一种基于深度神经网络的立面损伤评估方法

技术领域

本发明涉及了一种立面损伤评估方法，具体涉及一种基于深度神经网络的立面损伤评估方法。

背景技术

石化及放射性储物罐、锅炉在经过长时间的使用之后，其内外立面会存在一些裂纹、生锈、气孔等表面缺陷。这些缺陷如果长时间不修复，会导致气液体泄露等安全隐患，因此如何及时发现壁面的表面缺陷并准确判断缺陷信息对于该方面领域的生产安全保证有着重要的实际意义。而目前针对石化及放射性储物罐、锅炉等内外壁面存在人工检测的诸多不足之处，如缺乏客观统一的检测标准、检测效率低下、人眼分辨率有限且带有主观意识等问题。

随着先进的传感器和计算机技术的发展，工业生产中积累了大量的状态监测数据，数据驱动方法利用状态监测数据来量化退化过程，建立一个精确的系统模型。基于数据驱动的预测方法通常由数据采集、损伤指标构建和维护周期预测三个步骤组成。损伤指标试图通过获取数据中的特征信息来识别和量化历史和正在进行的退化过程。并且，高质量的预测模型有助于提高预测精度。因此，损伤指标和预测模型在很大程度上直接影响数据驱动预测方法的准确性，构建有效反应作业对象立面损伤的指标和预测模型至关重要。

发明内容

为了解决背景技术中存在的问题，本发明所提供一种基于深度神经网络的立面损伤评估方法，为了准确描述作业对象性能退化的动态过程，结合深度学习的强大特征提取能力，结合深度自编码和最小量化误差方法，构建作业对象立面损伤指标。利用深度自编码模型对原始特征进行压缩提取，将压缩特征按趋势性值大小进行排序后，选取趋势性值大的特征运用最小量化误差方法构建损伤指标。利用Bootstrap方法，并结合深度双向门控循环单元实现损伤程度的预测。

本发明采用的技术方案是：

本发明立面损伤评估方法包括如下步骤：

步骤1：将采集的损伤立面的若干不同维数时序数据输入SOM神经网络中进行训练，获得训练完成的SOM神经网络；SOM神经网络将不同维数数据以拓扑有序的方式变换到一维或二维的离散空间上。

步骤2：将损伤立面的各个维数时序数据作为训练集，使用Bootstrap法将训练集划分为k个DBIGRU块并输入Tensorfiow软件中的集成DBiGRU模型中进行迭代训练，获得训练完成的集成DBiGRU模型；具体为将损伤立面的各个维数时序数据划分为训练集和测试集分别进行训练和测试。

步骤3：获取待预测的立面的若干不同维数时序数据并输入训练完成的SOM神经网络中，训练完成的SOM神经网络输出最佳拟合曲线；利用最小二乘拟合方法从损伤指标曲线中减去最佳拟合曲线，损伤指标曲线被分解为若干个趋势残差组，选取其中的若干趋势残差组输入训练完成的SOM神经网络中，训练完成的SOM神经网络输出选取的各个趋势残差组的最小量化误差构建待预测的立面的立面损伤指标。

步骤4：构建预测神经网络模型；

步骤5：将待预测的立面的若干不同维数时序数据输入训练完成的集成DBiGRU模型中，训练完成的集成DBiGRU模型的输出输入至预测神经网络模型中，预测神经网络模型输出待预测的立面的剩余寿命的均值和置信区间，根据剩余寿命的均值预测出待预测的立面的剩余寿命，根据剩余寿命的置信区间预测出待预测的立面的维护区间，从而对待预测的立面进行全面评估。置信区间可以量化点估计的不确定性。

剩余寿命的均值和置信区间可以预测出待预测的立面的剩余寿命，并且可以在待预测的立面的维护区间对待预测的立面进行维护。

所述的步骤1中，将采集的损伤立面的若干不同维数时序数据输入SOM神经网络中后获得状态特征向量；损伤立面的不同维数时序数据包括损伤立面的温度、湿度和PH值等时序数据；状态特征向量具体为由损伤立面的各个不同维数时序数据的实时的统计特征值构成，统计特征值包括若干时频域特征和两个基于三角函数的特征，时频域特征包括心频率、均方频率、均方根频率、频率方差、频率标准差、频率幅值方差、幅值偏度指标、幅值峭度指标、频率标准差、频率标准差、频率峭度和平方根比率等；两个基于三角函数的特征包括反三角双曲余弦标准差IHC(Inverse Hyperbolic Cosine)和反三角双曲正弦标准HIS(InverseHyperbolic Sine)等。

所述的步骤1中，SOM网络在训练过程中，获得状态特征向量和BMU权重向量之间的距离最小时获得最小量化误差MQE，具体如下：

MQE＝||z-w

其中，z表示状态特征向量；w

确定此时的误差参数w

所述的步骤2中，集成DBiGRU模型包括三个BiGRU层和全连接回归层，第一个BiGRU层的输出分别输入至第二个BiGRU层和第三个BiGRU层中，第二个BiGRU层的输出直接输入到第三个BiGRU层中，第三个BiGRU层的输出直接输入到全连接回归层中处理后输出作为集成DBiGRU模型的输出。

采用三层的模型，可以增加模型的参数，提高模型的学习能力。三个BiGRU层的隐藏状态有两个信息流向，1传输给下一时刻，2要作为当前时刻下一层的输入。集成DBiGRU模型通过遍历多个细胞，将前一个细胞的输出向量作为下一个细胞的输入向量，并将其中的隐藏层状态向量保存在新状态中。返回的向量为最后一个细胞的输出向量和所有细胞的隐藏层状态向量。当神经网络训练数据量增加时，增加模型的深度往往能够获得更好的预测精度。DBiGRU模型能够充分利用机械设备退化状态过去和未来的相关信息并有效地进行层层之间的传递，进而提高维护周期预测的精度。

所述的步骤2中，集成DBiGRU模型的迭代训练具体如下：

将k个DBIGRU块输入集成DBiGRU模型中，集成DBiGRU模型首先初始化自身的所有参数，集成DBiGRU模型计算自身的网络损失，将网络损失方向传播至自身的模型中进行训练完成一次循环，当一次循环未完成时再次进行网络损失的计算继续进行依次循环；重复上述步骤对集成DBiGRU模型进行迭代训练，直至重复的次数达到最大迭代次数，获得训练完成的集成DBiGRU模型。

构建DBiGRU神经网络，通过Bootstrap方法构建集成学习网络获取预测结果不确定性表达，并通过误差反向传递来来最小化损失函数来训练DBiGRU网络。最后，利用采集的数据实现维护周期的预测值。

通过Bootstrap方法构建集成学习网络获取预测结果不确定性表达，从理论上减少了预测值与回归均值之间的偏差，能有效量化表达预测不确定性。Bootstrap法是以原始数据为基础的模拟抽样统计推断法，可用于研究一组数据的某统计量的分布特征，特别适用于那些难以用常规方法导出对参数的区间估计、假设检验等问题。

所述的步骤3中，每个趋势残差组包括趋势部分和残差部分，将各个趋势残差组输入深度自编码器DAE中进行压缩提取后，分别进行加权融合从而获得各自的趋势性值，选取趋势性值大于预设阈值的若干趋势残差组作为选取的各个趋势残差组。

所述的加权融合具体如下：

V＝w

其中，V表示趋势性值；w

为了有效评价损伤指标，现有的方法大多数是直接在损伤指标本身上进行评价。损伤立面的性能退化本质上是一个随机过程。上述这种融合趋势性、单调性和鲁棒性的滚动作业对象损伤指标评价准则，将损伤指标分离趋势部分和残差部分，可以更好度量作业对象的退化。

基于一个度量的立面损伤指标评价准则通常有偏差。为了选择最优的损伤指标，将选定的准则进行加权融合，加权融合值越大，表明构建的损伤指标越好。本项目根据损伤指标的单调性、趋势性、鲁棒性对维护周期预测结果影响。

所述的步骤3中，各个最小量化误差MQE作为损伤立面此时的立面损伤指标，状态特征向量和BMU权重向量之间的距离越大，即最小量化误差MQE越大表明损伤立面此刻的状态离基准损伤状态越远；否则损伤立面此刻的状态离基准损伤状态越近，从而通过立面损伤指标对待检测的里面进行损伤评估。

基于深度自编码网络实现立面损伤评估，立面损伤指标通过从测量的数据中，提取有效特征信息，量化装备损坏过程，构建量化装备损坏过程的损伤指标。

深度自编码器DAE逐层贪婪学习立面损伤的非线性特征，利用深度自编码器DAE实现对原始数据的压缩，降低原始数据的特征量，使最少的数据尽可能的表述原始故障特征，提高了立面评估指标的准确性。

所述的步骤4中，预测神经网络模型包括依次连接的一个输入层、四个隐含层和一个输出层。

本发明的有益效果是：

1)通过融合深度学习与数据挖掘的工艺过程数据处理技术，建立立面损伤指标，提高维护周期预测的精度；2)通过深度自编码器，降低了周期预测模型的参数，提高了模型的训练效果；3)通过构建数据驱动的预测模型，实现了作业立面维护作业周期预测，有利于降低因故障维护不及时产生的损失，从而减小不必要的消耗。

附图说明

图1是基于深度神经网络的立面损伤评估方法的流程图；

图2是立面损伤评估方法的技术流程图；

图3是基本DBiGRU结构图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

如图1和图2所示，本发明立面损伤评估方法包括如下步骤：

步骤1：将采集的损伤立面的若干不同维数时序数据输入SOM神经网络中进行训练，获得训练完成的SOM神经网络；SOM神经网络将不同维数数据以拓扑有序的方式变换到一维或二维的离散空间上。

步骤1中，将采集的损伤立面的若干不同维数时序数据输入SOM神经网络中后获得状态特征向量；损伤立面的不同维数时序数据包括损伤立面的温度、湿度和PH值等时序数据；状态特征向量具体为由损伤立面的各个不同维数时序数据的实时的统计特征值构成，统计特征值包括若干时频域特征和两个基于三角函数的特征，时频域特征包括心频率、均方频率、均方根频率、频率方差、频率标准差、频率幅值方差、幅值偏度指标、幅值峭度指标、频率标准差、频率标准差、频率峭度和平方根比率等；两个基于三角函数的特征包括反三角双曲余弦标准差IHC(Inverse Hyperbolic Cosine)和反三角双曲正弦标准HIS(InverseHyperbolic Sine)等。

具体可以船舶单位面积的藤壶附着量为研究对象，采集船舶一年内藤壶附着量随时间的变化趋势。

步骤1中，SOM网络在训练过程中，获得状态特征向量和BMU权重向量之间的距离最小时获得最小量化误差MQE，具体如下：

MQE＝||z-w

其中，z表示状态特征向量；w

确定此时的误差参数w

步骤2：将损伤立面的各个维数时序数据作为训练集，使用Bootstrap法将训练集划分为k个DBIGRU块并输入Tensorflow软件中的集成DBiGRU模型中进行迭代训练，获得训练完成的集成DBiGRU模型；具体为将损伤立面的各个维数时序数据划分为训练集和测试集分别进行训练和测试。

步骤2中，集成DBiGRU模型包括三个BiGRU层和全连接回归层，第一个BiGRU层的输出分别输入至第二个BiGRU层和第三个BiGRU层中，第二个BiGRU层的输出直接输入到第三个BiGRU层中，第三个BiGRU层的输出直接输入到全连接回归层中处理后输出作为集成DBiGRU模型的输出。

采用三层的模型，可以增加模型的参数，提高模型的学习能力。三个BiGRU层的隐藏状态有两个信息流向，1传输给下一时刻，2要作为当前时刻下一层的输入。集成DBiGRU模型通过遍历多个细胞，将前一个细胞的输出向量作为下一个细胞的输入向量，并将其中的隐藏层状态向量保存在新状态中。返回的向量为最后一个细胞的输出向量和所有细胞的隐藏层状态向量。当神经网络训练数据量增加时，增加模型的深度往往能够获得更好的预测精度。DBiGRU模型能够充分利用机械设备退化状态过去和未来的相关信息并有效地进行层层之间的传递，进而提高维护周期预测的精度。

步骤2中，集成DBiGRU模型的迭代训练具体如下：

将k个DBIGRU块输入集成DBiGRU模型中，集成DBiGRU模型首先初始化自身的所有参数，集成DBiGRU模型计算自身的网络损失，将网络损失方向传播至自身的模型中进行训练完成一次循环，当一次循环未完成时再次进行网络损失的计算继续进行依次循环；重复上述步骤对集成DBiGRU模型进行迭代训练，直至重复的次数达到最大迭代次数，获得训练完成的集成DBiGRU模型。

如图3所示，构建DBiGRU神经网络，通过Bootstrap方法构建集成学习网络获取预测结果不确定性表达，并通过误差反向传递来来最小化损失函数来训练DBiGRU网络。最后，利用采集的数据实现维护周期的预测值。

通过Bootstrap方法构建集成学习网络获取预测结果不确定性表达，从理论上减少了预测值与回归均值之间的偏差，能有效量化表达预测不确定性。Bootstrap法是以原始数据为基础的模拟抽样统计推断法，可用于研究一组数据的某统计量的分布特征，特别适用于那些难以用常规方法导出对参数的区间估计、假设检验等问题。

步骤3：获取待预测的立面的若干不同维数时序数据并输入训练完成的SOM神经网络中，训练完成的SOM神经网络输出最佳拟合曲线；利用最小二乘拟合方法从损伤指标曲线中减去最佳拟合曲线，损伤指标曲线被分解为若干个趋势残差组，选取其中的若干趋势残差组输入训练完成的SOM神经网络中，训练完成的SOM神经网络输出选取的各个趋势残差组的最小量化误差构建待预测的立面的立面损伤指标。

步骤3中，每个趋势残差组包括趋势部分和残差部分，将各个趋势残差组输入深度自编码器DAE中进行压缩提取后，分别进行加权融合从而获得各自的趋势性值，选取趋势性值大于预设阈值的若干趋势残差组作为选取的各个趋势残差组。

加权融合具体如下：

V＝w

其中，V表示趋势性值；w

为了有效评价损伤指标，现有的方法大多数是直接在损伤指标本身上进行评价。损伤立面的性能退化本质上是一个随机过程。上述这种融合趋势性、单调性和鲁棒性的滚动作业对象损伤指标评价准则，将损伤指标分离趋势部分和残差部分，可以更好度量作业对象的退化。

基于一个度量的立面损伤指标评价准则通常有偏差。为了选择最优的损伤指标，将选定的准则进行加权融合，加权融合值越大，表明构建的损伤指标越好。本项目根据损伤指标的单调性、趋势性、鲁棒性对维护周期预测结果影响，赋予单调性、趋势性、鲁棒性的第一、第二和权值分别为0.35，0.35，0.3。

步骤3中，各个最小量化误差MQE作为损伤立面此时的立面损伤指标，状态特征向量和BMU权重向量之间的距离越大，即最小量化误差MQE越大表明损伤立面此刻的状态离基准损伤状态越远；否则损伤立面此刻的状态离基准损伤状态越近，从而通过立面损伤指标对待检测的里面进行损伤评估。

基于深度自编码网络实现立面损伤评估，立面损伤指标通过从测量的数据中，提取有效特征信息，量化装备损坏过程，构建量化装备损坏过程的损伤指标。

深度自编码器DAE逐层贪婪学习立面损伤的非线性特征，利用深度自编码器DAE实现对原始数据的压缩，降低原始数据的特征量，使最少的数据尽可能的表述原始故障特征，提高了立面评估指标的准确性。

步骤4：构建预测神经网络模型。

步骤4中，预测神经网络模型包括依次连接的一个输入层、四个隐含层和一个输出层。

步骤5：将待预测的立面的若干不同维数时序数据输入训练完成的集成DBiGRU模型中，训练完成的集成DBiGRU模型的输出输入至预测神经网络模型中，预测神经网络模型输出待预测的立面的剩余寿命的均值和置信区间，根据剩余寿命的均值预测出待预测的立面的剩余寿命，根据剩余寿命的置信区间预测出待预测的立面的维护区间，从而对待预测的立面进行全面评估。置信区间可以量化点估计的不确定性。

剩余寿命的均值和置信区间可以预测出待预测的立面的剩余寿命，并且可以在待预测的立面的维护区间对待预测的立面进行维护。

本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。