CN109814527B - 基于lstm循环神经网络工业设备故障预测方法及装置 - Google Patents

Abstract

本发明公开了一种基于LSTM循环神经网络工业设备故障预测方法及装置，其中，方法包括以下步骤：获取目标设备周边的多个传感器的状态监测数据集，其中，状态监测数据集包括0时刻至当前时刻的监测数据；利用特征选择标准从状态监测数据集中选择包含预设故障信息的预测特征，其中，特征选择标准包括相关性指标和单调性指标；将预测特征进行特征转换得到预测特征向量；根据预测特征向量和故障预测网络模型对目标设备进行单步故障预测、长期故障预测和剩余寿命预测。该方法能够有效避免由不合理预设故障阈值造成的预测精度不足，在单步性能预测的场合下能够给出置信区间，可以实现对设备性能和剩余寿命的长期预测。

Description

基于LSTM循环神经网络工业设备故障预测方法及装置

技术领域

本发明涉及数据驱动的故障预测技术领域，特别涉及一种基于LSTM(Long Short-Term Memory，是长短期记忆网络)循环神经网络工业设备故障预测方法及装置。

背景技术

相关技术，数据驱动的设备故障预测方法主要基于统计分析、贝叶斯网络、SVM(Support Vector Machine，支持向量机)、HMM(Hidden Markov Model，隐马尔可夫模型)和NN(Neural Network，神经网络)等实现。以上方法虽然在特定任务、特定场景下取得了不错的结果，但存在预测精度较低、推广能力不足、难以或无法进行长期(long-term)预测的问题，应用于运维策略优化等后续工作时存在困难。

故障预测主要形式为剩余寿命预测和设备性能预测，已知信息通常以序列数据的形式给出(如工业设备的监测数据序列)，一般通过建立预测模型来达到故障预测的目的，该预测模型的参数可以从序列数据中学习得到。因此，故障预测问题可以看作是一个序列学习问题。

近年来，RNNs(Recurrent Neural Networks，循环神经网络)在解决序列学习问题时体现了绝对的优势，例如精确计时问题、语言模型、简笔绘画、语音识别等，因此在故障预测领域也受到了极大关注。现有的基于RNN的故障预测方法一般通过两种方式实现：一种以t、t-T、t-2T...时刻的特征作为输入，以t+T时刻的特征作为输出，从而达到性能预测的目的，然而随着T的增加，预测精度会显著降低，而T较小时则失去了指导维修决策的能力，因而难以进行实际应用；另一种将RNN作为特征提取模型，基于RNN输入的特征，一般通过预设的故障阈值和指数模型计算剩余寿命，因此RNN与其他神经网络相比的优势和特性并未得到充分利用。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于LSTM循环神经网络工业设备故障预测方法，该方法能够有效避免由不合理预设故障阈值造成的预测精度不足，在单步性能预测的场合下能够给出置信区间，可以实现对设备性能和剩余寿命的长期预测。

本发明的另一个目的在于提出一种基于LSTM循环神经网络工业设备故障预测装置。

为达到上述目的，本发明一方面实施例提出了一种基于LSTM循环神经网络工业设备故障预测方法，包括以下步骤：步骤S101：获取目标设备周边的多个传感器的状态监测数据集，其中，所述状态监测数据集包括0时刻至当前时刻的监测数据；步骤S102：利用特征选择标准从所述状态监测数据集中选择包含预设故障信息的预测特征，其中，所述特征选择标准包括相关性指标和单调性指标；步骤S103：将所述预测特征进行特征转换得到预测特征向量；步骤S104：根据所述预测特征向量和故障预测网络模型对所述目标设备进行单步故障预测、长期故障预测和剩余寿命预测。

本发明实施例的基于LSTM循环神经网络工业设备故障预测方法，能够有效避免由不合理预设故障阈值造成的预测精度不足；通过从高斯混合分布采样的方式获得性能预测值，输出的是高斯混合分布的参数，不但可以得到当前的预测值，还可以得到预测值的分布情况，在单步性能预测的场合下能够给出置信区间；不依赖支持向量机和k近邻等机器学习方法，可以实现对设备性能和剩余寿命的长期预测。

另外，根据本发明上述实施例的基于LSTM循环神经网络工业设备故障预测方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述监测数据包括温度数据、压力数据和形变度数据中的一种或多种。

进一步地，在本发明的一个实施例中，所述特征选择标准为：

Criteria＝α·Corr+(1-α)·Mon，

其中，α∈[0，1]为均衡因子，Corr为所述相关性指标，Mon为所述单调性指标；

其中，第i个特征序列为f⁽ⁱ⁾，观测序列的时间跨度为T，f_t ⁽ⁱ⁾为第i维特征在t时刻的采样，

为均值，df⁽ⁱ⁾为f⁽ⁱ⁾的导数。

进一步地，在本发明的一个实施例中，所述将所述预测特征进行特征转换得到预测特征向量，进一步包括：利用one-hot向量对所述目标设备的多个设备状态进行编码，以得到状态标识向量；根据所述预测特征得到传感器监测向量，并根据所述传感器监测向量在不同时刻的相对变化和所述状态标识向量得到所述预测特征向量。

进一步地，在本发明的一个实施例中，所述故障预测网络模型的训练方法包括：获取目标设备周边的多个传感器的监测历史数据集；根据步骤S102和步骤S103对所述监测历史数据集进行处理得到训练特征向量；根据所述监测历史数据集得到训练特征数据集，并基于长短期记忆单元和高斯混合模型搭建训练模型；根据所述训练特征向量和所述训练特征数据集对所述训练模型进行训练，以得到所述故障预测网络模型。

为达到上述目的，本发明另一方面实施例提出了一种基于LSTM循环神经网络工业设备故障预测装置，包括：数据获取模块，用于获取目标设备周边的多个传感器的状态监测数据集，其中，所述状态监测数据集包括0时刻至当前时刻的监测数据；特征选择模块，用于利用特征选择标准从所述状态监测数据集中选择包含预设故障信息的预测特征，其中，所述特征选择标准包括相关性指标和单调性指标；特征转换模块，用于将所述预测特征进行特征转换得到预测特征向量；预测模块，用于根据所述预测特征向量和故障预测网络模型对所述目标设备进行单步故障预测、长期故障预测和剩余寿命预测。

本发明实施例的基于LSTM循环神经网络工业设备故障预测装置，能够有效避免由不合理预设故障阈值造成的预测精度不足；通过从高斯混合分布采样的方式获得性能预测值，输出的是高斯混合分布的参数，不但可以得到当前的预测值，还可以得到预测值的分布情况，在单步性能预测的场合下能够给出置信区间；不依赖支持向量机和k近邻等机器学习方法，可以实现对设备性能和剩余寿命的长期预测。

另外，根据本发明上述实施例的基于LSTM循环神经网络工业设备故障预测装置还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述监测数据包括温度数据、压力数据和形变度数据中的一种或多种。

进一步地，在本发明的一个实施例中，所述特征选择标准为：

Criteria＝α·Corr+(1-α)·Mon，

其中，α∈[0，1]为均衡因子，Corr为所述相关性指标，Mon为所述单调性指标；

其中，第i个特征序列为f⁽ⁱ⁾，观测序列的时间跨度为T，f_t ⁽ⁱ⁾为第i维特征在t时刻的采样，

为均值，df⁽ⁱ⁾为f⁽ⁱ⁾的导数。

进一步地，在本发明的一个实施例中，所述特征转换模块进一步用于利用one-hot向量对所述目标设备的多个设备状态进行编码，以得到状态标识向量，并根据所述预测特征得到传感器监测向量，并根据传感器监测向量在不同时刻的相对变化和所述状态标识向量得到所述预测特征向量。

进一步地，在本发明的一个实施例中，还包括：模型训练模块，用于获取目标设备周边的多个传感器的监测历史数据集，并根据所述特征选择模块和所述特征转换模块对所述监测历史数据集进行处理得到训练特征向量，根据所述监测历史数据集得到训练特征数据集，并基于长短期记忆单元和高斯混合模型搭建训练模型，根据所述训练特征向量和所述训练特征数据集对所述训练模型进行训练，以得到所述故障预测网络模型。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的基于LSTM循环神经网络工业设备故障预测方法的流程图；

图2为根据本发明一个具体实施例的基于LSTM循环神经网络工业设备故障预测方法的流程图；

图3为根据本发明一个实施例的LSTM神经元结构示意图；

图4为根据本发明一个实施例的网络模型示意图；

图5为根据本发明一个实施例的基于LSTM循环神经网络工业设备故障预测装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的基于LSTM循环神经网络工业设备故障预测方法及装置，首先将参照附图描述根据本发明实施例提出的基于LSTM循环神经网络工业设备故障预测方法。

图1是本发明一个实施例的基于LSTM循环神经网络工业设备故障预测方法的流程图。

如图1所示，该基于LSTM循环神经网络工业设备故障预测方法包括以下步骤：

步骤S101：获取目标设备周边的多个传感器的状态监测数据集，其中，状态监测数据集包括0时刻至当前时刻的监测数据。其中，监测数据包括温度数据、压力数据和形变度数据中的一种或多种。

可以理解的是，如图2所示，本发明实施例首先通过部署在目标部件周围的压力传感器、温度传感器及其他类型传感器等获得温度、压力、形变度等历史数据和实时监测数据。

步骤S102：利用特征选择标准从状态监测数据集中选择包含预设故障信息的预测特征，其中，特征选择标准包括相关性指标和单调性指标。

可以理解的是，包含预设故障信息的预测特征可以为最多故障信息的特征，如图2所示，特征选择。特征选择的目的在于挑选出包含最多故障信息的特征。由于好的特征通常与设备的退化过程是一致且单调的，因此，本发明实施例采用单调性指标和一致性指标进行特征选择操作。其中，一致性指标刻画了特征与设备运行时间之间的线性关系，单调性指标刻画了特征取值的上升和下降趋势。

其中，在本发明的一个实施例中，特征选择标准为：

Criteria＝α·Corr+(1-α)·Mon，

其中，α∈[0，1]为均衡因子，Corr为相关性指标，Mon为单调性指标；

其中，第i个特征序列为f⁽ⁱ⁾，观测序列的时间跨度为T，f_t ⁽ⁱ⁾为第i维特征在t时刻的采样，

为均值，df⁽ⁱ⁾为f⁽ⁱ⁾的导数。

具体而言，记，由第i个传感器采集的观测值序列，即第i个特征序列为f⁽ⁱ⁾，观测序列的时间跨度为T，f_t ⁽ⁱ⁾为第i维特征在t时刻的采样，

为均值，df⁽ⁱ⁾为f⁽ⁱ⁾的导数，则有：

由于特征对故障的敏感度与上述两个指标呈正相关，因此，对Corr和Mon的线性组合可以作为特征选择标准，记α∈[0，1]为均衡因子，有：

Criteria＝α·Corr+(1-α)·Mon。

步骤S103：将预测特征进行特征转换得到预测特征向量。

具体而言，如图2所示，特征转换。假设特征选择操作后的特征维度为k，记转换后的特征为S，则S的维度为k+2，t时刻的取值S_t＝(Δf_t，m₁，m₂)，其中，Δf_t＝f_t-f_t-1，t∈[1，T]，f₀＝f₁，Δf_t∈R^k。(m₁，m₂)为one-hot向量，代表两种设备运行状态：健康、不健康。具体来说，m₁＝1表示设备处于健康状态，相反，m₂＝1则表示设备出现了故障。

步骤S104：根据预测特征向量和故障预测网络模型对目标设备进行单步故障预测、长期故障预测和剩余寿命预测。

可以理解的是，如图3所示，故障预测。在任意时刻t，基于由模型训练得到的模型参数，进行故障的单步预测(One-stepPrediction)、长期预测(Long-term Prediction)和剩余寿命预测(Remaining Useful Life Prediction)。

具体地，单步故障预测和长期故障预测的伪代码如表1和表2所示。t_p时刻剩余寿命预测的步骤为：从当前时刻开始连续采样

直至

时刻状态指示向量

则t_p时刻的剩余寿命预测值为：

表1

表2

进一步地，在本发明的一个实施例中，故障预测网络模型的训练方法包括：获取目标设备周边的多个传感器的监测历史数据集；根据步骤S102和步骤S103对监测历史数据集进行处理得到训练特征向量；根据监测历史数据集得到训练特征数据集，并基于长短期记忆单元和高斯混合模型搭建训练模型；根据训练特征向量和训练特征数据集对训练模型进行训练，以得到故障预测网络模型。

可以理解的是，进行模型训练前，通过执行步骤S101至步骤S103的步骤，即如图2所示，对获取的数据进行相同的处理，获取传感器历史数据，然后进行特征选择，再进行特征转换，并经过模型训练之后的预测模型。模型训练的具体过程包括：

具体而言，模型的网络结构如图4所示，基于长短期记忆单元(Long Short TermMemory，LSTM)和高斯混合模型(Gaussians Mixture Model，GMM)搭建。

具体地，在每个时间点t，LSTM网络(神经元结构如图3所示)以特征S_t和上一时刻的隐状态h_t-1为输入，经全连层(Fully Connected Layer)输出下一时刻特征S_t+1的概率分布的变量，这里采用由M个正态分布构成的高斯混合模型，假设μ_i和σ_i分别为第i个高斯分布的均值和标准差，当故障特征维度为1时，有：

其中，

另外，本实例采用分类分布(Categorical Distribution)(p₁，p₂)对设备的运行状态指示向量(m₁，m₂)进行建模，满足p₁+p₂＝1。通过LSTM与GMM的结合，本技术所提出的模型不仅能够预测后续时刻的特征值，同时还能够给出后一时刻的预测值的分布。

设置初始的隐状态与输入特征分别为h₀＝0，S₀＝(0，1，0)，y_t可以被拆分为M+1部分，分别对应M个正态分布和1个类别分布，此时，预测模型可以表示为：

h_t＝LSTM(S_t-1，h_t-1)

y_t＝W_yh_t+b_y

由于正态分布标准差具有非负性，因此本技术利用exp算子和softmax算子对概率分布参数进行如下操作：

本发明实施例通过最小化重构误差(ReconstructionError)进行模型训练，重构误差可以通过训练集和全连层的输出计算得到，损失函数L_R如下所示：

Loss＝L_R＝L_s+L_p

下面将通过具体实施例对基于LSTM循环神经网络工业设备故障预测方法进行进一步阐述。

进一步地，在本发明的一个实施例中，将预测特征进行特征转换得到预测特征向量，进一步包括：利用one-hot向量对目标设备的多个设备状态进行编码，以得到状态标识向量；根据预测特征得到传感器监测向量，并根据传感器监测向量在不同时刻的相对变化和状态标识向量得到预测特征向量。

具体而言，如图2所示，本发明实施例的故障预测方法具体包括：

线下阶段：获取目标设备的传感器状态监测历史数据集；利用相关性指标(Corrmetric)与单调性指标(Mon metric)选择包含故障信息最多的k个传感器监测值作为特征，传感器监测向量f＝[f₁，f₂，...，f_k]；利用one-hot向量对l个设备状态进行编码，得到状态标识向量m＝[m₁，m₂，...，m_l]；将传感器监测向量的不同时刻间的相对变化与状态标识向量合并，构成最终的特征向量，以t时刻为例，特征向量为：s_t＝[Δf_t，m]，其中，Δf_t＝f_t-f_t-1；由历史数据得到训练特征数据集

其中，

构建如图3所示的故障预测网络模型M，其中，LSTM神经元的结构如图2所示；以S为输入，利用端到端的方法训练M。

在线阶段：对实时的设备传感器监测数据执行与线下阶段相同的处理，得到0时刻至当前时刻(以t时刻为例)的特征向量S_1：t＝{s₁，s₂，...，s_t}；分别按照如表1和表2所示的流程进行一步性能预测与长期性能预测；根据长期性能评估的结果与当前时刻计算设备剩余寿命。

综上，本发明实施例具备如下优点：

1)无需预设故障阈值。本发明实施例的方法将工业设备的离散化工作状况以one-hot向量的形式作为部分输入，由此学习设备的停机时间，并以one-hot向量的形式输出，因此无需预先设置故障阈值，能够有效避免由不合理预设故障阈值造成的预测精度不足。

2)在单步性能预测的场合下能够给出置信区间。与直接输出设备性能或剩余寿命预测值的做法不同，本发明实施例的方法通过从高斯混合分布采样的方式获得性能预测值，输出的是高斯混合分布的参数，因此该方法不但可以得到当前的预测值，还可以得到预测值的分布情况。

3)能够进行长期(long-term)性能预测。本发明实施例的方法不依赖支持向量机(SVM)和k近邻(KNN)等机器学习方法，可以实现对设备性能和剩余寿命的长期预测(long-term prediction)。

根据本发明实施例提出的基于LSTM循环神经网络工业设备故障预测方法，能够有效避免由不合理预设故障阈值造成的预测精度不足；通过从高斯混合分布采样的方式获得性能预测值，输出的是高斯混合分布的参数，不但可以得到当前的预测值，还可以得到预测值的分布情况，在单步性能预测的场合下能够给出置信区间；不依赖支持向量机和k近邻等机器学习方法，可以实现对设备性能和剩余寿命的长期预测。

其次参照附图描述根据本发明实施例提出的基于LSTM循环神经网络工业设备故障预测装置。

图5是本发明一个实施例的基于LSTM循环神经网络工业设备故障预测装置的结构示意图。

如图5所示，该基于LSTM循环神经网络工业设备故障预测装置10包括：数据获取模块100、特征选择模块200、特征转换模块300和预测模块400。

其中，数据获取模块100用于获取目标设备周边的多个传感器的状态监测数据集，其中，状态监测数据集包括0时刻至当前时刻的监测数据。特征选择模块200用于利用特征选择标准从状态监测数据集中选择包含预设故障信息的预测特征，其中，特征选择标准包括相关性指标和单调性指标。特征转换模块300用于将预测特征进行特征转换得到预测特征向量。预测模块400用于根据预测特征向量和故障预测网络模型对目标设备进行单步故障预测、长期故障预测和剩余寿命预测。本发明实施例的装置10能够有效避免由不合理预设故障阈值造成的预测精度不足，在单步性能预测的场合下能够给出置信区间，可以实现对设备性能和剩余寿命的长期预测。

进一步地，在本发明的一个实施例中，监测数据包括温度数据、压力数据和形变度数据中的一种或多种。

进一步地，在本发明的一个实施例中，特征选择标准为：

Criteria＝α·Corr+(1-α)·Mon，

其中，α∈[0，1]为均衡因子，Corr为相关性指标，Mon为单调性指标；

其中，第i个特征序列为f⁽ⁱ⁾，观测序列的时间跨度为T，f_t ⁽ⁱ⁾为第i维特征在t时刻的采样，

为均值，df⁽ⁱ⁾为f⁽ⁱ⁾的导数。

进一步地，在本发明的一个实施例中，特征转换模块进一步用于利用one-hot向量对目标设备的多个设备状态进行编码，以得到状态标识向量，并根据预测特征得到传感器监测向量，并根据传感器监测向量在不同时刻的相对变化和状态标识向量得到预测特征向量。

进一步地，在本发明的一个实施例中，本发明实施例的装置还包括：模型训练模块。其中，模型训练模块用于获取目标设备周边的多个传感器的监测历史数据集，并根据特征选择模块200和特征转换模块300对监测历史数据集进行处理得到训练特征向量，根据监测历史数据集得到训练特征数据集，并基于长短期记忆单元和高斯混合模型搭建训练模型，根据训练特征向量和训练特征数据集对训练模型进行训练，以得到故障预测网络模型。

需要说明的是，前述对基于LSTM循环神经网络工业设备故障预测方法实施例的解释说明也适用于该实施例的基于LSTM循环神经网络工业设备故障预测装置，此处不再赘述。

根据本发明实施例提出的基于LSTM循环神经网络工业设备故障预测装置，能够有效避免由不合理预设故障阈值造成的预测精度不足；通过从高斯混合分布采样的方式获得性能预测值，输出的是高斯混合分布的参数，不但可以得到当前的预测值，还可以得到预测值的分布情况，在单步性能预测的场合下能够给出置信区间；不依赖支持向量机和k近邻等机器学习方法，可以实现对设备性能和剩余寿命的长期预测。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于LSTM循环神经网络工业设备故障预测方法，其特征在于，包括以下步骤：

步骤S101：获取目标设备周边的多个传感器的状态监测数据集，其中，所述状态监测数据集包括0时刻至当前时刻的监测数据；

步骤S102：利用特征选择标准从所述状态监测数据集中选择包含预设故障信息的预测特征，其中，所述特征选择标准包括相关性指标和单调性指标，所述特征选择标准为：Criteria＝α·Corr+(1-α)·Mon，其中，α∈[0,1]为均衡因子，Corr为所述相关性指标，Mon为所述单调性指标；

其中，第i个特征序列为f⁽ⁱ⁾，观测序列的时间跨度为T，

为第i维特征在t时刻的采样，

为均值，df⁽ⁱ⁾为f⁽ⁱ⁾的导数；

步骤S103：将所述预测特征进行特征转换得到预测特征向量；

步骤S104：根据所述预测特征向量和故障预测网络模型对所述目标设备进行单步故障预测、长期故障预测和剩余寿命预测。

2.根据权利要求1所述的基于LSTM循环神经网络工业设备故障预测方法，其特征在于，所述监测数据包括温度数据、压力数据和形变度数据中的一种或多种。

3.根据权利要求1所述的基于LSTM循环神经网络工业设备故障预测方法，其特征在于，所述将所述预测特征进行特征转换得到预测特征向量，进一步包括：

利用one-hot向量对所述目标设备的多个设备状态进行编码，以得到状态标识向量；

根据所述预测特征得到传感器监测向量，并根据所述传感器监测向量在不同时刻的相对变化和所述状态标识向量得到所述预测特征向量。

4.根据权利要求1-3任一项所述的基于LSTM循环神经网络工业设备故障预测方法，其特征在于，所述故障预测网络模型的训练方法包括：

获取目标设备周边的多个传感器的监测历史数据集；

根据步骤S102和步骤S103对所述监测历史数据集进行处理得到训练特征向量；

根据所述监测历史数据集得到训练特征数据集，并基于长短期记忆单元和高斯混合模型搭建训练模型；

根据所述训练特征向量和所述训练特征数据集对所述训练模型进行训练，以得到所述故障预测网络模型。

5.一种基于LSTM循环神经网络工业设备故障预测装置，其特征在于，包括：

数据获取模块，用于获取目标设备周边的多个传感器的状态监测数据集，其中，所述状态监测数据集包括0时刻至当前时刻的监测数据；

特征选择模块，用于利用特征选择标准从所述状态监测数据集中选择包含预设故障信息的预测特征，其中，所述特征选择标准包括相关性指标和单调性指标，所述特征选择标准为：Criteria＝α·Corr+(1-α)·Mon，其中，α∈[0,1]为均衡因子，Corr为所述相关性指标，Mon为所述单调性指标；

其中，第i个特征序列为f⁽ⁱ⁾，观测序列的时间跨度为T，

为第i维特征在t时刻的采样，

为均值，df⁽ⁱ⁾为f⁽ⁱ⁾的导数；

特征转换模块，用于将所述预测特征进行特征转换得到预测特征向量；

预测模块，用于根据所述预测特征向量和故障预测网络模型对所述目标设备进行单步故障预测、长期故障预测和剩余寿命预测。

6.根据权利要求5所述的基于LSTM循环神经网络工业设备故障预测装置，其特征在于，所述监测数据包括温度数据、压力数据和形变度数据中的一种或多种。

7.根据权利要求5所述的基于LSTM循环神经网络工业设备故障预测装置，其特征在于，所述特征转换模块进一步用于利用one-hot向量对所述目标设备的多个设备状态进行编码，以得到状态标识向量，并根据所述预测特征得到传感器监测向量，并根据传感器监测向量在不同时刻的相对变化和所述状态标识向量得到所述预测特征向量。

8.根据权利要求5-7任一项所述的基于LSTM循环神经网络工业设备故障预测装置，其特征在于，还包括：

模型训练模块，用于获取目标设备周边的多个传感器的监测历史数据集，并根据所述特征选择模块和所述特征转换模块对所述监测历史数据集进行处理得到训练特征向量，根据所述监测历史数据集得到训练特征数据集，并基于长短期记忆单元和高斯混合模型搭建训练模型，根据所述训练特征向量和所述训练特征数据集对所述训练模型进行训练，以得到所述故障预测网络模型。

Images