基于深度学习与故障演化规律的预测方法

基于深度学习与故障演化规律的预测方法

陈琴

（江南机电设计研究所 贵阳 550009）

摘要：本文专注于基于深度学习的故障预测方法，考虑装备状态数据非线性特征明显，结合装备故障特征演化规律以及时序特征，建立了一种基于ARIMA-CNN-LSTM的复杂装备故障预测方法。

关键字：故障预测 深度学习 故障演化规律

一 引言

故障预测与健康管理（PHM）是装备综合评价的重要技术手段，其能为装备提供有效的维修决策同时可预测装备的可靠性和有效剩余寿命，预测和防止故障发生，从而降低成本，提高生产效益[1]。基于深度学习的健康状态预测方法称为近年来装备健康管理领域的研究热点。深度学习作为机器学习的进一步发展，具有极强的非线性拟合能力，适用于分析复杂的映射关系，相较于传统的人工神经网络方法有着突破性的优势，能摆脱度大量信号处理技术的诊断经验的依赖。本文专注于基于深度学习的故障预测方法，考虑装备状态数据非线性特征明显，结合装备故障特征演化规律以及时序特征，建立了一种基于ARIMA-CNN-LSTM的方法进行复杂装备故障预测。

二 深度学习应用情况

目前，装备故障预测技术主要有以下3种，基于模型驱动的故障预测技术主要依赖于装备的失效物理模型、滤波器等，对于复杂武器装备，其故障模式和失效机理相对复杂，系统难以获得动态模型，导致基于模型驱动的方法不适合间歇性故障；基于专家经验的技术主要是利用传统的可靠性分析方法，采用历史失效数据来估计装备的整体特性（如MTBF），适用于研制单位对大批量生产且历史数据庞大的装备做整体评估，而对某类零部件的评估不友好；基于深度学习的故障预测技术在以上方法之上，综合考虑影响装备健康的各种因素包括磨损、环境因素、冲击数据、负载等，以数据为基础结合多融合信息技术建立预测模型，避免了基于模型和经验预测技术的缺点，成为当前故障预测技术研究热点。

常用的基于深度学习的故障预测模型包括卷积神经网络（CNN）、卷积长短时记忆（ConvLSTM）、相邻差分神经网络（ADNN）等。深度学习在PHM应用中包括信号处理及特征提取、深度神经网络模块以及故障诊断和寿命预测模块三个模块[2]。信号处理、特征提取为神经网络提供数据支持和转换，故障诊断和寿命预测模块通过建立的深度神经网络模型完成装备的健康评估、诊断，为制定维护维修决策提供支撑。

三 装备故障演化规律

产品健康的组成内容应当包括功能完好性、时间持续性和环境适应性这三个方面，记为

其中，H表示系统健康，F、E、T分别代表系统功能完好性，环境适应性及时间持续性。

产品在一定环境下，随着时间的变化，其健康状态逐渐下降，表现为各种性能、功能的降低，持续性及对外界适应能力的下降。具有两个互相关联的特征：随时间变化的产品故障率的增高和对环境变化适应能力的下降。衰退不是故障，但衰退易发生故障。

装备故障主要随时间变化，分为早期故障期、偶发故障期、损耗故障期，构成装备损耗的浴盆曲线。早期故障期，装备故障率高，随着时间的推移迅速降低，期间发生的故障主要是由于设计、工艺上的缺陷导致；偶发故障期间故障率趋于定值，故障的发生时随机的，通过加强监督诊断与维护保养等工作可将故障率降至最低水平；由于零部件的磨损、老化、腐蚀等容易使装备在使用后期的故障率上升，此时设备处于损耗故障期。

四 基于深度学习的装备故障预测技术

装备故障预测可帮助维护人员尽早发现异常，进而查明原因，预测故障影响并有针对性的进行状态或视情检修，延长检修周期，提高检修质量，是实现装备预防性维修的重要手段。可以把装备状态数据看作一个随机时间序列，利用时序模型进行状态预测。时序分析主要是采用参数模型对观测到的有序随机数据进行分析的一种处理方法。时序模型可以反映装备运行状态的变化趋势。

图1 基于深度学习与故障演化规律的故障预测模型

ARMA模型是时序分析中应用最广泛的参数模型，其一般形式为：

式中：——时间序列

——对应噪声序列

——自回归系数

——滑动平均系数

——模型阶次。

复杂装备的原始数据一般是非平稳的，需对该序列进行差分处理，转换为平稳序列后在使用ARMA模型进行预测，即ARIMA模型。

CNN是由卷积层、池化层、全连接层3种神经网络组成，卷积层是k个卷积核在上一级输入层上通过逐一滑动窗口计算而得，池化层通过减少模型的参数维度，提高模型训练的效率。通过利用ARIMA模型处理后的特征数据，利用CNN对ARIMA模型的残差序列进行特征提取，得到更高层次的特征表达。复杂装备的时序信号隐含了大量关联信息，引入LSTM模型在时间维度上提取装备性能退化特征。根据CNN训练好的故障模型和识别的故障特征，分析该特征的时间序列，对该特征进行时间演化。

LSTM模型是对RNN模型的改进，由输入层、输入门、遗忘门、输出层、输出门等构成，其适用于序列学习和识别，对故障特征参数进行预测，了解和掌握系统的运行状态及状态变化，

推测其状态的变化趋势，估计故障的传播、发展和系统的劣化趋势。主要步骤是根据历史和实时数据对未来参数值进行预测，使用数据序列，使用基于深度学习的故障模型和实时遥测数据及历史数据来计算模型的输出。

利用正常数据拟合一个LSTM编码和解码网络模型，异常数据通过该网络模型编码和解码时会出现极大误差，导致异常报警，表示为：

式中：：是形式为的映射；变量

记忆单元激活方程和隐藏状态激活方程为：

五 结论

本文建立一种基于深度学习与故障演化规律的故障预测方法，利用ARIMA模型对时间序列进行建模和预测，得到ARIMA模型的残差序列；深度学习方法的目标在于分层次地学习特征，在每一层学习中高层次的由低层次的特征学习构成，利用卷积神经网络（CNN）对ARIMA模型的残差序列进行特征提取，得到高层次的特征表示；最后根据CNN训练好的故障模型和识别的故障特征，利用长短时记忆法（LSTM）分析该特征的时间序列，对该特征进行时间演化。

参考文献：

[1]LEE J，WU F J，ZHAO W，et al．Prognostics and health management design for rotary machinery systems: reviews，methodology and applications［J］．Mechanical Systems and

Signal Processing，2014，42( 1 /2) : 314－334．

[2]沈保明，陈保家，赵春华，等.深度学习在机械设备故障预测与健康管理中的研究综述[J].机床与液压.2021.