等于10的渦輪發(fā)動機單元的預測誤差曲線圖。
具體實施例方式具體實施方式
一、結(jié)合圖I、圖2和圖3具體說明本實施方式，本實施方式所述的基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剩余壽命預測方法，它包括下述步驟步驟一、對100個測試數(shù)據(jù)單元進行分類，得到k個測試數(shù)據(jù)集合；每個測試數(shù)據(jù)集合對應一個ESN的渦輪發(fā)電機的分類子模型，每個ESN的渦輪發(fā)電機的分類子模型的參數(shù)不同，k個ESN的渦輪發(fā)電機的分類子模型組成分類子模型庫；E表示測試數(shù)據(jù)單元的個數(shù)，測試數(shù)據(jù)單元為ESN的渦輪發(fā)電機的分類子模型的一組數(shù)據(jù)集，該組數(shù)據(jù)集包含E個渦輪發(fā)動機的數(shù)據(jù)單元,其中，E = 100,每一個測試數(shù)據(jù)單元為24維數(shù)據(jù)，該24維數(shù)據(jù)中的3維數(shù)據(jù)表示渦輪發(fā)動機操作條件數(shù)據(jù)，剩余的21維表示傳感器采集的渦輪發(fā)動機狀態(tài)數(shù)據(jù)，該24維數(shù)據(jù)中的3維數(shù)據(jù)表示渦輪發(fā)動機操作條件數(shù)據(jù)包括高度、馬赫數(shù)和油門角度，剩余的21維表示傳感器采集的渦輪發(fā)動機狀態(tài)數(shù)據(jù)包括不同點的溫度、壓力和速度；如表I所示，表I表示其中一個實例的多維時間序列。表I
—運行周期數(shù)模式設+置I I ... I模式設置3 傳感器I I... I傳感器21I-0.0007 ... 100.0518.67 ... 23.419020.0019 ... 100.0518.67 ... 23.4236
1920.0009 ... 100.0518.67 ... 22.9649步驟二、將步驟一的每個測試數(shù)據(jù)輸入與該數(shù)據(jù)集合對應的ESN的渦輪發(fā)電機的分類子模型進行運算得到該測試數(shù)據(jù)的剩余壽命預測值。·具體實施方式
二、結(jié)合圖2和圖3具體說明本實施方式，本實施方式與具體實施方式
一所述的基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剩余壽命預測方法的區(qū)別在于，步驟一所述的對100個測試數(shù)據(jù)單元進行分類，得到k個測試數(shù)據(jù)集合的具體步驟為步驟——、數(shù)據(jù)初始值，U=IOO, i=l,步驟一二、隨機選取U個已知的訓練數(shù)據(jù)單元中的一個訓練數(shù)據(jù)單元作為一個ESN的渦輪發(fā)電機的分類子模型的輸入輸出數(shù)據(jù)，同時將所述的被選擇的訓練數(shù)據(jù)單元刪除，U表示已知的訓練數(shù)據(jù)單元的個數(shù)；通過交叉驗證法選取使得與該子模型輸出結(jié)果最好儲備池參數(shù)，建立第i個Kalman濾波的ESN的渦輪發(fā)電機的分類子模型；訓練數(shù)據(jù)單元包含100個渦輪發(fā)動機的數(shù)據(jù)單元，所述的100個渦輪發(fā)動機均屬于同一生產(chǎn)批次，且100個渦輪發(fā)動機在開始試驗之前的初始剩余壽命不同，每個數(shù)據(jù)單元為24維數(shù)據(jù)，該24維數(shù)據(jù)中的3維數(shù)據(jù)表示渦輪發(fā)動機操作條件數(shù)據(jù)，剩余的21維表示傳感器采集的渦輪發(fā)動機狀態(tài)數(shù)據(jù)，步驟一三、將測試數(shù)據(jù)單元依次輸入至第i個ESN的渦輪發(fā)電機的分類子模型進行剩余壽命預測，并計算相應的剩余壽命，選擇測試單元的剩余壽命與該測試單元的設計的剩余壽命之間的誤差小于或等于10的測試單元加入第i組分類數(shù)據(jù)，同時將所述測試數(shù)據(jù)單元刪除；測試單元的設計的剩余壽命為預先設定的剩余壽命，步驟一四、判斷U是否大于90，判斷為是，則執(zhí)行步驟一三；判斷為否，則結(jié)束訓練，刪除剩余的測試數(shù)據(jù)單元，令k=i，得到k個測試數(shù)據(jù)集合和k個ESN的渦輪發(fā)電機的分類子模型；步驟一五、則令i=i+l，U=U-I,并返回執(zhí)行步驟一二，進行下一輪判斷。本實施方式的實驗步驟如圖4所示I、在訓練數(shù)據(jù)中選擇第三個測試單元，使用交叉驗證的方法選擇ESN的參數(shù)，參數(shù)設置如表2所示，表2表示ESN和Kalman參數(shù)設置，預測所有測試單元的剩余壽命，預測結(jié)果如圖4和圖5所示，從而得到第一個ESN模型和第一組分類數(shù)據(jù)集；表權(quán)利要求
1.基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剰余壽命預測方法，其特征在于，它包括下述步驟 步驟一、對100個測試數(shù)據(jù)單元進行分類，得到k個測試數(shù)據(jù)集合；每個測試數(shù)據(jù)集合對應ー個ESN的渦輪發(fā)電機的分類子模型，每個ESN的渦輪發(fā)電機的分類子模型的參數(shù)不同，k個ESN的渦輪發(fā)電機的分類子模型組成分類子模型庫；E表示測試數(shù)據(jù)單元的個數(shù)， 測試數(shù)據(jù)單元為ESN的渦輪發(fā)電機的分類子模型的一組數(shù)據(jù)集，該組數(shù)據(jù)集包含E個渦輪發(fā)動機的數(shù)據(jù)單元，其中，E = 100, 每ー個測試數(shù)據(jù)單元為24維數(shù)據(jù)，該24維數(shù)據(jù)中的3維數(shù)據(jù)表示渦輪發(fā)動機操作條件數(shù)據(jù)，剰余的21維表示傳感器采集的渦輪發(fā)動機狀態(tài)數(shù)據(jù)， 步驟ニ、將步驟一的每個測試數(shù)據(jù)輸入與該數(shù)據(jù)集合對應的ESN的渦輪發(fā)電機的分類子模型進行運算得到該測試數(shù)據(jù)的剩余壽命預測值。
2.根據(jù)權(quán)利要求I所述的基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剰余壽命預測方法，其特征在于，步驟一所述的對100個測試數(shù)據(jù)單元進行分類，得到k個測試數(shù)據(jù)集合的具體步驟為 步驟一一、數(shù)據(jù)初始值，U100, i = 1， 步驟一二、隨機選取U個已知的訓練數(shù)據(jù)單元中的一個訓練數(shù)據(jù)單元作為ー個ESN的渦輪發(fā)電機的分類子模型的輸入輸出數(shù)據(jù)，同時將所述的被選擇的訓練數(shù)據(jù)單元刪除，U表示已知的訓練數(shù)據(jù)單元的個數(shù)；通過交叉驗證法選取使得與該子模型輸出結(jié)果最好儲備池參數(shù)，建立第i個Kalman濾波的ESN的渦輪發(fā)電機的分類子模型； 訓練數(shù)據(jù)單元包含100個渦輪發(fā)動機的數(shù)據(jù)單元，所述的100個渦輪發(fā)動機均屬于同一生產(chǎn)批次，且100個渦輪發(fā)動機在開始試驗之前的初始剩余壽命不同， 每個數(shù)據(jù)單元為24維數(shù)據(jù)，該24維數(shù)據(jù)中的3維數(shù)據(jù)表示渦輪發(fā)動機操作條件數(shù)據(jù)，剰余的21維表示傳感器采集的渦輪發(fā)動機狀態(tài)數(shù)據(jù)， 步驟一三、將測試數(shù)據(jù)單元依次輸入至第i個ESN的渦輪發(fā)電機的分類子模型進行剩余壽命預測，并計算相應的剩余壽命，選擇測試單元的剩余壽命與該測試單元的設計的剩余壽命之間的誤差小于或等于10的測試單元加入第i組分類數(shù)據(jù)，同時將所述測試數(shù)據(jù)單元刪除； 步驟一四、判斷U是否大于90，判斷為是，則執(zhí)行步驟一三；判斷為否，則結(jié)束訓練，刪除剰余的測試數(shù)據(jù)單元，令k = i，得到k個測試數(shù)據(jù)集合和k個ESN的渦輪發(fā)電機的分類子模型； 步驟ー五、則令i i+l，U U-1，并返回執(zhí)行步驟一二，進行下ー輪判斷。
3.根據(jù)權(quán)利要求2所述的基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剰余壽命預測方法，其特征在于，步驟一二所述的通過交叉驗證法選取使得與該子模型輸出結(jié)果最好儲備池參數(shù)，建立第i個Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的具體步驟為 A、訓練階段，建立Kalman濾波的ESN的渦輪發(fā)動機的數(shù)學模型，根據(jù)已知的輸入單元u(n)和已知的輸出單元y(n-l)，采用Kalman濾波的ESN的渦輪發(fā)動機的數(shù)學模型的內(nèi)部處理單元的更新方程和Kalman濾波求得輸出權(quán)值矩陣W°ut， B、在測試階段，被測渦輪發(fā)動機在正常運行時，通過傳感器測量獲得渦輪發(fā)動機的24維數(shù)據(jù)作為輸入?yún)g元的數(shù)據(jù)集；結(jié)合步驟ー訓練后的Kalman濾波的ESN的渦輪發(fā)動機的數(shù)學模型的輸出單元和輸出權(quán)值矩陣W°ut，采用訓練后的Kalman濾波的ESN的渦輪發(fā)動機的數(shù)學模型的輸出單元的方程求得待測ESN的渦輪發(fā)動機的剰余壽命預測值。
4.根據(jù)權(quán)利要求3所述的基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剰余壽命預測方法，其特征在于，步驟A所述的ESN的渦輪發(fā)動機的數(shù)學模型的內(nèi)部處理單元的更新方程為X (n) =f (ffmu (n) +Wx (n_l) +ffbacky (n_l))(I) 其中,n=0, ".V . .，t,n表示時刻,b表示初始截斷時刻；t表示渦輪發(fā)動機失效的前一時刻ば(も，-,fL)是內(nèi)部處理單元的激活函數(shù)，該激活函數(shù)為雙曲正切tanh函數(shù),=(<)是NXL維的輸入權(quán)值矩陣；W=(wu)是NXN維的內(nèi)部連接權(quán)值矩陣'Wm = *)是NXM維的反饋權(quán)值矩陣，且Wbaek=O ；i表示第i行、j表示第j列；內(nèi)部處理單元X (n)為N維矩陣；輸入單元u(n)為L維向量，表示渦輪發(fā)動機的狀態(tài)監(jiān)測數(shù)據(jù)；輸出單元y(n-l)為M維向量，表示已知的潤輪發(fā)動機的剩余壽命。
5.根據(jù)權(quán)利要求4所述的基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剰余壽命預測方法，其特征在于，步驟A所述的采用ESN的渦輪發(fā)動機的數(shù)學模型的內(nèi)部處理單元的更新方程和Kalman濾波求得輸出權(quán)值矩陣W°ut的具體過程為 在 k 時刻輸入單元 = (k),, uL(k)),內(nèi)部處理單元 X(k) = (X1Qc),…，xN(k))，輸出單元 y(k) = (yi (k), ...，yM(k)), W1=W/ I入max I，其中\(zhòng) max是W的譜半徑，W1表示譜半徑為I時的內(nèi)部連接權(quán)值矩陣；內(nèi)部處理單元X(ri)的內(nèi)部神經(jīng)元通過權(quán)值連接組成儲備池，儲備池的參數(shù)有儲備池規(guī)模N、譜半徑\ _、輸入單元縮放IS和輸入單元移位IF ； 初始化內(nèi)部處理單元x(n)的參數(shù)； 初始化在0時刻的MX (L+N+M維輸出權(quán)值矩陣W°ut(0)的轉(zhuǎn)置矩陣(W°ut(0))T、0時刻的誤差協(xié)方差P(0)、激勵噪聲協(xié)方差矩陣Q和觀測噪聲協(xié)方差矩陣R，根據(jù)已知的輸入單元u(n)和輸出單元y (n-1),當時間大于或等于初始截斷時間b時,通過交叉驗證算法選擇使得Kalman濾波的ESN的渦輪發(fā)動機的數(shù)學模型性能最好的ー組參數(shù)，確定內(nèi)部處理單元X (n)的參數(shù)、觀測噪聲協(xié)方差矩陣R和激勵噪聲協(xié)方差矩陣Q， 根據(jù)Kalman濾波的時間更新方程計算出k時刻的MX (L+N+M)維先驗估計輸出權(quán)值轉(zhuǎn)置矩陣的(W°ut (k)) T_和k時刻的先驗估計誤差協(xié)方差P_ (k)， Kalman濾波的時間更新方程由公式(2)和公式(3)組成，(Wout (k))ト=A(Wout (k-1))T(2) P(k)=AP (k-l)AT+Q(3) 其中，k表示時刻，k為整數(shù)且kきI 'A為(L+N)維的單位矩陣；上角標T代表的轉(zhuǎn)置；Kalman濾波的時間更新方程將當前狀態(tài)變量作為先驗估計投射到Kalman濾波的測量更新方程， 根據(jù)Kalman濾波的測量更新方程計算出k時刻的MX (L+N+M)維輸出權(quán)值轉(zhuǎn)置矩陣的(Wout (k))T、k時刻的誤差協(xié)方差P (k)， Kalman濾波的測量更新方程將先驗估計好新的測量變量結(jié)合以構(gòu)造后驗估計，測量更新方程由公式(4)、公式(5)和公式(6)組成，K (k) =P^ (k) Ht (HP- (k) Ht+R)(4)(Wout (k))T= (Wout (k))t_+K(k)y(k) (yT-x (k+l)T (Wout (k))T_)(5) P(k) = (I-K(k)H)F(k)(6) 其中，K(k)表示k時刻的卡爾曼增益，H(k)是k時刻的ESN的渦輪發(fā)電機的數(shù)學模型的內(nèi)部處理單元x(k)矩陣的轉(zhuǎn)置；R表示測量噪聲協(xié)方差矩陣；y(k)為M維向量，表示k時刻已知的渦輪發(fā)動機的剩余壽命，故y(k)T = y (k)，y(k)T表示k時刻已知的渦輪發(fā)動機的剰余壽命，X (k+1)T表示k+1時刻內(nèi)部處理單元的轉(zhuǎn)置矩陣，I表示単位矩陣； 計算完一次Kalman濾波的測量更新方程后，將公式(5)計算得到的(W°ut (k))T代入公式(2)，將公式(6)計算得到的P(k)代入公式(3)再次重復計算，直到訓練完所有數(shù)據(jù)。
6.根據(jù)權(quán)利要求5所述的基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剰余壽命預測方法，其特征在于，所述的k時刻的激勵噪聲協(xié)方差矩陣為p (w) (0, Q), Q=E (w(k) w(k)T)(7) 其中，w(k)表示k時刻的過程噪聲。
7.根據(jù)權(quán)利要求5所述的基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剰余壽命預測方法，其特征在于，所述的k時刻的ESN的渦輪發(fā)電機的數(shù)學模型的內(nèi)部處理單元x(k)矩陣的轉(zhuǎn)置H(k)為H(k) = (x(k))T (8)。
8.根據(jù)權(quán)利要求3所述的基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剰余壽命預測方法，其特征在于，步驟B所述的Kalman濾波的ESN的渦輪發(fā)動機的數(shù)學模型的輸出單兀的方程為y' (n) =fout (ffoutx (n))(9) 其中n=0,…セ。...t, n表示時刻，tQ表示初始截斷時刻；t表示渦輪發(fā)動機失效時的時刻，輸出單元y’ (n)為M維向量，表示待測渦輪發(fā)動機的剰余壽命，。=(。レバ。ノ)為輸出單元的輸出函數(shù)，是MX (L+N+M)維輸出權(quán)值矩陣，內(nèi)部處理單元X (n)為N維矩陣。
全文摘要
基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剩余壽命預測方法，涉及基于Kalman濾波的ESN的渦輪發(fā)電機的分類子模型的剩余壽命預測方法。它為了解決現(xiàn)有預測方法選擇合適的網(wǎng)絡拓撲困難，訓練時需訓練網(wǎng)絡的全部的權(quán)值，計算時容易陷入局部最優(yōu)的問題。本發(fā)明對100個測試數(shù)據(jù)單元進行分類，得到k個測試數(shù)據(jù)集合；每個測試數(shù)據(jù)集合對應一個ESN的渦輪發(fā)電機的分類子模型，每個ESN的渦輪發(fā)電機分類子模型的參數(shù)不同，k個ESN的渦輪發(fā)電機的分類子模型組成分類子模型庫；將每個測試數(shù)據(jù)輸入與該數(shù)據(jù)集合對應ESN的渦輪發(fā)電機的分類子模型進行運算得到該測試數(shù)據(jù)的剩余壽命預測值。本發(fā)明適用于渦輪發(fā)動機等領域。
文檔編號G01M15/00GK102788955SQ20121024613
公開日2012年11月21日 申請日期2012年7月17日 優(yōu)先權(quán)日2012年7月17日
發(fā)明者劉大同, 周建寶, 彭宇, 徐勇, 王建民, 王紅 申請人:哈爾濱工業(yè)大學