(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210062290.7 (22)申请日 2022.01.19 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 谢宗霞　陈岩哲　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 专利代理师 李丽萍 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06F 30/27(2020.01) G06V 10/82(2022.01)G06V 10/44(2022.01) (54)发明名称 基于稳态特征构图的燃气轮机上多种测点 时序预测方法 (57)摘要 本发明公开了一种基于稳态特征构图的燃 气轮机上多种测点时序预测方法， 通过端到端 方 式提取输入样本的稳态特征并构造关联关系网 络， 通过稳态损失指导关联关系构图， 基于稳态 特征构图的建立时空神经网络序列预测模型； 采 用该时空神经网络序列预测模型提取定工况下 系统的稳态特征， 使用时空卷积进行序列预测， 实现自适应的稳态特征学习， 最终利用该预测模 型获得燃气轮机多传感器时间序列预测曲线。 在 时间序列预测中， 将序列的瞬时特征引入构图模 块中， 通过输入序列来进行关联网络的动态构 建。 与现有技术相比有更好的预测 效果， 能够提 取定工况下系统的稳态特征， 以提升时间序列预 测的效果 以及用于分析关联网络异常来检查系 统工作状况。 权利要求书3页 说明书6页 附图4页 CN 114444790 A 2022.05.06 CN 114444790 A 1.一种基于稳态特征构图的燃气轮机上多种测点时序预测方法， 其特征在于， 通过端 到端方式提取输入样本的稳态特征并构造关联关系网络， 通过稳态损失指导关联关系构 图， 基于稳态特征构图的建立时空神经网络序列预测模型； 采用该时空神经网络序列预测 模型提取定工况下系统的稳态特征， 使用时空卷积进行序列预测， 实现自适应的稳态特征 学习， 最终 获得燃气轮机多传感器时间序列预测曲线。 2.根据权利要求1所述的方法， 其特征在于， 所述的基于稳态特征构图的时空神经网络 序列预测模型包括一个稳态网络构 造模块， 一个时空卷积特征融合模块以及一个序列预测 输出反馈模块； 所述稳态网络构造模块使用池化、 卷积和线性变化操作， 用于提取样本中的稳态特征 信息并构 造稳态关联网络， 用于在系统每一个输入序列构 造的用做后续时空卷积特征融合 模块的输入； 对于每一次迭代样本构造的稳态网络， 通过计算构图方差来作为额外的损失 函数指导反向传播以更新稳态网络构造模块的网络参数； 所述时空卷积特征融合模块使用时序 卷积和图卷积操作， 用于在系统的每一 次迭代中 完成单一样本的时序特征和空间特征的提取， 工作过程中接收原始样本的输入和稳态网络 构造模块的输出聚合样本的特 征； 所述序列预测输出反馈模块用于实现网络的迭代优化和预测序列的输出， 所述序列 预 测输出反馈模块接收来自所述时空卷积特征融合模块的输出， 并将序列预测输出反馈模块 输出的预测序列与真实时间序列 做对比， 组合稳态网络构 造模块的稳态损失和序列预测损 失， 通过反向传播方式优化各级权值， 并将反馈结果输出至整个建模过程的各层级输入端。 3.根据权利要求2所述的方法， 其特 征在于， 包括以下步骤： 步骤1、 数据预处 理： 按照相同间隔的时间， 将燃气轮机多传感器的测量数据按照时间顺序组成多元时间序 列数据； 对于记录好的时间序列数据， 首先取所有传感器在0至t时刻的数据作为一个样本； 以此类推， 采样得到1至t+1、 2至t+2、 …到TMax至t+TMax时间段内的数据作为模型的训练样 本； 确定样本后采用最大最小归一 化方法对数值进行归一 化操作； 式(1)中， xi和x′i分别表示第i个节点上的原始向量和归一化后的向量， Min(xi)表示该 节点最小样本值构成的向量， Mi n(xi)表示该节点 最大样本值构成的向量， N表示节点数量； 步骤2、 构造稳态关联关系矩阵： 预处理的数据 首先通过稳态网络构造模块提取稳态特征并构造稳态关联网络； 选择两 个一维卷积作为基础的特征提取器来提取时间序列上的稳态特征， 分别为节点特征构 造出 两个稳态特征向量； 两个稳态特征向量通过矩阵乘法操作和多层感知器的线性变换拓展为 RNxN的稳态关联关系矩阵； 对于每一次迭代样 本构造的稳态网络， 通过计算构图方差来作为 最终的的损失函数进行反向传播以更新网络参数； 步骤3、 时空序卷积处 理： 利用时空卷积描述符和步骤2所述的得到的稳态关联关系矩阵， 结合时空卷积特征融 合模块， 对时间序列数据进行多层时空卷积的特征融合； 特征融合包括图卷积特征融合和 时序卷积特 征融合； 并对每一次 时空卷积的结果进行记录并整合输出； 其中：权　利　要　求　书 1/3 页 2 CN 114444790 A 2所述的图卷积特征融合是图卷积模块接收原始输入特征的残差链接和上一轮时空卷 积的特征， 使用稳态关联网络表示的节点间关系进行高维 图卷积操作， 聚合节点之间的信 息； 所述的时序卷积特征融合是使用膨胀因果 时序卷积操作， 将单节点 时序方向上的信 息 进行聚合， 并且将每一轮的输出 结果输出到 输出模块和下一层时空卷积； 步骤4、 时空卷积网络的反向传播： 计算损失函数， 通过反向传播方式优化各级权值； 反馈结果传播至整个建模过程的各 层级输入端， 实现整个模型和网络的自适应学习， 从而获得训练好的模型； 步骤5、 获得燃气轮机多传感器时间序列预测曲线： 以时刻1‑t的时间序列作 为模型的输入， 该模型的输出即为t+1时刻对应的燃气轮机多 传感器时间序列预测曲线。 4.根据权利要求3所述的方法， 其特征在于， 所述步骤1中， 燃气轮机多传感器的测量数 据至少包括燃气轮机壳体震动、 轮机转速、 燃油压力和油箱温度。 5.根据权利要求3所述的方法， 其特 征在于： 所述 步骤2中， 所述的通过稳态网络构造模块提取稳态特征是在稳态网络构造模块， 由输入序列 经过 均值池化平滑和卷积操作提取2种不同的稳态特征向量， 过程是： 假设有一组N个节点长度 为l的输入序列X＝[x1， x1...， xn]∈RN*l， 先使用长度为1*x的均值池化平滑输入序列， 然后 使用两个长度为1*(l/x)的一维卷积核Conv1和Conv2对每一个节点上的时序特征分别 进行 提取， 得到两个节点的稳态特征向量表示Gs1＝tanh(Conv1(pool(X)))和Gs2＝tanh(Conv2 (pool(X)))； 所述的构造稳态关联网络是使用爱因斯坦求和运算， 将稳态特征映射为稳态关联网络 关系表示， 用于图卷积特征融合； 选取了描述符1和描述符2分别表示原始的稳态关联网络 和使用拉普拉斯变换简化计算的拉普拉斯矩阵表示； 其中： 描述符1： 通过函数π： 将稳态特征向量映射到稳态关联关系矩阵 Ags， 其中使用了乘法操作按照采样数量构造对应的关联网络， 即： 式(2)中， Ags为原始稳态关联网络描述符1； 描述符2： 使用拉普拉斯归一化来简化图卷积操作， 使用单位矩阵I和度矩阵D进行辅助 计算， 即： 式(3)中， D为稳态关联网络A的度量矩阵； 使用度量矩阵对原 矩阵进行拉普拉斯归一 化操作的到拉普拉斯矩阵L， 即： 式(4)中， 为拉普拉斯矩阵描述符2； 在训练模型时， 对于每一批采样样本计算生成的稳态关联网络的标准差作为稳态损失 Losss， 即：权　利　要　求　书 2/3 页 3 CN 114444790 A 3