一种基于MSDCNN-LSTM的设备RUL预测方法

刘畅, 陈雯柏

(北京信息科技大学 自动化学院, 北京 100192)

预测与健康管理系统(prognosis and health management,PHM))旨在通过模型和算法监测、预测和管理系统的健康状态。如今设备朝着大型化、复杂化方向发展，故障问题不可避免。作为PHM的核心研究问题之一，剩余寿命预测(remaining useful life,RUL)可以为设备建立最佳维护策略提供决策支持[1]。

对于复杂的系统，例如涡轮发动机，由于其结构复杂，故障模式多种多样以及操作条件的不确定性，难以建立物理失效模型[2]。基于数据驱动的方法无需先验知识和复杂的物理建模过程[3]，逐渐成为RUL预测的主流方法。通过分析设备的传感器监测数据，从而挖掘设备性能下降的内在规律。

机器学习具有强大的函数映射能力和数据处理能力，在基于数据驱动的RUL预测中得到了广泛应用，如支持向量回归(support vector regression,SVR)[4]，深度置信网络(deep belief network,DBN)[5]和深度可分离卷积网络(deep separable convolutional network,DSCN)[6]的预测方法。然而这些方法没有很强的特征提取能力。Babu等[7]首次尝试使用卷积神经网络(convolutional neural network,CNN)预测发动机的RUL，提高了自动提取多维特征的能力。然后，Li等[8]通过使用深度CNN(DCNN)结构以及时间窗口数据处理来提高预测精度。为了使CNN模型学习更详细的特征，Li等[9]提出了具有不同卷积核大小的DCNN(MS-DCNN)。但是，这些方法忽略了传感器状态监测数据的时间相关性。

对于时间序列的学习，LSTM网络使用门控机制和递归单元结构，具有很强的信息存储能力，同时也避免了递归神经网络的梯度消失问题。Zheng等[10]通过LSTM模型来预测航空发动机的RUL。 由于时间序列中的随机性和非平稳性，仅LSTM网络无法获得更好的结果。……