[发明专利]一种基于双深度学习模型的设备故障模式预测方法

说明书

本发明公开了一种基于双深度学习模型的设备故障模式预测方法，包括对设备原始信号采用三层小波包分解来提取时频特征，获得每个频带信号的能量特征值作为状态监测指标，形成具有多维特征的时间序列；将时间序列输入经过堆叠的LSTM网络和注意力机制层，构建回归模型；将时间序列输入经过堆叠的LSTM网络和注意力机制层，构建分类模型；将样本数据进行预处理，输入回归模型，获得设备在未来时间的状态指标数据，再输入分类模型，得到设备未来潜在发生的故障模式。本发明设计的模型相对于现有技术相比具有更高的准确度，能够精确的预测出设备可能发生的故障。

技术领域

本发明涉及机械设备的故障模式预测方法，具体涉及一种基于双深度学习模型的设备故障模式预测方法。

背景技术

随着科技的发展，在机械、能源、石化、国防、航天等国民经济行业中，机械设备逐渐趋于复杂化和大型化，并且常常处于高负载、变工况和持续运行等状态中，因此重大机械设备的正常运行对经济的可持续发展和国防建设具有十分重要的意义。传统的“事后维修”和“计划维修”难以满足保证设备可靠运行的需求。通过分析和挖掘历史数据，故障预测能够预测出系统中是否会出现故障，并在故障出现早期采取补救措施，降低灾难性损失。因此，迫切需要故障预测技术对设备状态进行预测。

对于短期预测，通常使用时间序列模型预测机械设备的运行数据是否会超出阈值，而对于长期预测就需要剩余寿命预测。时间序列预测模型可以有效地监测设备状态，弄清楚设备是否会失效，而剩余寿命预测为视情维修提供重要信息。但需要指出的是对于可能会发生的具体的故障模式相关的研究极少。根据国际标准组织(ISO)，故障预测是指“评估失效时间和一个或者多个已存在的以及未来会发生的故障模式的风险”。所以有必要预测具体故障模式，包括故障类型和故障程度。

自20世纪90年代以来，故障预测得到了快速发展和应用，预测技术可分类为基于模型、基于知识以及基于数据驱动的多种预测方法。数据驱动方法旨在将原始监测数据转换为系统的相关信息和行为模型。他们使用人工智能工具或统计方法学习退化模型，预测系统未来的健康状态和相应的RUL。这些方法可以看作是基于模型的方法和基于知识的方法之间的权衡。这是因为，一方面，在实际的工业应用中，获得可靠的数据比构建物理模型更容易。另一方面，由真实监测数据生成的行为模型比由经验反馈数据得到的预测结果更精确。

基于数据驱动的预测方法受到了越来越多的研究和应用。目前，已经得到广泛关注的研究的基于数据驱动的预测方法有人工神经网络以及支持向量机。人工神经网络和支持向量机等属于机器学习领域的浅层模型，只能进行一层的非线性变换，故而其特征提取和特征学习的能力有限，在处理复杂非线性数据时仍存在一定难度。此外，浅层的人工神经网络还存在一些其他的缺陷，比如其模型容易陷入局部极小值，存在梯度消失和梯度爆炸问题以及其模型的鲁棒性不好等。支持向量机本身也存在一些不足，其只适合于小样本数据对于海量数据的处理能力稍显不足。

并且，当前的故障预测工作更加关注剩余的使用寿命，设备的故障趋势或设备是否失效，极少有关于预测设备特定故障模式的研究。

发明内容

为解决上述问题，本发明提供了一种基于双深度学习模型的设备故障模式预测方法。

为实现上述目的，本发明的技术方案为：

一种基于双深度学习模型的设备故障模式预测方法，包括如下步骤：

步骤1：对机械设备的振动传感器信号采用三层小波包分解来提取时频特征，获得每个频带信号的能量特征值作为状态监测指标，形成具有多维特征的时间序列；

步骤2：将时间序列输入经过堆叠的LSTM网络和注意力机制层，提取时间序列中序列数据的第一特征向量h，采用第一特征向量h对随机森林回归算法进行训练和学习，构建回归模型；

步骤3：将时间序列输入经过堆叠的LSTM网络和注意力机制层，提取时间序列中序列数据的第二特征向量h′，采用第二特征向量h′对极限树分类算法进行训练和学习，构建分类模型；