王家能周治平

(1.江南大學(xué)物聯(lián)網(wǎng)學(xué)院，江蘇 無錫214122；2.江南大學(xué)物聯(lián)網(wǎng)技術(shù)應(yīng)用教育部工程研究中心，江蘇 無錫214122)

工業(yè)4.0 時代背景下，工業(yè)多傳感器信息物理系統(tǒng)(CPS)實(shí)現(xiàn)了網(wǎng)絡(luò)計算和傳感網(wǎng)絡(luò)的協(xié)同運(yùn)行[1]，將工業(yè)網(wǎng)格化的傳感設(shè)備帶入智能控制時代。 隨著CPS 傳感系統(tǒng)的廣泛使用，故障檢測和運(yùn)行維護(hù)在當(dāng)今工業(yè)環(huán)境下具有非凡意義[2]。 為了確保CPS 傳感系統(tǒng)能夠平穩(wěn)運(yùn)行并且得到實(shí)時的安全性能反饋信息[3]，建立實(shí)時故障監(jiān)測健康管理系統(tǒng)(PHM)[4]成為新的研究熱點(diǎn)。

CPS 各子系統(tǒng)配備有網(wǎng)絡(luò)化布局的傳感器，自動化生產(chǎn)線會產(chǎn)生大量實(shí)時傳感器數(shù)據(jù)，深度學(xué)習(xí)處理這些數(shù)據(jù)可以凸顯其計算優(yōu)勢[5]。 近年來，基于神經(jīng)網(wǎng)絡(luò)的可靠預(yù)測方法在傳感器故障檢測領(lǐng)域得到廣泛應(yīng)用[6]。 Zhang 等人提出了一種多目標(biāo)進(jìn)化集成學(xué)習(xí)框架和DBN 算法相結(jié)合的剩余使用壽命方法，取得較好性能[7]。 Wu 等人結(jié)合LSTM 和動態(tài)差分特征建立發(fā)動機(jī)RUL 預(yù)測模型[8]，根據(jù)動態(tài)差分系數(shù)提高預(yù)測精度。 Namuduri 等人重點(diǎn)研究工業(yè)傳感器的故障預(yù)測，使用LSTM 網(wǎng)絡(luò)獲得較高的準(zhǔn)確性[9]。 在健康管理PHM 研究上，Wang 使用相似評估方法在對多傳感器故障預(yù)測領(lǐng)域十分有效[10]。 Guo 等人基于回歸神經(jīng)網(wǎng)絡(luò)設(shè)計傳感故障預(yù)測指示模型，充分利用回歸網(wǎng)絡(luò)的反饋優(yōu)勢，準(zhǔn)確預(yù)測故障警報時間[11]。 為了凸顯神經(jīng)網(wǎng)絡(luò)的計算優(yōu)勢，更多的研究趨向于對神經(jīng)網(wǎng)絡(luò)的改進(jìn)。 Yu 等人改進(jìn)了雙向回歸神經(jīng)網(wǎng)絡(luò)，將自編碼器結(jié)構(gòu)融入其中[12]。 Verstraete 等人采用半監(jiān)督式的深度對抗算法有效解決多傳感器領(lǐng)域的系統(tǒng)維護(hù)，準(zhǔn)確預(yù)測故障時間[13]。 Zhang 等人從系統(tǒng)的動態(tài)性能出發(fā)，建立LSTM 的系統(tǒng)壽命預(yù)測模型，對實(shí)時數(shù)據(jù)進(jìn)行準(zhǔn)確預(yù)測[14]。 傳統(tǒng)傳感器系統(tǒng)故障預(yù)測方法無法有效屏蔽無用信息的影響，無法滿足現(xiàn)代CPS 系統(tǒng)多傳感器的實(shí)時性要求。

工業(yè)傳感器系統(tǒng)出現(xiàn)故障的過程和時間的推移有密切關(guān)系，是緩慢的累積過程[15]。 因此，建立具有準(zhǔn)確實(shí)時性的故障預(yù)測模型，要從時間序列角度出發(fā)，提取影響因子較高的序列信息[16]。 傳統(tǒng)LSTM 在處理工業(yè)大數(shù)據(jù)集時存在如下問題:①神經(jīng)網(wǎng)絡(luò)在提取CPS 傳感器系統(tǒng)大量長序列的特征信息時，無法準(zhǔn)確捕捉傳感器的噪聲信息并對其進(jìn)行屏蔽，使其處理效率低下。 ②實(shí)際傳感信息融合系統(tǒng)的故障預(yù)測模型對實(shí)時性要求較高，而傳統(tǒng)方法無法對海量數(shù)據(jù)進(jìn)行在線更新，在故障真實(shí)發(fā)生時，很難對控制中心發(fā)出及時反饋警報[17]。

針對傳統(tǒng)方法存在的問題，本文主要從稀疏神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的角度出發(fā)，滿足實(shí)時性要求，減少網(wǎng)絡(luò)訓(xùn)練的計算量[18]。 本文設(shè)計的模型包含三個部分:①首先介紹實(shí)際場景中多傳感器模型以及瞬態(tài)故障類型；②其次設(shè)計內(nèi)置稀疏單元，實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)快速計算，使用稀疏單元改進(jìn)傳統(tǒng)遺忘門，建立內(nèi)置稀疏單元的長短時記憶網(wǎng)絡(luò)(ISU-LSTM)預(yù)測模型；③最后設(shè)計故障預(yù)測的在線監(jiān)測系統(tǒng)，在系統(tǒng)運(yùn)行中時刻監(jiān)測其安全性能。

1 多傳感器模型

含有拓?fù)鋫鞲薪Y(jié)構(gòu)的CPS 系統(tǒng)的數(shù)據(jù)傳輸流程:傳感器測量到的物理數(shù)據(jù)傳輸?shù)娇刂浦行?，控制中心得到該?shù)據(jù)信息，使用故障預(yù)測算法計算得到?jīng)Q策結(jié)果并且反饋給與之耦合的執(zhí)行器，最終執(zhí)行器執(zhí)行最后的決策結(jié)果并且做出故障警告，完成全部故障預(yù)測流程。

本文研究對象是測量相同變量的多個傳感器組成的CPS 系統(tǒng)，該系統(tǒng)以周期性的形式(T)采集傳感器上傳的數(shù)據(jù)，完成模型訓(xùn)練和在線更新預(yù)測模型。 根據(jù)已知的動力學(xué)公式，建立CPS 離散線性時不變系統(tǒng):

式中:定義xt＝(xt1，xt2，xt3，…，xtn)∈Rn為t時刻狀態(tài)，ut＝(ut1，ut2，ut3，…，utp)∈Rp為控制系統(tǒng)的輸入數(shù)據(jù)；yt∈Rm為輸出數(shù)據(jù)；ωt∈Rq和vt∈Rl分別為干擾數(shù)據(jù)和系統(tǒng)噪聲；A∈Rn×m、B∈Rn×p、C∈Rm×n分別是系統(tǒng)的狀態(tài)矩陣、輸入和輸出矩陣。

傳感器模型的抽象區(qū)間定義了傳感器測得數(shù)據(jù)的精度范圍，每個傳感器測量特定物理對象的數(shù)值在一定區(qū)間內(nèi)[Si(t)-δi，Si(t)＋δi]，Si(t)表示t時刻傳感器測量值，δi表示容錯度，容錯度越小表示傳感器的安全性要求越高。 傳感器Si在t時刻真實(shí)值表示為τi(t)，如果測量值與真實(shí)值的偏差在容錯范圍之外，則定義在t時刻傳感器發(fā)生故障。

定義1(故障依據(jù)) 本文用傳感器測量與真實(shí)的差值δ(Si，t)作為衡量傳感器是否發(fā)生故障的依據(jù)。

式(2)中表示二者差值超出容錯精度范圍，此時定義傳感器發(fā)生故障。

定義2(假陽性故障) 第i組傳感器的假陽性故障并非真實(shí)故障，由三元組構(gòu)成:(δi，ξi，wi)，δi是容錯度，(ξi，wi)是假陽性閾值，其值表示在任意時間范圍為wi的窗口中存在ξi個測量故障值。 假陽性閾值(ξi，wi)定義假陽性故障和真實(shí)故障邊界值，在任意wi區(qū)間范圍內(nèi)，故障點(diǎn)小于閾值的現(xiàn)象稱為假陽性故障，反之為真實(shí)故障。 假陽性故障F(Si，t)用式(3)表示:

故障檢測僅考慮陽性故障的節(jié)點(diǎn)，因此，傳感器Si系統(tǒng)在運(yùn)行過程中至少出現(xiàn)一次陽性故障，即可稱之為此時發(fā)生真實(shí)故障。 算法目標(biāo)就是排除假陽性故障和無故障，準(zhǔn)確預(yù)測真實(shí)故障節(jié)點(diǎn)。

2 ISU-LSTM 故障預(yù)測算法

ISU-LSTM 網(wǎng)絡(luò)集中研究了稀疏長短時記憶的網(wǎng)絡(luò)結(jié)構(gòu)。 預(yù)測模型分為2 步:離線預(yù)測模型和在線監(jiān)測，滿足傳感器運(yùn)行中對實(shí)時檢測的要求。

2.1 正則轉(zhuǎn)換門的稀疏原理

現(xiàn)有多傳感器系統(tǒng)生產(chǎn)中得到的時間序列數(shù)據(jù)存在較大的噪聲干擾，快速網(wǎng)絡(luò)中的稀疏門控單元高度識別噪聲信息和有效信息，排除假陽性故障。

2.1.1 內(nèi)置稀疏單元ISU

ISU 單元包含雙門結(jié)構(gòu):直通門(P 門)和正則門(R 門)，如圖1 所示。 P 門允許權(quán)重因子大于初始化閾值權(quán)重的數(shù)據(jù)通過門控單元；R 是正則門，該門控單元需要數(shù)據(jù)進(jìn)行正則變換計算選擇性通過，建立選擇性機(jī)制，排除假陽性故障的影響。

在ISU 單元當(dāng)中，雙門結(jié)構(gòu)協(xié)調(diào)聯(lián)動工作，稀疏門控單元的輸出由兩部分疊加組成，定義神經(jīng)元的輸出y，輸入為x。 可從式(4)中看出:

圖1 門控結(jié)構(gòu)圖

式中:σ(·)是sigmoid 激活函數(shù)，WR表示轉(zhuǎn)換門的權(quán)重矩陣，br表示故障偏置。

xt表示傳感器輸入信息，P(xt，WP)是P門的直通函數(shù)，二者乘積得到P門輸出端口信息；H(xt，Wh)是非線性變化權(quán)重矩陣，R(xt，WR)是R門的正則函數(shù)；根據(jù)式(4)可得到神經(jīng)元的激活度Sf。 ISU結(jié)構(gòu)單元如圖2 所示。

圖2 ISU 示意圖

本文設(shè)計的門控單元實(shí)質(zhì)上是對輸入信息矩陣[ht-1，xt]的權(quán)重輸出表示，當(dāng)門控函數(shù)是0 時，表示該神經(jīng)元的偏置和權(quán)重矩陣在此次訓(xùn)練中沒有得到故障更新訓(xùn)練；反之為1 時表示傳感器信號全部通過稀疏門控單元；當(dāng)門控單元屬于半開半閉狀態(tài)下對傳感器信號進(jìn)行權(quán)重篩選，排除假陽性故障，捕捉潛在故障節(jié)點(diǎn)。

2.1.2 轉(zhuǎn)換門正則化

對于潛在的真實(shí)故障數(shù)據(jù)，本文采用正則化的方法對其進(jìn)行訓(xùn)練。 正則化用組套索正則化的方法來實(shí)現(xiàn)變量組的稀疏，使得變量組別同時為零或同時不為零。 組套索正則化方法將一個神經(jīng)元的所有輸出權(quán)值作為同一組，用優(yōu)化算法將輸出權(quán)值全部排除。

套索正則化方法的核心內(nèi)容是考慮三個組級的稀疏性:輸入組Gin、隱藏組Gh、偏置組Gb。 輸入組是所有傳感器輸入xt構(gòu)成的向量，隱藏組是所有隱藏層神經(jīng)元ht構(gòu)成的向量，偏置組是對應(yīng)網(wǎng)絡(luò)中偏置bR的一維組，輸出神經(jīng)元為y。 三種組級的權(quán)值分組策略如圖3 所示。

圖3 組套索正則化示意圖

組稀疏正則化可表達(dá)為:

式中:｜g｜是傳感器向量g的維度，它保證了每個組都得到統(tǒng)一加權(quán)。 相對于l1范數(shù)的次優(yōu)解稀疏方法，式(5)中對于正則化表示采用的是絕對值的形式。 此方法優(yōu)勢在于讓更多的傳感器系數(shù)歸結(jié)為0，模型參數(shù)估計對多傳感器進(jìn)行變量選擇，加快收斂速度。 因此，組稀疏正則化用標(biāo)準(zhǔn)一階優(yōu)化獲得較好的收斂性。

最后，總結(jié)出稀疏組套索懲罰(SGL)分別由l1和l2，1懲罰項(xiàng)的疊加構(gòu)成:

SGL 懲罰與構(gòu)成它的范數(shù)具有相同的性質(zhì)，通過式(6)即可輸出稀疏正則化門的最優(yōu)故障解。

2.2 離線ISU-LSTM 預(yù)測算法

長短時記憶網(wǎng)絡(luò)具有時間順序的關(guān)聯(lián)性特點(diǎn)，將傳感器序列特征傳入LSTM 網(wǎng)絡(luò)中計算得到隱含層輸出。 接著通過隱含層和全連接層的關(guān)聯(lián)獲得N_classes 分類結(jié)果，最后通過softmax 函數(shù)預(yù)測出傳感器故障信息。

網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖4 所示，在單一LSTM 網(wǎng)絡(luò)神經(jīng)元中，含有三個輸入，分別是上一時刻的長期記憶單元Ct-1、短期記憶單元Ht-1和傳感器輸入信息Xt。

內(nèi)置稀疏單元LSTM 網(wǎng)絡(luò)分為三個階段，第一階段是稀疏遺忘階段，上一層神經(jīng)元輸出的信息輸入到該單元時，記憶單元Ct-1將會遺失部分內(nèi)容。用式(7)表達(dá)為:

圖4 嵌入稀疏單元的LSTM 模型

式中:WRx和WRh分別表示對傳感器信號Xt和隱藏層長期記憶單元Ct-1的權(quán)重矩陣，bR是R門的偏置，σ(·)是sigmoid 激活函數(shù)。

內(nèi)置稀疏單元輸出結(jié)果ft取代遺忘門輸出，ft與上層神經(jīng)單元的長期記憶單元點(diǎn)乘來排除假陽性信息，其中⊙是元素點(diǎn)乘。 用式(8)表示:

第二階段是輸入選擇階段，此階段對短期輸入信息進(jìn)行篩選，差值超出容錯度的傳感器信號元素權(quán)重會比假陽性信號大，用式(9)表示:

雙曲正切函數(shù)tanh 對輸入信息Xt進(jìn)行縮放處理，計算出當(dāng)前時刻的長期記憶單元Ct:

第三階段是輸出匯總階段，該階段對稀疏階段的傳感器信息進(jìn)行匯總，用式(12)表示:

該階段最終輸出是由長期記憶單元和輸出門的輸出ot決定，用式(13)所示:

tanh(·)表示雙曲正切函數(shù)。W表示權(quán)重矩陣，通過權(quán)重矩陣，輸入更新ut與三個門(it，ft，ot)用變量隱藏層單元ht-1和輸入xt來表示。

最后，將模型的輸出ht采用softmax 函數(shù)回歸的方式得到故障預(yù)測結(jié)果的概率分布:

K表示故障預(yù)測結(jié)果分類區(qū)域，K＝[0，1](0 表示正常特征)。

整個模型得到的最終預(yù)測故障yt用式(15)表示:

2.3 系統(tǒng)故障在線監(jiān)測模型的實(shí)現(xiàn)

本文設(shè)計故障預(yù)測的實(shí)時監(jiān)測模型的目的是建立逐步優(yōu)化的神經(jīng)網(wǎng)絡(luò)架構(gòu)，能夠?qū)鞲邢到y(tǒng)進(jìn)行實(shí)時在線維護(hù)。 實(shí)時監(jiān)測系統(tǒng)采用均方根誤差(MSE)作為優(yōu)化指標(biāo)，對網(wǎng)絡(luò)層參數(shù)進(jìn)行優(yōu)化，通過迭代實(shí)現(xiàn)故障預(yù)測結(jié)果和實(shí)際故障警報時間相一致，排除假陽性故障。

本文將輸入的傳感器樣本分為兩類X1和X2。X1作為訓(xùn)練數(shù)據(jù)，在每層神經(jīng)元中得到隱含神經(jīng)元的記憶單元ht和傳感器標(biāo)簽Lt直接的轉(zhuǎn)換關(guān)系:

A表示兩者之間的轉(zhuǎn)移矩陣，它代表了神經(jīng)元記憶單元和傳感器標(biāo)簽之間一一映射。 經(jīng)過一定矩陣變換得到映射轉(zhuǎn)移矩陣A的表達(dá)式:

根據(jù)不斷深入的網(wǎng)絡(luò)隱藏層和傳感器標(biāo)簽得到相對應(yīng)的映射轉(zhuǎn)移矩陣。 針對測試數(shù)據(jù)L2，神經(jīng)網(wǎng)絡(luò)根據(jù)隱藏層之間的關(guān)聯(lián)參數(shù)θ＝{W，a，b}，得到t時刻隱藏層神經(jīng)單元狀態(tài)ht，結(jié)合訓(xùn)練樣本中得到的映射轉(zhuǎn)移矩陣A，表達(dá)出測試樣本L2表達(dá)式:

L2是網(wǎng)絡(luò)測試中得到的預(yù)測值，表示傳感器真實(shí)值，雖然實(shí)時傳感器數(shù)據(jù)沒有標(biāo)簽，但通過縮小MSE 的方法實(shí)現(xiàn)測試優(yōu)化，獲得更趨近真實(shí)的數(shù)據(jù)曲線。 用式(19)表示:

N表示傳感器總維數(shù)，通過不斷縮小MSE 的值來優(yōu)化網(wǎng)絡(luò)隱含層的參數(shù)，在更新中獲得最優(yōu)映射矩陣。

本文設(shè)計的實(shí)時傳感器監(jiān)測系統(tǒng)框圖如圖5 所示，實(shí)時監(jiān)測模型具體實(shí)現(xiàn)步驟如下:

步驟1 對傳感器信號進(jìn)行傅里葉變換，并對其進(jìn)行歸一化處理，得到統(tǒng)一的幅值數(shù)據(jù)。

步驟2 初始化神經(jīng)網(wǎng)絡(luò)中的參數(shù):容錯度δi、假陽性閾值(ξi，wi)、均方誤差閾值MSEmax、權(quán)重矩陣Wh、偏置b等，設(shè)定合適的迭代次數(shù)和誤差閾值等超參數(shù)值。

圖5 實(shí)時監(jiān)測系統(tǒng)流程框圖

步驟3 根據(jù)部分傳感器數(shù)據(jù)和真實(shí)標(biāo)簽訓(xùn)練原始網(wǎng)絡(luò)，獲得初始全監(jiān)督預(yù)測網(wǎng)絡(luò)。

步驟4 將實(shí)時周期數(shù)據(jù)作為輸入，根據(jù)式(13)得到輸出信息ht。

步驟5 根據(jù)當(dāng)前時刻預(yù)測值與下一周期真實(shí)值的均方誤差公式得到不同時刻的均方根誤差指標(biāo)MSE。

步驟6 在訓(xùn)練下一采樣周期的實(shí)時數(shù)據(jù)時，將已訓(xùn)練好的網(wǎng)絡(luò)作為該周期的初始預(yù)測模型。 使用最小化均方誤差的方法迭代更新網(wǎng)絡(luò)參數(shù)；

步驟7 假如符合條件MSE

步驟8 不停迭代直到預(yù)測值與真實(shí)值吻合，此時確定故障信息預(yù)測值并且對控制中心傳遞警報信息。

通過本文算法訓(xùn)練數(shù)據(jù)集，得到前向運(yùn)算值MSE。 將實(shí)時MSE 值來與參數(shù)初始化的閾值進(jìn)行比較，通過不斷迭代減小誤差結(jié)果，獲得最優(yōu)的故障預(yù)測結(jié)果。

3 工業(yè)CPS 系統(tǒng)故障仿真測試

本文首先通過仿真?zhèn)鞲衅鲾?shù)據(jù)進(jìn)行算法的有效性分析，通過真實(shí)的案例研究對算法的有效性進(jìn)行驗(yàn)證。 實(shí)驗(yàn)數(shù)據(jù)集為預(yù)測與健康管理國際會議(PHM08)上舉行的數(shù)據(jù)挑戰(zhàn)競賽上CPS 傳感器相關(guān)數(shù)據(jù)。 本章通過與改進(jìn)神經(jīng)算法預(yù)測模型進(jìn)行對比來驗(yàn)證提出方法的有效性，與LSTM、文獻(xiàn)[19-21]中BiLSTM、C-LSTM 和StBiLSTM 等經(jīng)典預(yù)測傳感器RUL 模型的對比。

3.1 算法參數(shù)選擇

故障預(yù)測模型的核心部分是對系統(tǒng)的剩余使用壽命的準(zhǔn)確預(yù)估。 RUL 的數(shù)值實(shí)質(zhì)上是一種概率統(tǒng)計數(shù)據(jù)，其預(yù)測模型的輸入是傳感器的數(shù)據(jù)提取特征。

用式(20)表示RUL 數(shù)值:

TEOL是多傳感器系統(tǒng)退化到故障閾值的生產(chǎn)總周期；TECL表示多傳感器系統(tǒng)當(dāng)前時刻已經(jīng)運(yùn)行的周期，即RUL 的檢測起始點(diǎn)。 網(wǎng)絡(luò)訓(xùn)練時的初始化參數(shù)如表1 所示，模型參數(shù)的選擇依據(jù)相關(guān)文獻(xiàn)[8]LSTM 網(wǎng)絡(luò)的常規(guī)化初始數(shù)據(jù)，偏置參數(shù)的初始值選用為0。

表1 神經(jīng)網(wǎng)絡(luò)ISU-LSTM 模型參數(shù)

輸入輸出維度依據(jù)所選用的多傳感器系統(tǒng)數(shù)據(jù)集的維度，對于18 個傳感器，標(biāo)號為1、4、5、13 和15的傳感器在運(yùn)行全過程中測量具有恒定值，證明傳感器測量數(shù)值與發(fā)動機(jī)退化無關(guān)。 將剩余13 位傳感器數(shù)據(jù)作為預(yù)測模型輸入，最終得到一維真實(shí)故障概率發(fā)布P(yt＝k)。

3.2 預(yù)測性能分析

為了模擬真實(shí)場景下的故障檢測場景，本文選取每個傳感器數(shù)量都是隨機(jī)的，每個維度傳感器選用400 個測量數(shù)據(jù)。 為了獲得魯棒的假陽性故障模型參數(shù)，降低實(shí)驗(yàn)結(jié)果的偶然性，實(shí)驗(yàn)采用隨機(jī)任意的時間窗口進(jìn)行訓(xùn)練和測試。 表2 中發(fā)現(xiàn)本文算法采用有效篩選真實(shí)故障信息的正則門方法，使得RUL預(yù)測較為精確，壽命預(yù)測結(jié)果為79，而真實(shí)使用壽命大概是80。 文獻(xiàn)[20-21]分別在第1 520 周期和1 675 周期時刻檢測出系統(tǒng)的故障信息，本文方法在第1 770 采樣周期內(nèi)檢測出系統(tǒng)異常并發(fā)出危險警報。

表2 不同算法中的預(yù)測壽命有效性對比

相對于沒有添加在線監(jiān)測模塊的ISU-LSTM 網(wǎng)絡(luò)，篩選掉噪聲信息的作用不僅可以降低神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間，而且剔除假陽性故障F(Si，t)對于真實(shí)故障的影響。 實(shí)驗(yàn)結(jié)果顯示在線監(jiān)測模塊的添加將訓(xùn)練時間縮短近5 s，故障檢測精度提高3.5%。

為了驗(yàn)證本文網(wǎng)絡(luò)算法的傳感器故障預(yù)測性能，實(shí)驗(yàn)結(jié)果選用預(yù)測準(zhǔn)確性和誤檢率來分別作為預(yù)測算法的優(yōu)劣指標(biāo)。 PF、IF、CF 分別代表永久故障、瞬態(tài)故障和間歇故障，本文通過不同算法在不同故障類型的檢測精度和誤檢精度上進(jìn)行比較。

圖6 和圖7 中顯示，本文有效解決算法處理大數(shù)據(jù)存在的梯度下降問題，三個故障預(yù)測類型的精度都能穩(wěn)定在95%以上，相對于其他算法有較大的提升。 誤檢率的實(shí)驗(yàn)結(jié)果顯示數(shù)據(jù)在瞬態(tài)故障發(fā)生時的區(qū)分度較低，預(yù)測誤檢率較高。

圖6 不同故障的預(yù)測準(zhǔn)確率度對比

圖7 不同故障的預(yù)測誤檢率對比

本文算法考慮到假陽性故障帶來的影響，加入ISU 單元過濾掉傳感器噪聲信息，降低誤報率。 實(shí)驗(yàn)結(jié)果關(guān)注對傳感器假陽性故障誤檢為真實(shí)故障的誤檢率。 從圖8 中可以看出，本文算法誤檢率可以降到10%以下，相對于其他算法，能較精確的檢測出假陽性故障的發(fā)生，并將其篩選出來。

圖8 假陽性故障預(yù)測精度對比

故障預(yù)測的準(zhǔn)確性還需要將預(yù)期樣本的數(shù)量與實(shí)際樣本總數(shù)量的比例系數(shù)來判斷預(yù)測模型的優(yōu)劣。 式(19)中MSE 表示均方根誤差系數(shù)，指標(biāo)Kappa 表示預(yù)測識別率，用式(21)表示:

式中:po表示整體樣本的預(yù)測精度，pe表示預(yù)測樣本和真實(shí)樣本一致的概率。k的大小衡量了模型預(yù)測的一致性。 針對參數(shù)指標(biāo)MSE 的評價指標(biāo)，本文添加參數(shù)調(diào)整優(yōu)化模型的方法，通過迭代不斷的縮小MSE 值，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和有添加在線監(jiān)測模塊的ISU-LSTM 算法相比，MSE 參數(shù)迭代的誤差更小，檢驗(yàn)的預(yù)測一致性系數(shù)Kappa 更高。

表3 不同算法中的誤差系數(shù)對比

圖9、圖10 分別是不同算法的故障預(yù)測指標(biāo)趨勢曲線圖，根據(jù)對MSE 和RUL 的趨勢圖發(fā)現(xiàn)本文算法相對于其他算法的優(yōu)越性。

圖9 不同算法的MSE 對比

圖10 不同算法的RUL 對比

根據(jù)實(shí)驗(yàn)結(jié)果分析得到?jīng)]有添加檢測模型的ISU-LSTM 算法雖然在預(yù)測RUL 準(zhǔn)確性上與本文算法沒有太大差別，但由于沒有參數(shù)調(diào)整優(yōu)化的過程，與添加了在線模型存在較大的差距，本文算法得到的剩余使用壽命的預(yù)測趨勢曲線更逼近于真實(shí)值。

4 結(jié)語

本文受到快速網(wǎng)絡(luò)的啟發(fā)，改進(jìn)LSTM 中遺忘門結(jié)構(gòu)，設(shè)計了一種含有內(nèi)置稀疏單元的ISU-LSTM網(wǎng)絡(luò)模型。 一方面，網(wǎng)絡(luò)引入了雙門控內(nèi)置稀疏單元，改變了傳統(tǒng)遺忘門結(jié)構(gòu)接納無用信息的劣勢，最大化剔除假陽性故障影響；另一方面，采用實(shí)時監(jiān)測故障模塊能有效在線監(jiān)測系統(tǒng)運(yùn)作中可能存在的故障隱患，保證故障預(yù)測的實(shí)時性要求。 針對工業(yè)傳感系統(tǒng)對故障預(yù)測實(shí)時性的巨大需求，ISU-LSTM 算法摒棄傳統(tǒng)LSTM 繁瑣的訓(xùn)練模式，加入稀疏優(yōu)化單元，極大提高網(wǎng)絡(luò)的訓(xùn)練速度，在多傳感CPS 系統(tǒng)的故障預(yù)測領(lǐng)域取得較好的預(yù)測結(jié)果。