[发明专利]一种基于E-LSTM的汽轮机健康状态预测方法

权利要求书

1.一种基于E-LSTM的汽轮机健康状态预测方法，其特征是：

步骤一、收集来自传感器的汽轮机运行数据，并进行预处理；

步骤二、将预处理好的数据喂到LSTM网络中，进行多次迭代训练；

步骤三、将训练好的多个模型参数输入到遗传算法中作为初始种群，运行遗传算法，选择效果最优模型参数；

步骤四、使用更多的汽轮机运营数据对最优模型进行泛化性能验证；

步骤五、根据最优模型参数，对测试数据集进行预测，并评估模型误差。

2.根据权利要求1所述的基于E-LSTM的汽轮机健康状态预测方法，其特征是：对采样好的数据进行预处理操作，将序列标准化之后表示为Y，Y＝|y₀,y₁,y₂,…,y_r,y_r-1|，将Y作为训练数据输入初始化的LSTM网络，完成参数学习，在训练阶段时间t∈(0,T)的每一步预测中使用实际值作为下一步的输入，并更新神经元状态，循环剩余的预测，

令h_t＝y_t,预测方法步骤如下:

输入：Y＝{y_o,y₁,…,y_T-1,y_T}，

输出预测值＝{y′_T+1,y′_T+2,…,y′_T+L}，

for t＝0,t≤T,t++：

C_t←input_gate←C_t-1,h_t-1,y_t,f_t

f_t←forget_gate←h_t-1,y_t

y′_t←output_gate←h_t-1,y_t

Loss(y_t,y′_t)

end；

for l＝1,l＜＝L,l++：

C_T+1←input_gate←C_T+L-1,h_T+1,y′_T+l,f_T+

f_T+l←forget_gate←h_T+L-1,y′_T+l

y′_T+l←output_gate←C_T+l,h_T+l-1,y′_T+l

end；

式中，h为上一层输出门的值，y为当前节点的输入值，f为遗忘门经过sigmoid激活函数输出的权重，C为遗忘门和输入门确认更新和遗忘后的输出值。

3.根据权利要求2所述的基于E-LSTM的汽轮机健康状态预测方法，其特征是所述的训练分为以下3种训练方法：

①对于初始训练，所有神经网络都训练，通过Adam梯度下降算法和SGD梯度下降算法，设置可变学习率优化交叉损失函数来训练网络；

②当需要增加新类别作为训练数据的时候，在①训练结果的前提下，对LSTM网络的主体结构设置小学习率进行学习，然后冻结除全连接层之外的所有神经网络层，重新训练最后的全连接层；

③当需要布控新测点时，利用①的训练结果作为预训练模型，激活所有神经网络，设置可变学习率优化交叉损失函数来训练网络。

4.根据权利要求3所述的基于E-LSTM的汽轮机健康状态预测方法，其特征是选择效果最优模型参数的方法为：根据不同的时间间隔采样的数据训练出多个模型，将这些模型的参数作为初始种群，进行遗传算法迭代寻优，选出最优后代的参数序列即为最优模型。

5.根据权利要求4所述的基于E-LSTM的汽轮机健康状态预测方法，其特征是：所述评估模型误差具体为：将最优模型参数代入LSTM中，输入测试集，计算出预测值和真实值之间的误差；误差计算有如下两种方式：

均方误差：

均方根误差：

式中，N是数据集个数，N是数据集个数，Y_i是真实数据集，Y_i*是预测数据集，

根据误差计算结果，检验模型精度是否满足要求，若不能则继续训练并寻优。