基于机器学习的压力传感器故障诊断及剩余寿命预测模型研究*

白同元，黄瀚宇，林琳淳，钟晓莹，赵志红

（北京理工大学珠海学院，广东 珠海519088）

压力传感器在生产线上大量应用，实现了压力闭环伺服控制，而工作环境高温，存在水汽、多粉尘现象，使其造成经济损失。因而工厂希望达到对传感器健康工作状态进行实时自检的目的，做到及时提前预报，方能有效预防和解决故障问题，防患于未然，有效节省工厂原材料和设备采购费用。进一步提高生产能效比，降低成本，保障良好的经济效益。

目前我国把设备寿命预测技术作为我国未来发展的主要方向，通过文献查阅，从20世纪以来，国内外学者针对工厂设备寿命预测问题分别从传统统计角度和机器学习角度进行深入研究。传统统计方法通过大量的数据选择合适的模型进行训练，根据阈值理论，对数据进行诊断，相对于其他类型的方法，相对简单，工作量较少。文献[1]采用时间序列的预报算法，对传感器的输出数据进行预处理，得到具有故障特征的有用信息，达到对序列预测的目的；文献[2]采用时间序列对温室传感器节点数据进行建模，提取数据特征，据此用遗传BP神经网络寻找最优的网络连接权值，实现故障诊断；文献[3]利用AR模型对测取的信号进行估计和分析，得到故障发生的范围，并从其中提取参数作为特征向量，以此作为BP神经网络的训练样本，进而实现故障诊断。

另外，目前国内外研究学者主要研究基于机器学习的方法，提出灰色模型、LSTM时间序列预测模型及马尔科夫模型等对设备寿命进行预测，目前的研究结果模型精度较高，预测较准确。……