[发明专利]一种基于小波分解和LSTM的X射线高压电源故障预测方法

权利要求书

1.一种基于小波分解和LSTM的X射线高压电源故障预测方法，其特征在于，所述基于小波分解和LSTM的X射线高压电源故障预测方法包括：

步骤一，将X射线高压电源的状态变化数据{y₁,y₂,...,y_t-1,y_t}作为初始序列，分别对其前t个时刻的序列进行小波分解，获得不同尺度下小波分解的子序列{D^j,j＝1,2,...,n}；

步骤二，利用n个子序列的t-1个时刻的数据分别建立LSTM模型进行训练和预测，得到每个子序列t时刻的预测结果；

步骤三，将每个子序列t时刻的预测结果进行线性叠加，获得所述电源状态序列的t时刻的预测值；

步骤四，计算预测结果和真实值之间的相对误差，对预测结果进行验证和评价。

2.如权利要求1所述的基于小波分解和LSTM的X射线高压电源故障预测方法，其特征在于，所述步骤一选择DB4小波，对原始序列进行3层小波分解，得到3个高频子序列D₁、D₂、D₃及低频序列A₃。

3.如权利要求1所述的基于小波分解和LSTM的X射线高压电源故障预测方法，其特征在于，所述步骤二还包括以下步骤：

3a)数据提取：设置滑动窗的长度为20，滑动步长为20，依次在子序列上提取所需训练数据；

3b)网络训练：LSTM采用BPTT算法对网络进行训练，网络输入包含：当前时刻网络的输入值、前一时刻网络的输出值、前一时刻记忆细胞的状态；网络输出包含：当前时刻网络的输出值、当前时刻记忆细胞的状态。

4.如权利要求1所述的基于小波分解和LSTM的X射线高压电源故障预测方法，其特征在于，所述步骤二还包括以下计算公式预测每个子序列t时刻的数据：

其中，w_h1和b₁分别为第一权值和第一偏置，w₁₂和b₂分别为第二权值和第二偏置，w₂₃和b₃分别为第三权值和第三偏置，s表示向量H_t(h_t1,h_t2,...,h_ts)包括的元素的个数，且s大于等于1。