基于改进的LSTM 的设备剩余使用寿命应用研究

郭梦溪

（福州大学物理与信息工程学院，福州350108）

0 引言

随着人工智能的普及，连接到通信网络系统的设备和监视系统的投资也在增加。为了使电力通信系统平稳稳定地工作，必须对通信系统设备进行连续监控以预防突发事件造成系统宕机。按照国网的政策要求，各省及地市级的电力通信网络及设备需要不断的升级改造，随着通信运维人员的工作量不断增加，给运维工作带来极大压力。电力通信网络中设备的报警数据具有数据量大，频闪数据多，噪声数据多的等特点。现有的预测更多的基于简单的统计分析，而没有考虑与时间序列相关因素的影响。为了解决现有方法的缺陷，如何有效地估计通信设备的剩余寿命以及如何改进设备故障的预测方法已经引起了业界的广泛关注。

通常使用的RUL 预测的方法主要有基于物理模型和基于数据驱动两类[1]。基于物理模型的方法是需要使所构建设备物理故障失效模型更加可靠，然而越来越复杂化、智能化的设备系统几乎是不可能建立准确的物理模型来描述系统退化失效过程的。依据所收集到的大量的并行计算能力和状态监控到的数据，研制出了数据驱动的RUL 预测方法。较为常用的剩余寿命预测方法大多都是使用浅层模型（支持向量回归机、多层感知机等），特征提取步骤在很大程度上是依赖于特定领域的知识和专业的信号处理技术，因为有人工的参与，所以只是能够提取到一些具体的、可理解的数据，不确定性存在的机率非常大，上述方法在很大程度上也忽略了时间的影响因素[2]。……