[发明专利]基于LSTM循环神经网络工业设备故障预测方法及装置

说明书

本发明公开了一种基于LSTM循环神经网络工业设备故障预测方法及装置，其中，方法包括以下步骤：获取目标设备周边的多个传感器的状态监测数据集，其中，状态监测数据集包括0时刻至当前时刻的监测数据；利用特征选择标准从状态监测数据集中选择包含预设故障信息的预测特征，其中，特征选择标准包括相关性指标和单调性指标；将预测特征进行特征转换得到预测特征向量；根据预测特征向量和故障预测网络模型对目标设备进行单步故障预测、长期故障预测和剩余寿命预测。该方法能够有效避免由不合理预设故障阈值造成的预测精度不足，在单步性能预测的场合下能够给出置信区间，可以实现对设备性能和剩余寿命的长期预测。

技术领域

本发明涉及数据驱动的故障预测技术领域，特别涉及一种基于LSTM(Long Short-Term Memory，是长短期记忆网络)循环神经网络工业设备故障预测方法及装置。

背景技术

相关技术，数据驱动的设备故障预测方法主要基于统计分析、贝叶斯网络、SVM(Support Vector Machine，支持向量机)、HMM(Hidden Markov Model，隐马尔可夫模型)和NN(Neural Network，神经网络)等实现。以上方法虽然在特定任务、特定场景下取得了不错的结果，但存在预测精度较低、推广能力不足、难以或无法进行长期(long-term)预测的问题，应用于运维策略优化等后续工作时存在困难。

故障预测主要形式为剩余寿命预测和设备性能预测，已知信息通常以序列数据的形式给出(如工业设备的监测数据序列)，一般通过建立预测模型来达到故障预测的目的，该预测模型的参数可以从序列数据中学习得到。因此，故障预测问题可以看作是一个序列学习问题。

近年来，RNNs(Recurrent Neural Networks，循环神经网络)在解决序列学习问题时体现了绝对的优势，例如精确计时问题、语言模型、简笔绘画、语音识别等，因此在故障预测领域也受到了极大关注。现有的基于RNN的故障预测方法一般通过两种方式实现：一种以t、t-T、t-2T...时刻的特征作为输入，以t+T时刻的特征作为输出，从而达到性能预测的目的，然而随着T的增加，预测精度会显著降低，而T较小时则失去了指导维修决策的能力，因而难以进行实际应用；另一种将RNN作为特征提取模型，基于RNN输入的特征，一般通过预设的故障阈值和指数模型计算剩余寿命，因此RNN与其他神经网络相比的优势和特性并未得到充分利用。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于LSTM循环神经网络工业设备故障预测方法，该方法能够有效避免由不合理预设故障阈值造成的预测精度不足，在单步性能预测的场合下能够给出置信区间，可以实现对设备性能和剩余寿命的长期预测。

本发明的另一个目的在于提出一种基于LSTM循环神经网络工业设备故障预测装置。

为达到上述目的，本发明一方面实施例提出了一种基于LSTM循环神经网络工业设备故障预测方法，包括以下步骤：步骤S101：获取目标设备周边的多个传感器的状态监测数据集，其中，所述状态监测数据集包括0时刻至当前时刻的监测数据；步骤S102：利用特征选择标准从所述状态监测数据集中选择包含预设故障信息的预测特征，其中，所述特征选择标准包括相关性指标和单调性指标；步骤S103：将所述预测特征进行特征转换得到预测特征向量；步骤S104：根据所述预测特征向量和故障预测网络模型对所述目标设备进行单步故障预测、长期故障预测和剩余寿命预测。

本发明实施例的基于LSTM循环神经网络工业设备故障预测方法，能够有效避免由不合理预设故障阈值造成的预测精度不足；通过从高斯混合分布采样的方式获得性能预测值，输出的是高斯混合分布的参数，不但可以得到当前的预测值，还可以得到预测值的分布情况，在单步性能预测的场合下能够给出置信区间；不依赖支持向量机和k近邻等机器学习方法，可以实现对设备性能和剩余寿命的长期预测。