張子賢，李 敏，苗紅霞，孫 寧

(1.河海大學 物聯(lián)網(wǎng)工程學院，江蘇 常州 213022;2.國家電網(wǎng)江蘇省電力公司檢修分公司，江蘇 常州 211100)

0 引言

如今，為了滿足設備運行的高效性與可靠性，針對設備定期維護和故障發(fā)生后才維修等傳統(tǒng)方法的不足，故障預測在工程設備的維修與監(jiān)測中的重要性逐漸增加。故障預測可以將各傳感器測得的信息，通過一定的理論、算法處理后，推測出故障發(fā)展的趨勢，它是比故障診斷更高級的維修手段，如果能在故障發(fā)生之前識別到故障發(fā)生的可能，從而對設備進行排查，對零件進行更換，可以大大減少故障風險，減少因故障造成的損失，節(jié)約資源，降低經(jīng)濟成本。

由于故障預測是在故障發(fā)生之前進行的，所以往往具有故障幅值微小、故障特性不明顯、容易被噪聲掩蓋等特點，相對而言難以被檢測出，因此，對于故障發(fā)生前的信號處理與分析是故障預測技術研究的重點。近年來，在該方面的研究很是火熱，王姝等提出了一種結合多元統(tǒng)計技術(MPCA)與AR序列分析的緩變故障預測方法[1]，該方法通過建立T2及Q 統(tǒng)計量的自回歸模型，預測下一批次統(tǒng)計量值，將所求值與控制限對比，進而實現(xiàn)漸變故障的預測，但是該方法假設故障的趨勢為線性的，并且每個統(tǒng)計量的預測過程、預測結果是獨立的，對于非線性、多耦合的數(shù)據(jù)較難預測；東南大學陸寧云等提出一種多層預測型貝葉斯網(wǎng)絡結構，根據(jù)工程系統(tǒng)自身固有的網(wǎng)絡拓撲結構，構建了多層貝葉斯網(wǎng)絡模型，利用定性趨勢分析法將時間信息融入網(wǎng)絡節(jié)點中，使得網(wǎng)絡具有處理時序信息的能力，便于進行故障傳播機理分析和故障預測[2]，在該算法中需要構建隸屬度函數(shù)，通過一定的先驗知識去構造隸屬度函數(shù)，這些先驗知識的精確與否會直接影響該方法的準確性；文獻[3]利用深層神經(jīng)網(wǎng)絡(DNN)與PCA相結合的方法實現(xiàn)了微小緩變故障早期診斷及壽命預測；文獻[4]則提出了一種使用深度卷積神經(jīng)網(wǎng)絡(DCNN)預測方法，然而，上述兩種神經(jīng)網(wǎng)絡結構由于沒有對應狀態(tài)變量的神經(jīng)元，因此難以存儲之前時間的信息。

近年來，隨著計算機計算能力的提高，人工神經(jīng)網(wǎng)絡的層數(shù)越來越多，深度學習的研究與應用也日益增加。深度學習的本質(zhì)是特征提取，即通過組合低層次的特征形成更加抽象的高層表示，以達到獲得最佳特征的目的。具體應用可以抽象為將原始數(shù)據(jù)、信號作為低層次的特征送入神經(jīng)網(wǎng)絡，把人們想要得到的信息作為高層表示的過程。在深度學習的應用上，循環(huán)神經(jīng)網(wǎng)絡(RNN)主要用于與時間序列相關的數(shù)據(jù)，比如自然語言的處理、疾病預測等等，并體現(xiàn)出了良好的擬合能力[5-8]。故障預測與語言處理和疾病預測相似，各種設備的傳感器信號大多為時間序列，當前時刻的信號值與之前的信號值有不可分割的聯(lián)系，因此，在判斷設備狀態(tài)時僅僅關注當前信號是不夠的，還要考慮傳感器之前信號的狀態(tài)，這樣才能最大程度的挖掘出時間序列數(shù)據(jù)所蘊含的信息。

另一方面，對于大多數(shù)工程系統(tǒng)而言，從系統(tǒng)安裝運行到出現(xiàn)異常的正常工作階段，監(jiān)測得到的數(shù)據(jù)一般比較平穩(wěn)，沒有明顯的趨勢出現(xiàn)，而一旦發(fā)生故障，所監(jiān)測的數(shù)據(jù)則會發(fā)生劇烈變化，如發(fā)動機、氣輪機、旋轉(zhuǎn)機械等的振動幅值信號，都具有這樣的特點，其故障劇烈程度近似于指數(shù)函數(shù)。出現(xiàn)異常的時間點一般被稱為異常點，對于異常點的確定是故障預測中較為關鍵的一環(huán)，異常點確定過早，會導致誤判發(fā)生，而過晚則失去了故障預測的意義。關于異常點的檢測，文獻[9]介紹了貝葉斯、廣義貝葉斯、極大極小值等方法，然而這些方法沒有自學習能力，并且假定數(shù)據(jù)的分布符合某種規(guī)律，比如高斯分布，而現(xiàn)實情況下的數(shù)據(jù)往往并不符合這些特殊的分布，因此這些方法在實際工程中難以應用，為了解決該問題，在此，應用了一種逐步逼近的神經(jīng)網(wǎng)絡訓練方法。

1 基于RNN的故障預測算法

1.1 整體算法流程

基于RNN的故障預測算法整體流程如圖1所示，該算法主要由數(shù)據(jù)處理模塊與RNN網(wǎng)絡識別模塊構成。數(shù)據(jù)處理模塊用于對傳感器輸出信號進行處理，而RNN網(wǎng)絡識別模塊用于對經(jīng)過處理的輸入信號進行故障預測的操作。

圖1 整體算法流程圖

在數(shù)據(jù)處理模塊中，先對所采集的歷史數(shù)據(jù)進行處理；再使用數(shù)學函數(shù)賦值的方法來構造待訓練RNN模型的訓練與測試樣本。

在RNN網(wǎng)絡識別模塊中，首先確定RNN模型結構；然后使用RNN模型進行異常點檢測，為訓練樣本數(shù)據(jù)貼上標簽；再使用數(shù)據(jù)處理模塊構建的訓練樣本對RNN模型進行訓練，調(diào)整模型參數(shù)，確定故障預測模型；最后將數(shù)據(jù)輸入RNN模型對設備進行故障預測。

1.2 數(shù)據(jù)處理模塊

通常，使用循環(huán)神經(jīng)網(wǎng)絡進行預測前，對于傳感器采集的數(shù)據(jù)都需要先進行特征提取。若構建特征提取模型進行特征提取，不僅費時費力，而且會延緩識別速度，給識別帶來困難，因此，這里采用數(shù)學函數(shù)賦值的方法來構建輸入矩陣，對輸入數(shù)據(jù)進行處理。

首先采集設備多種傳感器上較長時間內(nèi)的各種信號數(shù)據(jù)，作為歷史數(shù)據(jù)，并對這些歷史數(shù)據(jù)進行采樣。接著通過數(shù)學函數(shù)賦值的方法構造待訓練RNN模型的訓練樣本數(shù)據(jù)，并使用相同的方法構造測試數(shù)據(jù)。

數(shù)學函數(shù)賦值的方法為：

對于裝置中的信號，設置k個傳感器采集不同的信號，并將采集到的k個信號波形函數(shù)a(1，t)到a(k，t)中的若干采樣點提取到一個多維矩陣b中，該矩陣的每一列代表一個樣本，假設總共有n個樣本。矩陣為:

其中:b是輸入矩陣。函數(shù)a(1，t)到a(k，t)分別是k個傳感器波形函數(shù)，t是歷史數(shù)據(jù)的時間。X是歷史數(shù)據(jù)的起點。該方法可以根據(jù)設備的故障特征確定輸入矩陣形式。

1.3 RNN網(wǎng)絡識別模塊

1.3.1 循環(huán)神經(jīng)網(wǎng)絡

由于各種原因，傳感器采集到的數(shù)據(jù)會夾雜噪聲信號，而數(shù)學方法如貝葉斯和極大極小原理等需要精確的數(shù)據(jù)才能得出較為可靠的預測結果，因此需要一種不易被噪聲信號影響的算法。循環(huán)神經(jīng)網(wǎng)絡能夠通過學習歷史數(shù)據(jù)來區(qū)分噪聲信號與故障信號，RNN可以在迭代的訓練過程中，不斷調(diào)整參數(shù)，直到滿足精度要求。因此它在解決時間序列問題的實際使用過程中有更高的預測精度。

在傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(FNN)中，神經(jīng)元的信息傳遞是通過網(wǎng)絡層與網(wǎng)絡層之間的單向傳遞完成的，此模式使得FNN變得更容易學習，但在一定程度上也削弱了FNN模型的能力。在實際情況中，輸出不僅和當前輸入相關，也有可能和上一個時刻的輸出相關。循環(huán)神經(jīng)網(wǎng)絡(RNN)是FNN的一種改進體，是一類具有短期記憶能力的神經(jīng)網(wǎng)絡。RNN形成的環(huán)路的網(wǎng)絡結構，使得神經(jīng)元既可以接收到其他神經(jīng)元的信息，也能接收到本身的信息。所以，相比之下，RNN在處理與時序數(shù)據(jù)相關的預測問題時有著比FNN更明顯的優(yōu)勢。在實際應用中，需要根據(jù)故障模型構建合適的RNN網(wǎng)絡結構，并需要兼顧快速性、魯棒性與準確性。

FNN的訓練過程通過后向傳播算法(BP)來實現(xiàn)，而RNN可以被看作是一個展開的多層FNN，這樣就需要依次在時間維上疊加對后向傳遞的結果。

假設輸入RNN的是長度為T的序列X，并且RNN的輸入層、隱含層與輸出層的神經(jīng)元個數(shù)分別是為I、H與K。

那么RNN前向傳播算法公式如(1)～(3)所示：

(1)

(2)

(3)

對于RNN的時間后向傳播算法，首先要定義損失函數(shù)對神經(jīng)元j在時刻t輸入值的偏導數(shù)，如式(4)～(6)所示：

(4)

(5)

(6)

從RNN的訓練過程可以看出，RNN能夠?qū)斎霐?shù)據(jù)的序列特性進行“記憶”，因此更適合于解決時間序列問題[10]。

1.3.2 異常點檢測

通常，神經(jīng)網(wǎng)絡訓練時需要使用大量的帶標簽樣本，而獲取大量有標簽樣本不僅耗費人力物力，難度也較大。因此，這里使用一種逐步逼近的神經(jīng)網(wǎng)絡訓練算法——異常點檢測算法來對故障數(shù)據(jù)樣本給定標簽。使用該算法能夠在短時間內(nèi)獲得樣本的標簽，能夠提高效率。

圖2 故障信號變化過程

大部分故障信號變化通常不是突然的，而是漸進的、緩慢的過程，如圖2所示，A點稱為故障趨勢起始點，在此之前，設備狀態(tài)是健康的，A點表示故障趨勢開始的時間，此時故障信號會有微小的變化，但設備仍能正常運行。到B點時，故障信號已經(jīng)達到故障閾值，并且故障信號的變化開始由平緩趨于劇烈，設備將受到損壞。因此在建立故障模型時，可以使用指數(shù)函數(shù)來近似表達故障嚴重程度?；赗NN的故障預測算法針對這一故障變化趨勢建立了指數(shù)型故障預測模型，并利用異常點檢測算法對樣本數(shù)據(jù)進行反復迭代，從而逐次逼近得出故障發(fā)生前信號微小變化的時間，進而達到對設備故障進行預測的目的。

實際應用中，在故障信號有微小的變化的時候檢測出故障趨勢起始點A，接著檢測故障真正發(fā)生的點B，在T=B-A時間段對應的樣本貼上[0.1-1]的標簽。異常點檢測流程如圖3所示，具體做法為：

1)確定輸入輸出向量，建立RNN，確定神經(jīng)元數(shù)目和隱藏層層數(shù)。

2)確定第一次訓練的假想異常點v1。

首先根據(jù)經(jīng)驗選取異常點時刻v，且v點在時間上要偏晚，以確保有故障趨勢發(fā)生，v點與故障趨勢起始點A之間的一段時間稱為時間裕量M，將數(shù)據(jù)輸入RNN模型進行訓練。第一次訓練時，時間裕量M內(nèi)的數(shù)據(jù)不放入RNN模型進行訓練。

圖3 異常點檢測流程圖

3)用函數(shù)P(t)對數(shù)據(jù)進行賦值。

從異常點v1到故障發(fā)生時刻B，按照式(7)利用函數(shù)P(t)對其進行賦值，故障模型時域為T=B-v1。

(7)

假定選定從v1時刻開始，將異常時刻v1的輸出值用P賦值，并令P值的變化與實際故障的變化趨勢相同，都是由平緩趨于劇烈的指數(shù)函數(shù)形式。留出時間裕量M的原因是真實的異常點A處于該時間段M內(nèi)，此時并不能給出該段時間內(nèi)的恰當?shù)腜值，因為不管P值超前或者滯后，都意味著在v-A這段時間中的數(shù)據(jù)會得到錯誤的P值。

由于猜想的異常點v是偏晚的，所以實際的P值要比公式(7)中的結果大一些。按式(8)對式(7)進行修正：

(8)

其中：自變量t表示從出現(xiàn)故障趨勢開始后的時間，B表示故障發(fā)生的時刻，v表示最終更新的異常點時刻。

5)將訓練數(shù)據(jù)放入網(wǎng)絡進行訓練，測試并觀察輸出值，調(diào)整網(wǎng)絡權值。

第一次訓練完成后，RNN網(wǎng)絡已經(jīng)具有初步的故障預測能力，再放入數(shù)據(jù)，測試并觀察輸出值。

8)停止更新v值，此時的v值已經(jīng)無限接近于故障趨勢起始點A的時刻，再根據(jù)最終的v值訓練神經(jīng)網(wǎng)絡?？梢?，此過程是一個逐次逼近的過程。

檢驗是否為故障趨勢起始點可依據(jù)式(9)進行，待定時間點的輸出值Pd若大于設備健康狀態(tài)時的輸出平均值相，則為故障趨勢起始點。

(9)

其中：Pd為待定點輸出值，Pk為k時刻健康狀態(tài)輸出值，s為比例系數(shù)。為防止將健康狀態(tài)誤判為具有故障趨勢的點，通常將s設定為略大于1，n為數(shù)據(jù)數(shù)目。

1.3.3 故障預測輸出

對于不同的設備，故障類型的數(shù)目不同，因此預測輸出的矩陣維數(shù)也不同。假設用于故障預測的設備有k種不同的故障類型，即a，b，c，，k，那么最終的預測輸出為:

其中：矩陣a，b，c到k的行表示預測的當前設備故障類型的概率。a，b，c，，k的值越接近1，故障發(fā)生的可能性就越大，i代表在不同時刻的狀態(tài)及當時故障預測的結果。

2 基于RNN的故障預測算法在GIS上的應用

本次氣體絕緣開關(GIS)信號取自某電廠，取其在190天內(nèi)傳感器采集的振動信號與局部放電信號作為歷史數(shù)據(jù)。在數(shù)據(jù)處理模塊中，使用數(shù)學函數(shù)賦值方法建立的樣本矩陣為：

將振動信號與局部放電信號數(shù)據(jù)錄入Matlab，并繪制波形，如圖4和圖5所示。當t=120天時，故障未發(fā)生，但開始有微小的信號變化；當t=140天時，故障發(fā)生。可以看出，故障發(fā)生后，t>140天時，信號變化較為明顯；當120天

圖4 振動傳感器信號

圖5 電流傳感器信號

在RNN識別模塊中，首先要建立故障預測模型。在最終確定RNN網(wǎng)絡結構之前，分別嘗試過使用不同層數(shù)的RNN網(wǎng)絡、改變每層的神經(jīng)元數(shù)量等來進行訓練。訓練結果顯示，網(wǎng)絡最終輸出的準確性以及響應速度與RNN網(wǎng)絡的結構關系很大。當每層神經(jīng)元數(shù)量增加到20個時，訓練耗時會增加，然而精度的提高卻不甚明顯。而當把RNN網(wǎng)絡層數(shù)增加到8層時，網(wǎng)絡訓練時間上升到13 s，訓練進行了27次重復訓練，訓練精度雖有所提高，但耗時大大增加。因此，確定RNN網(wǎng)絡結構時需要綜合考慮快速性與準確性。

因為振動與電流信號并不非常復雜，信號類型不多，因此選用的RNN結構相對簡單。選用的RNN由一個輸入層、四個隱含層和一個輸出層構成。

將時間在40～135天內(nèi)的數(shù)據(jù)作為異常點可能存在的區(qū)間，此區(qū)間的數(shù)據(jù)不放入網(wǎng)絡訓練。對故障發(fā)生前5個天的數(shù)據(jù)進行賦值，將賦值后的數(shù)據(jù)放入網(wǎng)絡訓練后，重新將所有數(shù)據(jù)放入網(wǎng)絡測試，訓練效果如圖6所示。

圖6 數(shù)據(jù)重新標簽前訓練效果

由圖6可見，整個RNN網(wǎng)絡的訓練過程一共耗時1 s，訓練期間重復了29次。在第23次訓練時，得到了最好的訓練效果。訓練后得到的結果如表1所示。

表1 時間裕度 M1=5時的輸出

由表1可知，健康狀態(tài)的輸出均值為0.029 4，取比例系數(shù)s=1.3，可以看出時間在131～135的5個數(shù)據(jù)中，有3個滿足式(9)，于是將時間在131～140的數(shù)據(jù)重新標簽，并用于網(wǎng)絡訓練。重新將所有數(shù)據(jù)進行測試，訓練結果如圖7所示。

圖7 數(shù)據(jù)重新標簽后訓練效果

由圖7可見，此次訓練的最小均方誤差比第一次小，并且在訓練過程中不斷收斂，取得了較好的效果。訓練結果如表2所示。

表2 時間裕度M2=10時的輸出

圖8 最終預測結果

此時126～130天的輸出均滿足式(9)。將數(shù)據(jù)重新標簽后，再次訓練并測試網(wǎng)絡，直到找出真正的異常點時刻T=120。最終的預測結果見圖8，橫坐標是時間，縱坐標是P值?？梢钥闯?，在t<120時，可以認為P為0；當t>120時(故障趨勢開始)，P值開始變大，直到t=140(故障發(fā)生時)，P值到達1，網(wǎng)絡能很好地分辨出t=120前后的健康狀態(tài)和之后的異常狀態(tài)。

3 結束語

針對設備極其微小的故障趨勢，設計了基于RNN的故障預測算法。通過在GIS上應用，驗證了該算法對時間序列數(shù)據(jù)具有強大的擬合能力，訓練后的系統(tǒng)能在故障發(fā)生前給出故障發(fā)生的概率，準確地預測故障類型，實現(xiàn)了故障預測功能。