一種基于深度神經網絡的立面損傷評估方法技術

本發明專利技術公開了一種基于深度神經網絡的立面損傷評估方法。方法包括：將損傷立面的時序數據輸入SOM神經網絡中訓練；使用Bootstrap法將訓練集劃分并輸入集成DBiGRU模型中訓練；獲取待預測立面的時序數據輸入訓練完成的SOM神經網絡中，輸出最佳擬合曲線；選取趨勢殘差組輸入訓練完成的SOM神經網絡中，輸出最小量化誤差構建立面損傷指標；構建預測神經網絡模型；將待預測立面的時序數據輸入訓練完成的集成DBiGRU模型中，輸入預測神經網絡模型中，輸出剩余壽命的均值和置信區間，對待預測立面進行全面評估。本發明專利技術方法可以精準預測復雜立面環境維護周期，有利于降低因故障維護不及時產生的損失，從而減小不必要的消耗。從而減小不必要的消耗。從而減小不必要的消耗。

【技術實現步驟摘要】
一種基于深度神經網絡的立面損傷評估方法


[0001]本專利技術涉及了一種立面損傷評估方法，具體涉及一種基于深度神經網絡的立面損傷評估方法。

技術介紹

[0002]石化及放射性儲物罐、鍋爐在經過長時間的使用之后，其內外立面會存在一些裂紋、生銹、氣孔等表面缺陷。這些缺陷如果長時間不修復，會導致氣液體泄露等安全隱患，因此如何及時發現壁面的表面缺陷并準確判斷缺陷信息對于該方面領域的生產安全保證有著重要的實際意義。而目前針對石化及放射性儲物罐、鍋爐等內外壁面存在人工檢測的諸多不足之處，如缺乏客觀統一的檢測標準、檢測效率低下、人眼分辨率有限且帶有主觀意識等問題。
[0003]隨著先進的傳感器和計算機技術的發展，工業生產中積累了大量的狀態監測數據，數據驅動方法利用狀態監測數據來量化退化過程，建立一個精確的系統模型。基于數據驅動的預測方法通常由數據采集、損傷指標構建和維護周期預測三個步驟組成。損傷指標試圖通過獲取數據中的特征信息來識別和量化歷史和正在進行的退化過程。并且，高質量的預測模型有助于提高預測精度。因此，損傷指標和預測模型在很大程度上直接影響數據驅動預測方法的準確性，構建有效反應作業對象立面損傷的指標和預測模型至關重要。

技術實現思路

[0004]為了解決
技術介紹
中存在的問題，本專利技術所提供一種基于深度神經網絡的立面損傷評估方法，為了準確描述作業對象性能退化的動態過程，結合深度學習的強大特征提取能力，結合深度自編碼和最小量化誤差方法，構建作業對象立面損傷指標。利用深度自編碼模型對原始特征進行壓縮提取，將壓縮特征按趨勢性值大小進行排序后，選取趨勢性值大的特征運用最小量化誤差方法構建損傷指標。利用Bootstrap方法，并結合深度雙向門控循環單元實現損傷程度的預測。
[0005]本專利技術采用的技術方案是：
[0006]本專利技術立面損傷評估方法包括如下步驟：
[0007]步驟1：將采集的損傷立面的若干不同維數時序數據輸入SOM神經網絡中進行訓練，獲得訓練完成的SOM神經網絡；SOM神經網絡將不同維數數據以拓撲有序的方式變換到一維或二維的離散空間上。
[0008]步驟2：將損傷立面的各個維數時序數據作為訓練集，使用Bootstrap法將訓練集劃分為k個DBIGRU塊并輸入Tensorfiow軟件中的集成DBiGRU模型中進行迭代訓練，獲得訓練完成的集成DBiGRU模型；具體為將損傷立面的各個維數時序數據劃分為訓練集和測試集分別進行訓練和測試。
[0009]步驟3：獲取待預測的立面的若干不同維數時序數據并輸入訓練完成的SOM神經網絡中，訓練完成的SOM神經網絡輸出最佳擬合曲線；利用最小二乘擬合方法從損傷指標曲線
中減去最佳擬合曲線，損傷指標曲線被分解為若干個趨勢殘差組，選取其中的若干趨勢殘差組輸入訓練完成的SOM神經網絡中，訓練完成的SOM神經網絡輸出選取的各個趨勢殘差組的最小量化誤差構建待預測的立面的立面損傷指標。
[0010]步驟4：構建預測神經網絡模型；
[0011]步驟5：將待預測的立面的若干不同維數時序數據輸入訓練完成的集成DBiGRU模型中，訓練完成的集成DBiGRU模型的輸出輸入至預測神經網絡模型中，預測神經網絡模型輸出待預測的立面的剩余壽命的均值和置信區間，根據剩余壽命的均值預測出待預測的立面的剩余壽命，根據剩余壽命的置信區間預測出待預測的立面的維護區間，從而對待預測的立面進行全面評估。置信區間可以量化點估計的不確定性。
[0012]剩余壽命的均值和置信區間可以預測出待預測的立面的剩余壽命，并且可以在待預測的立面的維護區間對待預測的立面進行維護。
[0013]所述的步驟1中，將采集的損傷立面的若干不同維數時序數據輸入SOM神經網絡中后獲得狀態特征向量；損傷立面的不同維數時序數據包括損傷立面的溫度、濕度和PH值等時序數據；狀態特征向量具體為由損傷立面的各個不同維數時序數據的實時的統計特征值構成，統計特征值包括若干時頻域特征和兩個基于三角函數的特征，時頻域特征包括心頻率、均方頻率、均方根頻率、頻率方差、頻率標準差、頻率幅值方差、幅值偏度指標、幅值峭度指標、頻率標準差、頻率標準差、頻率峭度和平方根比率等；兩個基于三角函數的特征包括反三角雙曲余弦標準差IHC(Inverse Hyperbolic Cosine)和反三角雙曲正弦標準HIS(InverseHyperbolic Sine)等。
[0014]所述的步驟1中，SOM網絡在訓練過程中，獲得狀態特征向量和BMU權重向量之間的距離最小時獲得最小量化誤差MQE，具體如下：
[0015]MQE＝||z
?
w
BMU
||
[0016]其中，z表示狀態特征向量；w
BMU
表示SOM網絡的誤差參數。
[0017]確定此時的誤差參數w
BMU
作為SOM網絡的誤差參數從而獲得訓練完成的SOM網絡。
[0018]所述的步驟2中，集成DBiGRU模型包括三個BiGRU層和全連接回歸層，第一個BiGRU層的輸出分別輸入至第二個BiGRU層和第三個BiGRU層中，第二個BiGRU層的輸出直接輸入到第三個BiGRU層中，第三個BiGRU層的輸出直接輸入到全連接回歸層中處理后輸出作為集成DBiGRU模型的輸出。
[0019]采用三層的模型，可以增加模型的參數，提高模型的學習能力。三個BiGRU層的隱藏狀態有兩個信息流向，1傳輸給下一時刻，2要作為當前時刻下一層的輸入。集成DBiGRU模型通過遍歷多個細胞，將前一個細胞的輸出向量作為下一個細胞的輸入向量，并將其中的隱藏層狀態向量保存在新狀態中。返回的向量為最后一個細胞的輸出向量和所有細胞的隱藏層狀態向量。當神經網絡訓練數據量增加時，增加模型的深度往往能夠獲得更好的預測精度。DBiGRU模型能夠充分利用機械設備退化狀態過去和未來的相關信息并有效地進行層層之間的傳遞，進而提高維護周期預測的精度。
[0020]所述的步驟2中，集成DBiGRU模型的迭代訓練具體如下：
[0021]將k個DBIGRU塊輸入集成DBiGRU模型中，集成DBiGRU模型首先初始化自身的所有參數，集成DBiGRU模型計算自身的網絡損失，將網絡損失方向傳播至自身的模型中進行訓練完成一次循環，當一次循環未完成時再次進行網絡損失的計算繼續進行依次循環；重復
上述步驟對集成DBiGRU模型進行迭代訓練，直至重復的次數達到最大迭代次數，獲得訓練完成的集成DBiGRU模型。
[0022]構建DBiGRU神經網絡，通過Bootstrap方法構建集成學習網絡獲取預測結果不確定性表達，并通過誤差反向傳遞來來最小化損失函數來訓練DBiGRU網絡。最后，利用采集的數據實現維護周期的預測值。
[0023]通過Bootstrap方法構建集成學習網絡獲取預測結果不確定性表達，從理論上減少了預測值與回歸均值之間的偏差，能有效量化表達預測不確定性。Bootstrap法是以原始數據為基礎的模擬抽樣統計本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于深度神經網絡的立面損傷評估方法，其特征在于：方法包括如下步驟：步驟1：將采集的損傷立面的若干不同維數時序數據輸入SOM神經網絡中進行訓練，獲得訓練完成的SOM神經網絡；步驟2：將損傷立面的各個維數時序數據作為訓練集，使用Bootstrap法將訓練集劃分為k個DBIGRU塊并輸入集成DBiGRU模型中進行迭代訓練，獲得訓練完成的集成DBiGRU模型；步驟3：獲取待預測的立面的若干不同維數時序數據并輸入訓練完成的SOM神經網絡中，訓練完成的SOM神經網絡輸出最佳擬合曲線；利用最小二乘擬合方法從損傷指標曲線中減去最佳擬合曲線，損傷指標曲線被分解為若干個趨勢殘差組，選取其中的若干趨勢殘差組輸入訓練完成的SOM神經網絡中，訓練完成的SOM神經網絡輸出選取的各個趨勢殘差組的最小量化誤差構建待預測的立面的立面損傷指標；步驟4：構建預測神經網絡模型；步驟5：將待預測的立面的若干不同維數時序數據輸入訓練完成的集成DBiGRU模型中，訓練完成的集成DBiGRU模型的輸出輸入至預測神經網絡模型中，預測神經網絡模型輸出待預測的立面的剩余壽命的均值和置信區間，根據剩余壽命的均值預測出待預測的立面的剩余壽命，根據剩余壽命的置信區間預測出待預測的立面的維護區間，從而對待預測的立面進行全面評估。2.根據權利要求1所述的一種基于深度神經網絡的立面損傷評估方法，其特征在于：所述的步驟1中，將采集的損傷立面的若干不同維數時序數據輸入SOM神經網絡中后獲得狀態特征向量；損傷立面的不同維數時序數據包括損傷立面的溫度、濕度和PH值時序數據；狀態特征向量具體為由損傷立面的各個不同維數時序數據的實時的統計特征值構成，統計特征值包括若干時頻域特征和兩個基于三角函數的特征，時頻域特征包括心頻率、均方頻率、均方根頻率、頻率方差、頻率標準差、頻率幅值方差、幅值偏度指標、幅值峭度指標、頻率標準差、頻率標準差、頻率峭度和平方根比率；兩個基于三角函數的特征包括反三角雙曲余弦標準差IHC和反三角雙曲正弦標準HIS。3.根據權利要求2所述的一種基于深度神經網絡的立面損傷評估方法，其特征在于：所述的步驟1中，SOM網絡在訓練過程中，獲得狀態特征向量和BMU權重向量之間的距離最小時獲得最小量化誤差MQE，具體如下：MQE＝||z
?
w
BMU
||其中，z表示狀態特征向量；w
BMU
表示SOM網絡的誤差參數；確定此時的誤差參數w
BMU
作為SOM網絡的誤差參數從而獲得訓練完成的SOM網絡。4.根據權利要求1所述的一種基于深度神經網絡的立面損傷評估方法，其特征在于：所述的步驟2中，集成DB...

【專利技術屬性】
技術研發人員：傅雷，郭偉東，馬澤鵬，胥芳，張立彬，譚大鵬，
申請(專利權)人：浙江工業大學臺州研究院，
類型：發明
國別省市：