论文部分内容阅读
工业生产过程中,机械设备及其组成部件不可避免发生磨损进而引起故障,如何避免因机械设备故障引起的停工停产和安全问题,提高生产效率,保障人员安全,是机械设备运维保障领域的难题。传统方法只能是根据长期积累的经验,定期停机进行设备检修,但是这种方法会额外增加人工和资金方面的支出。机械设备剩余使用寿命(Remaining Useful Life,RUL)预测技术能够有效解决这一难题。RUL预测技术在设备维护任务中有重要应用价值,在精确预测到故障发生时间的前提下,提前停机对设备进行维护保养,不仅能避免故障发生,还能有效的节约机械设备运维成本。当今社会已经发展到工业4.0时代,各种机械设备的应用更加广泛,对其可靠性要求也更高,这使得设备维护任务的工作量变大、工作难度增大。显然,现有的基于专家知识、物理模型等的RUL预测技术将逐渐的难以应对这些难题,因此非常有必要展开RUL预测技术新方法的研究。数据驱动的方法对先验知识要求较低、数据利用效率高和所建模型迁移性较好的优点,同时物联网技术的发展将为研究工作提供足够的数据资源,基于数据驱动的RUL预测方法研究具备可行性。因此,本文将研究基于数据驱动的RUL预测新方法。首先介绍了基于数据驱动的RUL预测技术理论基础,包括典型的神经网络CNN(Convolutional Neural Network)、RNN(Recurrent Neural Network)等的基本原理和常用的数据预处理方法和模型性能评估方法等理论知识。然后以典型机械设备涡轮发动机为研究对象展开模型研究,注意到机械设备监测的多维数据是时序数据,设备健康状态变化曲线具有很强的时间依赖性的特点,提出一种基于LSTM(Long-Short Term Memory)算法和前馈神经网络的深度学习模型,并在CMAPSS数据集上验证所提方法,实验结果表明该预测模型相比其他同类型算法,具有较高预测精准度。为进一步提高模型预测能力,以数据驱动思想为基础,继续进行模型的优化改进工作,首先利用一维CNN在局部特征提取的优势,对数据进行深层特征挖掘,并且通过增加卷积核的扩张率,使得在保持参数个数不变的情况下增大卷积核的感受野,从而覆盖更长时间段内的状态信息。另外,为解决深层网络梯度消失问题,在网络之间引入了残差块,为梯度带来了一个直接向前面层的传播通道。然后将提取的特征向量输入到LSTM网络预测RUL值。最后将改进的一维CNN和LSTM网络相结合,创建RUL预测的深度神经网络模型。所提出方法在数据集进行实验验证,实验结果表明模型的预测能力得到提高。最后,针对本文中存在的不足之处进行总结,并指明今后的研究方向。