本發(fā)明涉及水電機(jī)組故障診斷，尤其是涉及一種基于深度學(xué)習(xí)與多重信號(hào)分解的信號(hào)預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著運(yùn)行年限增長(zhǎng)，水電機(jī)組設(shè)備性能逐漸退化，故障發(fā)生的潛在因素增加，為提前預(yù)知機(jī)組故障，避免因事故停機(jī)造成不必要損失，需對(duì)機(jī)組變化趨勢(shì)展開預(yù)測(cè)。目前趨勢(shì)預(yù)測(cè)可分為基于物理模型的預(yù)測(cè)方法和基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法兩類：一、水電機(jī)組等旋轉(zhuǎn)機(jī)械實(shí)際運(yùn)行環(huán)境復(fù)雜多變，從運(yùn)行機(jī)理角度構(gòu)建的物理預(yù)測(cè)模型考慮因素較多，且很大程度依賴于專家經(jīng)驗(yàn)，具有很強(qiáng)的不確定性，其研究應(yīng)用受到限制；二、從數(shù)據(jù)驅(qū)動(dòng)角度實(shí)現(xiàn)信號(hào)時(shí)序預(yù)測(cè)是當(dāng)前水電機(jī)組趨勢(shì)預(yù)測(cè)的主流方法，由于水電機(jī)組監(jiān)測(cè)信號(hào)尤其是振動(dòng)信號(hào)存在較強(qiáng)的非線性非平穩(wěn)特征，其存在的高頻成分對(duì)實(shí)現(xiàn)信號(hào)精確預(yù)測(cè)造成了挑戰(zhàn)，為進(jìn)一步提高預(yù)測(cè)精度，信號(hào)處理中的“分解集成”理論已逐漸應(yīng)用于趨勢(shì)預(yù)測(cè)中，通過(guò)將原始信號(hào)分解為一系列平穩(wěn)分量，從而增強(qiáng)信息的可預(yù)測(cè)性。

2、現(xiàn)有技術(shù)中，已經(jīng)采用深度學(xué)習(xí)進(jìn)行研究，例如：一、利用回歸滑動(dòng)平均模型的水電機(jī)組軸承百度趨勢(shì)預(yù)測(cè)方法，實(shí)現(xiàn)對(duì)機(jī)組軸承擺度發(fā)展趨勢(shì)的中短期預(yù)測(cè)；二、基于長(zhǎng)短期記憶網(wǎng)絡(luò)的水電機(jī)組劣化趨勢(shì)預(yù)測(cè)方法，包括采集水電機(jī)組參數(shù)并進(jìn)行歸一化處理，利用歸一化后的參數(shù)構(gòu)造矩陣；建立包含矩陣的全連接網(wǎng)絡(luò)模型；對(duì)全連接網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練與測(cè)試，對(duì)每個(gè)子劣化時(shí)間序列建立長(zhǎng)短期記憶網(wǎng)絡(luò)劣化趨勢(shì)預(yù)測(cè)模型；對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)劣化趨勢(shì)預(yù)測(cè)模型進(jìn)行訓(xùn)練與測(cè)試，利用長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)水電機(jī)組劣化趨勢(shì)進(jìn)行預(yù)測(cè)，以便及時(shí)進(jìn)行異常狀態(tài)預(yù)警，提高了水電機(jī)組運(yùn)行維護(hù)精度；三、基于eemd和lstm的水電機(jī)組劣化度預(yù)測(cè)方法，利用集合經(jīng)驗(yàn)?zāi)B(tài)分解將劣化度時(shí)間序列分解為多個(gè)分量；根據(jù)預(yù)先設(shè)定的時(shí)間步長(zhǎng)對(duì)每個(gè)分量進(jìn)行重構(gòu)，得到多個(gè)序列樣本；針對(duì)每個(gè)序列樣本構(gòu)建長(zhǎng)短期記憶網(wǎng)絡(luò)劣化趨勢(shì)預(yù)測(cè)模型，得到每個(gè)分量對(duì)應(yīng)的劣化趨勢(shì)預(yù)測(cè)分量；對(duì)所有劣化趨勢(shì)預(yù)測(cè)分量進(jìn)行疊加，得到水電機(jī)組的劣化趨勢(shì)，以提高水電機(jī)組劣化度預(yù)測(cè)精確度。

3、但當(dāng)前的研究中都是對(duì)機(jī)組振動(dòng)信號(hào)直接預(yù)測(cè)，而實(shí)際中，機(jī)組振動(dòng)信號(hào)作為快變量，所包含的非平穩(wěn)與非線性成分極大影響了信號(hào)的可預(yù)測(cè)性，導(dǎo)致信號(hào)預(yù)測(cè)誤差較大；并且在應(yīng)用分解集成理論進(jìn)行信號(hào)預(yù)測(cè)時(shí)，分解后的一階分量仍具有較多的原始信號(hào)高頻成分，導(dǎo)致預(yù)測(cè)結(jié)果不夠精準(zhǔn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種基于深度學(xué)習(xí)與多重信號(hào)分解的信號(hào)預(yù)測(cè)方法，解決當(dāng)前機(jī)組振動(dòng)信號(hào)中的非平穩(wěn)與非線性成分以及分解后的原始信號(hào)高頻成分存在導(dǎo)致預(yù)測(cè)結(jié)果不夠精準(zhǔn)的技術(shù)問(wèn)題。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明所采用的技術(shù)方案是：一種基于深度學(xué)習(xí)與多重信號(hào)分解的信號(hào)預(yù)測(cè)方法，包括以下步驟：

3、s1：獲取水電機(jī)組的多個(gè)不同信號(hào)通道的時(shí)序信號(hào)數(shù)據(jù)，并進(jìn)行數(shù)據(jù)預(yù)處理；

4、s2：采用eemd對(duì)數(shù)據(jù)預(yù)處理后的每一個(gè)時(shí)序信號(hào)數(shù)據(jù)進(jìn)行分解，得到多個(gè)imf分量；

5、s3：采用vmd對(duì)一階imf分量進(jìn)行二次模態(tài)分解，得到相應(yīng)的多個(gè)模態(tài)分量；

6、s4：搭建并訓(xùn)練lstm預(yù)測(cè)模型，獲取并整合步驟s2和步驟s3中獲得的模態(tài)分量后，將整合后的模態(tài)分量輸入lstm預(yù)測(cè)模型；

7、s5：根據(jù)lstm預(yù)測(cè)模型的輸出，獲取預(yù)測(cè)結(jié)果。

8、優(yōu)選方案中，所述s2包括：

9、s21：對(duì)原始征兆指標(biāo)序列v(t)添加高斯白噪聲n(t)，得到新的指標(biāo)信號(hào)s(t)；

10、s22：對(duì)合成信號(hào)進(jìn)行emd分解，得到各階imf分量與殘差；

11、s23：重復(fù)步驟s21～s22，每次加入不同白噪聲；

12、s24：求取所有各階imf與殘差的均值，作為最終的imf分量與殘差，公式為：

13、

14、式中，ci,j(t)為第j個(gè)imf分量，n為總個(gè)數(shù)，i為分量階數(shù)，t為時(shí)間。

15、優(yōu)選方案中，所述s3包括：

16、s31：采用希爾伯特變換獲得模態(tài)分量uk(t)對(duì)應(yīng)的解析信號(hào)zk(t)與單邊頻譜，其次將zk(t)與估計(jì)的中心頻率ωk混合，將模態(tài)分量頻帶調(diào)整至基頻帶，再計(jì)算梯度平方l2范數(shù)估計(jì)帶寬，構(gòu)造約束變分問(wèn)題，公式為：

17、

18、式中，為偏導(dǎo)函數(shù)，解析信號(hào)zk(t)＝[δ(t)+j/πt]*uk(t)，k＝1,2,…,k，δ(t)為單位脈沖函數(shù)；

19、s32：引入二次懲罰項(xiàng)α與拉格朗日乘子λ求解上述約束變分問(wèn)題，得到增廣拉格朗日函數(shù)，求取模態(tài)分量，公式為：

20、

21、式中，f(t)為原始信號(hào)。

22、優(yōu)選方案中，所述s32包括：

23、a1：初始化增廣拉格朗日函數(shù)公式中的uk，ωk與λ，并設(shè)置迭代次數(shù)n；

24、a2：迭代更新uk，根據(jù)ωk與λ來(lái)尋找增廣拉格朗日函數(shù)的“鞍點(diǎn)”，公式為：

25、

26、a3：重復(fù)步驟a2，直至滿足條件

27、a4：獲得信號(hào)序列分解出的k個(gè)模態(tài)分量。

28、優(yōu)選方案中，所述lstm預(yù)測(cè)模型的基本結(jié)構(gòu)分為三層：輸入層、隱藏層、輸出層，隱藏層通過(guò)設(shè)置閾值單元或門結(jié)構(gòu)來(lái)控制信息傳輸；

29、所述隱藏層主要包含三個(gè)門結(jié)構(gòu)：遺忘門、輸入門和輸出門；

30、其中，遺忘門篩選保留t-1時(shí)刻的神經(jīng)元ct-1歷史狀態(tài)信息，輸入門決定t時(shí)刻神經(jīng)元新輸入信息xt的存儲(chǔ)，輸出門控制隱藏層輸出值ht的信息輸出。

31、優(yōu)選方案中，采用隨時(shí)間的反向傳播算法和鏈?zhǔn)椒▌t對(duì)權(quán)值閾值進(jìn)行迭代更新。

32、優(yōu)選方案中，所述s2中利用eemd對(duì)各成分序列數(shù)據(jù)進(jìn)行信號(hào)分解，獲取imf模態(tài)分量，通過(guò)計(jì)算所述imf模態(tài)分量與目標(biāo)序列數(shù)據(jù)的相關(guān)性，得到相關(guān)系數(shù)大于預(yù)設(shè)相關(guān)性閾值的imf模態(tài)分量；

33、采用關(guān)相關(guān)系數(shù)作為評(píng)價(jià)指標(biāo)，全面評(píng)估信號(hào)預(yù)測(cè)誤差，其中均方根誤差rmse、平均絕對(duì)誤差mae與相關(guān)性系數(shù)r表達(dá)式為：

34、

35、式中，n為總個(gè)數(shù)，y(t)為模型預(yù)測(cè)值，y′(t)為實(shí)際值，與為相應(yīng)的均值。

36、優(yōu)選方案中，數(shù)據(jù)預(yù)處理包括去噪，將原始時(shí)間序列數(shù)據(jù)按照統(tǒng)一的時(shí)間標(biāo)準(zhǔn)進(jìn)行有序排列，然后使用平均值對(duì)缺失值進(jìn)行填充，最后對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

37、一種基于深度學(xué)習(xí)與多重信號(hào)分解的信號(hào)預(yù)測(cè)系統(tǒng)，包括：

38、數(shù)據(jù)采集模塊，用于獲取水電機(jī)組的多個(gè)不同信號(hào)通道的時(shí)序信號(hào)數(shù)據(jù)，并進(jìn)行數(shù)據(jù)預(yù)處理；

39、eemd分解模塊，用于采用eemd對(duì)數(shù)據(jù)預(yù)處理后的每一個(gè)時(shí)序信號(hào)數(shù)據(jù)進(jìn)行分解，得到多個(gè)imf分量；

40、vmd分解模塊，用于采用vmd對(duì)一階imf分量進(jìn)行二次模態(tài)分解，得到相應(yīng)的多個(gè)模態(tài)分量；

41、預(yù)測(cè)模型模塊，用于搭建并訓(xùn)練lstm預(yù)測(cè)模型，獲取并整合步驟s2和步驟s3中獲得的模態(tài)分量后，將整合后的模態(tài)分量輸入lstm預(yù)測(cè)模型；

42、結(jié)果分析模塊，用于根據(jù)lstm預(yù)測(cè)模型的輸出，獲取預(yù)測(cè)結(jié)果。

43、本發(fā)明提供了一種基于深度學(xué)習(xí)與多重信號(hào)分解的信號(hào)預(yù)測(cè)方法，包括獲取多個(gè)不同信號(hào)通道的時(shí)序數(shù)據(jù)并進(jìn)行預(yù)處理，采用eemd對(duì)預(yù)處理后的時(shí)序信號(hào)數(shù)據(jù)進(jìn)行分解，分解后的分量能夠更好地表示信號(hào)的不同頻率成分，一階imf分量進(jìn)行變分模態(tài)分解(vmd)，將其進(jìn)一步分解為多個(gè)模態(tài)分量，提取更細(xì)致的模態(tài)信息，提高了預(yù)測(cè)精度，再將分解的模態(tài)分量輸入搭建的lstm預(yù)測(cè)模型，以識(shí)別時(shí)間序列中的模式和趨勢(shì)，從而獲取預(yù)測(cè)結(jié)果，結(jié)合了eemd和vmd進(jìn)行多層次的信號(hào)分解，從而提取出更加精細(xì)的特征，再通過(guò)lstm模型進(jìn)行時(shí)間序列預(yù)測(cè)，具有較高的預(yù)測(cè)精度和魯棒性，大大提升了預(yù)測(cè)功能的準(zhǔn)確性。