CN110503133A - 一种基于深度学习的离心式压缩机故障预测方法 - Google Patents

Abstract

本发明属于故障预测技术领域，涉及一种基于深度学习的离心式压缩机故障预测方法。本发明基于GRU网络，根据经过数据融合和特征提取的数据集建立预测模型，利用多元高斯分布根据预测误设置阈值，通过阈值与故障前期数据误差比较来预测离心式压缩机的故障。该方法通过聚类算法为不同时间步长候选序列子集的每个变量划分类别，然后通过信息增益对每个子集的每个变量进行评价，从而确定特征变量和多维时间序列的时间步长。本发明构建并训练GRU神经网络模型，充分考虑了数据的时间相关性，具有长期记忆能力，不用考虑具体的机理知识，且解决了传统网络模型的过拟合问题，速度快，精度高，有良好的泛化能力。

Description

一种基于深度学习的离心式压缩机故障预测方法

技术领域

本发明属于故障预测技术领域，涉及一种基于深度学习的离心式压缩机故障预测方法。

背景技术

离心压缩机作为一种旋转机械设备，广泛应用于石油化工、电厂、冶金等行业，是化工领域重要的关键设备，它的特点是转速高，气流量大，需要长期稳定运行。一旦离心式压缩机出现异常和故障，轻则停机检查，重则损坏维修，这往往带来企业正常生产的停滞，造成巨大的经济损失。对离心式压缩机故障进行提前预测具有巨大的经济意义和企业价值。

目前常用的方法有：采用支持向量机模型的故障预测的方法，此方法将输入数据映射到可以构造最佳分类面的多维本质向量空间中，用分类的思想进行故障预测。但是对大规模数据训练困难，训练时间长，且无法直接支持多分类数据的输入；采用隐马尔可夫模型的故障预测的方法，有状态隐含、观测序列可见的双重随机属性，可发现设备运行过程中的衰退状态与观测到的征兆信号之间的随机关系。但是需要预设设备所经历的状态数，对模型先验知识比较了解，且模型训练中采用极大似然估计算法，没有考虑模型的复杂度，容易造成过拟合和欠拟合等问题。

发明内容

为了克服现有技术的问题从而满足实际应用的需要，实现对离心式压缩机故障的准确预测，从而本文提出一种基于深度学习的离心式压缩机故障预测方法。

本发明基于GRU网络，根据经过数据融合和特征提取的数据集建立预测模型，利用多元高斯分布根据预测误设置阈值，通过阈值与故障前期数据误差比较来预测离心式压缩机的故障。

一种基于深度学习的离心式压缩机故障预测方法，包括如下步骤：

第一步：数据预处理

1.1采集得到的现场传感器数据得到数据集，数据集包括不同测点振动信号频域特征、不同位置温度、压力、流量等多测点变量；

设备在设置检测原件监测设备状态时，一般会在同一部件同一种类型变量的不同区域设置传感器，进行多点监测，对于某些关键变量的数据能够更加综合的监测，使其排除噪声更接近其实际值。然而实际的研究分析中，多测点数据往往因为信号在不同位置的受到的干扰不同，以及传感器本身误差波动，这些数据直接进行建模应用时会带来较大的冗余，而且包含极大的相关性。因此要进行数据融合。

1.2利用卡尔曼滤波融合数据集内的多测点变量。

第二步：特征选择

本发明采用基于聚类分析与信息增益的多维时间序列特征选择方法，把卡尔曼滤波融合后数据集分成不同时间步长的输入数据和对应的输出数据，再把数据通过聚类的方式分成三类，然后计算输入对输出的信息增益，最后通过信息增益的大小来确定特征变量的选择和相应参数的确定。

2.1数据集划分：

把卡尔曼滤波融合后数据集分成不同时间步长的输入数据和对应的输出数据。

2.2聚类分析：

使用GMM聚类算法对数据进行类簇的划分。

2.3信息增益计算：

对聚类分析后的数据集合进行信息增益的计算，根据信息增益的大小选择特征变量，并确定时间步长。

第三步：故障预测

3.1预测模型建立

本发明采用GRU网络作为时间序列预测模型，时间序列预测模型的网络结构为：双隐层的GRU结构，第一层的GRU单元用“M1”表示，用于接收输入与前一个时间步的输出，隐藏节点设为60，其输出送入第二层网络。第二层GRU单元用“M2”表示，用于接收第一层的输出与当前层前一个时间步的输出，隐藏节点设为30，其输出送入全连接层。全连接层设有3个神经元，使用线性激活函数，每个神经元对应一个输出，作为整个网络最后的输出结果。整个结构如图4所示。

时间序列预测是一个回归问题，所以本发明采用均方误差作为网络优化的目标函数。参数优化方面，参数优化方面，本文采用适应性动量估计算法对网络权重进行优化。防止过拟合方面，在网络的层与层之间加入Dropout层。

3.2阈值选取

在时间序列预测模型建立完成后，在训练数据集上每一组数据都会获得对应的误差向量，对所有的误差向量组成的集合使用多远高斯分布进行建模，得到期望误差的概率密度函数，取概率密度函数的对数值作为异常分数对异常进行评估。以置信度对应的logPD值作为划分异常值的阈值，对于获取的新数据计算其异常分数，异常分数低于阈值则可认为是异常点。

与现有技术相比，本发明的有益效果为：

本发明针对压缩机过程变量中同变量多测点的冗余数据，利用卡尔曼滤波的方法进行多传感器数据融合，得到更为准确的变量数据。

本发明提出一种基于聚类分析和信息增益的多维时间序列的特征选择方法。该方法通过聚类算法为不同时间步长候选序列子集的每个变量划分类别，然后通过信息增益对每个子集的每个变量进行评价，从而确定特征变量和多维时间序列的时间步长。

本发明构建并训练GRU神经网络模型，充分考虑了数据的时间相关性，具有长期记忆能力，不用考虑具体的机理知识，且解决了传统网络模型的过拟合问题，速度快，精度高，有良好的泛化能力。

本发明采用异常检测的思想，把时间序列的预测误差搜集起来，用多元高斯分布进行建模。利用概率密度函数的对数值作为设备的评价指标，并划定阈值以评估设备的运行状态。能够在故障发生之前发现设备退化的迹象，达到故障预测的目的。

附图说明

图1为卡尔曼滤波器两个过程示意图。

图2为合成段出口温度数据融合示意图。

图3为多维时间序列特征选择方法示意图。

图4为本发明采用的神经网络结构图。

图5为测试集T上压缩机联端A真实值与预测值对比图。

具体实施方式

下面结合具体实施例和附图对本发明进一步说明。

一种基于深度学习的离心式压缩机故障预测方法，包括如下步骤：

第一步：数据预处理

1.1通过现场传感器采集数据得到数据集，数据集包括不同测点振动信号频域特征、不同位置温度、压力、流量这些多测点变量；多测点数据集中数值和趋势几乎完全一致，数值间存在较小误差。

1.2利用卡尔曼滤波方法融合数据集内的多测点变量

本发明中将第一个传感器测得的多测点变量先进行一次完整的卡尔曼滤波过程，再用第二个传感器测得的多测点变量进行卡尔曼滤波，但本次过程不需要进行一步预测，直接使用第一次完整卡尔曼滤波过程得到的状态估计结果作为一步预测。然后使用第二个传感器的量测进行测量更新过程，得到第二次卡尔曼滤波过程的最优状态估计；同样，这个状态估计结果将作为第三个传感器量测进行量测更新时的一步预测结果，以此类推。整个过程中的系统状态方程是相同的。通过此方法实现多测点变量的融合，融合后的变量能够保留原有的有用信息，消除了多传感器信号的冗余，减少了后续的神经网络的输入维数。

2.1数据集划分

将经过卡尔曼滤波数据融合后的数据集，划分为时间步长为5-45，其实际时间跨度为25-225min。

2.2聚类分析

欲使用信息增益作为特征的评价指标，需要了解数据所属的类别。但是由于建模所有数据均来源于正常工况，且对于复杂的实际生产来说也没有明确的数据划分标以准，因此本课题一种无监督学习方法聚类分析把数据集划分为几个簇，以此作为数据的类别用于下一步的研究。

把卡尔曼滤波融合后数据集进行聚类分析，所述的聚类分析包括DBSCAN、GMM聚类或K-means聚类的一种。

密度聚类：由于数据集的集中密度差异较大，在尝试了多种参数组合后，该算法把数据集聚成了几十个类簇，其中两个簇占据了95％以上的样本。显然这种结果是不符合要求的；

GMM聚类：该算法只有一个输入参数聚类簇数，把其设置为10，也就是说把数据集聚成10类。这是一种软聚类方法，给出每个样本属于每个类簇的概率然后把样本分配给概率最大的类簇；

K-means聚类：该算法与GMM聚类算法一样只有一个输入参数聚类簇的数量，同样设置为10。为了避免该算法对初始聚类中心选择敏感的问题，本文通过随机选择不同的初始聚类中心，进行多次计算选择其中令目标函数式最小者作为最终结果

在K-means聚类中，是使用单个点来对类簇进行划分，这种形式实际上就已经假设各个类簇是呈球形分布的，在实际生产过程中的数据很少出现这种情况，而GMM聚类采用一种更加一般的数据表示方法高斯分布来对数据进行划分。

GMM聚类算法，该算法的一个缺点就是事先要知道划分的类簇数，但由于信息增益会偏向于可取值数量较多的变量(在这里取值数就表现为聚类数)，这时候算法的缺点变成了优点，可以通过对算法类簇数的设定，来统一所有变量可取值类别数量，这样就削弱了信息增益具有偏向性这一缺点。所以本发明使用GMM聚类算法对数据进行类簇的划分。

2.3信息增益计算

对不同步长的聚类分析后的数据集进行信息增益的计算，由于步长的变化对信息增益的影响不大，所以先根据相同步长的数据集中不同变量信息增益的大小选择特征变量，再对每个时间步长的所有变量信息增益取均值得到多个平均信息增益，根据平均信息增益的大小来确定时间步长。

3.1预测模型建立

本发明采用双隐层的GRU结构，以最近的10个采样点组成的时间序列数据作为输入用于预测下一个时刻的信号，第一层的GRU单元用“M1”表示，用于接收输入与前一个时间步的输出，隐藏节点设为60，其输出送入第二层网络。第二层GRU单元用“M2”表示，用于接收第一层的输出与当前层前一个时间步的输出，隐藏节点设为30，其输出送入全连接层。全连接层设有3个神经元，使用线性激活函数，每个神经元对应一个输出，作为整个网络最后的输出结果。

时间序列预测是一个回归问题，所以本文采用均方误差作为网络优化的目标函数。参数优化方面，本文采用适应性动量估计算法对网络权重进行优化。防止过拟合方面，在网络的层与层之间加入Dropout层，在训练过程中Dropout层以0.1的比例随机地切断部分神经元的连接。并使用验证数据集用于提前停止训练，当模型在上的损失函数值升高，训练误差却还在降低时，可断定过拟合情况发生，此时可以停止训练。

3.2阈值确定

在预测模型建立完成后，在训练数据集上每一组数据都会获得对应的误差向量，对所有的误差向量组成的集合使用多元高斯分布进行建模，得到期望误差的概率密度函数，取概率密度函数的对数值作为异常分数对异常进行评估。取置信度95％对应的logPD值作为划分异常值的阈值，对于获取的新数据计算其异常分数，异常分数低于阈值则可认为是异常点。通过一部分数据仿真测试，如图5所示，在故障发生之前异常分数就已经低于阈值，表明本文提出的算法足够灵敏，可以在故障发生之前捕捉到设备健康状况退化的迹象，从而预测故障。

Claims (3)

1.一种基于深度学习的离心式压缩机故障预测方法，其特征在于，包括如下步骤：

第一步：数据预处理

1.1采集得到的现场传感器数据得到数据集，数据集包括不同测点振动信号频域特征、不同位置温度、压力、流量多测点变量；

1.2利用卡尔曼滤波融合数据集内的多测点变量；

第二步：特征选择

2.1数据集划分：

把卡尔曼滤波融合后数据集分成不同时间步长的输入数据和对应的输出数据；

2.2聚类分析：

使用GMM聚类算法对数据进行类簇的划分；

2.3信息增益计算：

对聚类分析后的数据集合进行信息增益的计算，根据信息增益的大小选择特征变量，并确定时间步长；

第三步：故障预测

3.1预测模型建立

采用GRU网络作为时间序列预测模型，时间序列预测模型的网络结构为：双隐层的GRU结构，第一层的GRU单元用“M1”表示，用于接收输入与前一个时间步的输出，其输出送入第二层网络；第二层GRU单元用“M2”表示，用于接收第一层的输出与当前层前一个时间步的输出，其输出送入全连接层；全连接层设有3个神经元，使用线性激活函数，每个神经元对应一个输出，作为整个网络最后的输出结果；

时间序列预测模型的网络结构采用均方误差作为网络优化的目标函数，采用适应性动量估计算法对网络权重进行优化，在网络的层与层之间加入Dropout层；

3.2阈值选取

在时间序列预测模型建立完成后，在训练数据集上每一组数据都会获得对应的误差向量，对所有的误差向量组成的集合使用多远高斯分布进行建模，得到期望误差的概率密度函数，取概率密度函数的对数值作为异常分数对异常进行评估；以置信度对应的logPD值作为划分异常值的阈值，对于获取的新数据计算其异常分数，异常分数低于阈值则可认为是异常点。

2.如权利要求1所述的基于深度学习的离心式压缩机故障预测方法，其特征在于，步骤3.1预测模型建立，双隐层的GRU结构，第一层的GRU单元的隐藏节点设为60；第二层GRU单元的隐藏节点设为30。

3.如权利要求1或2所述的基于深度学习的离心式压缩机故障预测方法，其特征在于，步骤3.2阈值选取，以置信度95％对应的logPD值作为划分异常值的阈值。