薛纏明，趙翔宇

（太原衛(wèi)星發(fā)射中心，太原 036301）

0 引言

當前形勢下，設備復雜度、集成度越來越高，而整系統(tǒng)維護檢修頻率越來越低，有效的設備狀態(tài)監(jiān)測手段作用日益凸顯。通過設備分系統(tǒng)信號數(shù)據(jù)的日常記錄，挖掘設備器件損耗規(guī)律，實現(xiàn)設備的及時性維護維修，避免出現(xiàn)累積性設備故障顯得十分重要。

隨著支持向量機、BP網(wǎng)絡、卷積神經(jīng)網(wǎng)絡等技術(shù)的發(fā)展，越來越多自適應數(shù)據(jù)驅(qū)動建模方法用于機電設備故障診斷與壽命預測過程?；跀?shù)據(jù)驅(qū)動的方法主要分為統(tǒng)計分析和機器學習兩大類，統(tǒng)計學方法通過利用統(tǒng)計模型或隨機過程模型描述設備性能退化，通過統(tǒng)計參數(shù)變化規(guī)律進一步分析設備問題，歸結(jié)得出設備健康階段。而機器學習的方法具有自適應性能好，無需過多地關(guān)注建模過程，利用原始監(jiān)測記錄數(shù)據(jù)即可實現(xiàn)設備的健康狀態(tài)評估。循環(huán)神經(jīng)網(wǎng)絡作為機器學習中深度學習模型較為成功的方法之一，廣泛應用于時間序列預測與回歸過程中，在信息處理、時間序列建模、設備壽命預測等領(lǐng)域起到了很好的效果。

循環(huán)神經(jīng)網(wǎng)絡（RNN）的主體思想通過數(shù)據(jù)的隱藏層循環(huán)，實現(xiàn)序列演進方向的遞歸且所有節(jié)點按鏈式傳播，結(jié)構(gòu)如圖1所示。

圖1 循環(huán)神經(jīng)網(wǎng)絡記憶單元

其具體計算過程為

從結(jié)構(gòu)和計算公式可看出，輸出結(jié)果與輸入和隱藏層狀態(tài)有關(guān)，通過串聯(lián)式的記憶單元，實現(xiàn)了時間序列的前后關(guān)聯(lián)。

1 基本理論

1.1 LSTM網(wǎng)絡

LSTM網(wǎng)絡是一種用于序列預測的優(yōu)化型循環(huán)神經(jīng)網(wǎng)絡模型，除了RNN中的隱藏層加入機制，同時設置了門控機制，控制前期數(shù)據(jù)的累計作用，從而實現(xiàn)長短記憶的作用，具體結(jié)構(gòu)如圖2所示，主要分為三個控制門：輸入門、遺忘門、輸出門，對信息進行調(diào)節(jié)。

圖2 LSTM結(jié)構(gòu)

1.1.1 輸入門

輸入門的目的在于控制時刻，輸入X及短期記憶狀態(tài)h經(jīng)門限后保留在長期狀態(tài)c的信息成分。

式中為Sigmoid函數(shù)，為Tanh函數(shù)。

1.1.2 遺忘門

控制時刻，先前長期狀態(tài)c保留在當前長期狀態(tài)c的信息成分。

1.1.3 輸出門

控制時刻，長期狀態(tài)c輸出o后，保留在短期狀態(tài)下的信息成分。

1.2 BP網(wǎng)絡

BP網(wǎng)絡仍是目前神經(jīng)網(wǎng)絡領(lǐng)域的基礎(chǔ)結(jié)構(gòu)，據(jù)統(tǒng)計80%以上的神經(jīng)網(wǎng)絡算法采用了BP網(wǎng)絡構(gòu)型變體。結(jié)構(gòu)由輸入層、隱藏層、輸出層構(gòu)成，層之間采用全連接方式，層內(nèi)無連接，通過反向傳播實現(xiàn)模型的參數(shù)矩陣迭代，基本單元輸入層通過與權(quán)重的乘法、與參數(shù)的加法實現(xiàn)傳統(tǒng)的線性模型，增加非線性激活函數(shù)，實現(xiàn)線性表達轉(zhuǎn)化為非線性形式，實現(xiàn)更豐富的表達能力。

1.2.1 基本結(jié)構(gòu)

模型的基本結(jié)構(gòu)如圖3所示。

圖3 隱藏層50個神經(jīng)元的BP結(jié)構(gòu)

其基本的單元公式為

式中為激活函數(shù)，為隱藏神經(jīng)元個數(shù)。

1.2.2 反向傳播

反向傳播作為網(wǎng)絡模型訓練的基本過程，起到了核心的作用，如何進行有效的反向迭代，根據(jù)預測值與實際值的偏差量，最終改變參數(shù)矩陣，達到二者更好的契合十分重要。反向傳播的核心問題是解決度量誤差，傳統(tǒng)采用均方誤差項，利用預測值與實際值的均方差度量二者的距離，公式為

而反向傳播采用梯度下降方式，對每個權(quán)重值做偏導，乘以學習率得到迭代項。

1.3 LSTM-BP模型

本文的主要模型采用LSTM-BP串聯(lián)模型改進單個LSTM模型參數(shù)量小，泛化性能相對較差的問題，其結(jié)構(gòu)如圖4所示。

圖4 串聯(lián)LSTM-BP模型

2 實例數(shù)據(jù)驗證

為驗證模型，采用目前公開使用的設備壽命數(shù)據(jù)集，NASA公開的航空發(fā)動機數(shù)據(jù)集進行驗證。數(shù)據(jù)集采集了航空發(fā)動機不同運行條件下和故障模式下的4組監(jiān)測數(shù)據(jù)，監(jiān)測傳感器21個，分別監(jiān)測風扇壓力比、風流量、燃料流量等狀態(tài)，通過全周期的數(shù)據(jù)采集，得到數(shù)據(jù)樣本，截取部分樣本情況如表1所示。

從表1可得，數(shù)據(jù)傳感器樣本間差異較大，需要進行統(tǒng)一歸一化運算，通過最大最小值比例歸一化后數(shù)據(jù)情況如表2所示。

表1 發(fā)動機原始數(shù)據(jù)

表2 發(fā)動機歸一化數(shù)據(jù)

通過歸一化處理后能夠明顯地發(fā)現(xiàn)樣本中存在不變量的問題，有6個傳感器數(shù)據(jù)為恒定值，去除相應指標，采用15個傳感器數(shù)據(jù)，train_FD001為訓練數(shù)據(jù)，test_FD001為驗證數(shù)據(jù)，對模型進行訓練和驗證。

損失誤差情況如圖5所示。

圖5 損失誤差情況

驗證集中取3段值模型預測情況如圖6所示。

圖6 模型驗證集預測情況

從數(shù)據(jù)驗證情況看，模型在任取的段內(nèi)，根據(jù)輸入樣本能夠較好地預測實際情況，趨勢和差值較小，模型取得了較好的效果。

3 結(jié)語

本文通過構(gòu)建LSTM-BP串聯(lián)型結(jié)構(gòu)，實現(xiàn)了預測模型方法，改進了傳統(tǒng)LSTM預測過程中參數(shù)矩陣規(guī)模小的問題，同時在航空發(fā)動機壽命預測數(shù)據(jù)上進行了實驗分析，改進的LSTMBP串聯(lián)模型能夠通過采集原始的傳感器數(shù)據(jù)對設備壽命進行較好的預測。后續(xù)在航空航天領(lǐng)域從設備長時間使用，維護周期長的角度出發(fā)，采用本模型對設備的健康狀態(tài)進行預測，以保證設備運轉(zhuǎn)正常。