论文精选 | 基于递归神经网络的故障预测方法

Posted 2021-04-26 JIM期刊

文章发表于JIM期刊，27 June 2018

链接：https://doi.org/10.1007/s10845-018-1428-5

摘要

故障预测研究通常涉及到剩余使用寿命预测和性能预测（目标特征预测）。考虑到递归神经网络在精确定时、语音识别等序列学习问题上取得的巨大成功，本文提出了一种基于递归神经网络的设备退化序列故障预测新方法。长短期记忆（LSTM）网络以设备的串联特征和运行状态指标为输入，具有学习长期相关性的能力。指标是一个热点向量，基于它可以在没有任何预定义阈值的情况下估计剩余使用寿命。将LSTM网络的输出连接到一个完全连通的层，将隐藏状态映射到高斯混合模型的参数和分类分布中，以便从中提取预测的输出序列。通过航空涡扇发动机健康监测数据验证了该方法的有效性。结果表明，无论是在单步预测任务、长期预测任务还是在剩余使用寿命预测任务中，该方法都能取得显著的性能。

文章导读

随着科学技术的发展，机械设备和工业系统的规模正在逐步扩大。大型复杂的结构使得设备和系统更容易发生故障，给维修带来大量的成本，降低生产效率，造成安全事故和人员伤亡。制定最优的维修策略变得越来越重要。

一般而言，维护策略可分为三种主要类型，即纠正性维护、预防性维护和预测性维护。纠正性维护是一种基于故障的策略。只有在设备发生故障后才能进行维护。预防性维护是一种基于时间的策略，在一定的时间间隔内对设备进行维护，即定期维护。预测性维修是基于状态的。该策略通过监测目标部件或系统的状态并预测运行期间的故障发展趋势，提前安排维护活动。由于设备不发生故障，资源得到最大限度的利用，预测维修策略得到越来越广泛的应用。因此，对稳健的预测和健康管理（PHM）工具的需求越来越大。这些工具通常旨在监测退化，例如，预测性能或估计剩余使用寿命（RUL），而不仅仅是检测缺陷或诊断故障类型。

故障预测方法作为故障预测的一个重要组成部分，能够及时发现即将发生的故障，为制定维修策略提供了更多的时间。此外，由于传感器技术和大数据的进步，以及许多国家的国家先进制造业发展战略（如工业4.0和中国制造2025）的激励，传感器和无线技术越来越多地被用于智能工厂，以获取产品生命的各个阶段的数据，包括与生产设备的实时性能、操作条件和维护历史相关的数据。这使得对故障预测和RUL估计的研究比以前更加可行，因此已经进行了各种研究，主要包括贝叶斯方法，支持向量机（SVM）及其变体，隐马尔可夫模型（HMM）及其变体和神经网络（NNs），但是这些方法不能进行长期预测。

近年来，递归神经网络（RNN）在精确定时、语言模型等序列学习问题上明显优于其他网络结构，因此近年来在故障预测领域备受关注。在前人工作的启发下，针对不足，本文提出了一种基于长短时记忆递归神经网络的设备退化序列故障预测方法。本文的创新之处概括如下：

1．更高的RUL预测精度无需预先定义阈值。这使得该方法能够避免由于不合理的预定义阈值而产生的低精度预测。

2．单步性能预测中置信区间的有效性从GMM中抽取预测的输出序列。所有的参数都是已知的，这样不仅可以得到电流预测本身，而且可以得到电流分布。

3．该方法不需要借助于KNN和SVM等其他机器学习方法，从一开始就可以对性能进行预测。

本文的 “理论基础”部分介绍了本文的理论基础，“方法论”部分介绍了所提出的方法，包括特征提取、模型结构、训练和预测方法，“实验和讨论”部分对来自美国宇航局的飞机涡扇发动机数据集进行实验，以验证所提出方法的有效性，“结语”部分总结了这项工作。

图1 文章方法框架

图2 不同温度因子下单步预测试验序列的平均绝对误差

原文信息

Abstract

In general, fault prognosis research usually leads to the research of remaining useful life prediction and performance prediction (prediction of target feature), which can be regarded as a sequence learning problem. Considering the significant success achieved by the recurrent neural network in sequence learning problems such as precise timing, speech recognition, and so on, this paper proposes a novel approach for fault prognosis with the degradation sequence of equipment based on the recurrent neural network. Long short-term memory (LSTM) network is utilized due to its capability of learning long-term dependencies, which takes the concatenated feature and operation state indicator of the equipment as the input. Note that the indicator is a one-hot vector, and based on it, the remaining useful life can be estimated without any pre-defined threshold. The outputs of the LSTM networks are connected to a fully-connected layer to map the hidden state into the parameters of a Gaussian mixture model and a categorical distribution so that the predicted output sequence can be sampled from them. The performance of the proposed method is verified by the health monitoring data of aircraft turbofan engines. The result shows that the proposed approach is able to achieve significant performance whether in one-step prediction task, in long-term prediction task, or in remaining useful life prediction task.

Keywords

Fault prognosis

Recurrent neural network

Long short-term memory

Turbofan engine

Remaining useful life

Cite this article as:

Wu, Q., Ding, K. & Huang, B. Approach for fault prognosis using recurrent neural network. J Intell Manuf 31, 1621–1633 (2020).

/本期编辑/

高杨

南京航空航天大学 博士在读

研究方向：航空供电系统故障诊断与保护

/本期编辑/

滕浩 

上海交通大学 硕士在读  

研究方向：物流调度，计算智能

聚焦智能制造；传播学术观点；促进合作交流

左边点击“阅读原文”，跳转至原文链接

右边给我一朵小花花