戴明 湯浩 許坤

（1、南京恒星自動化設(shè)備有限公司，江蘇 南京 211135 2、中國鐵路上海局集團有限公司 南京供電段，江蘇 南京 210011 3、中國鐵路西安局集團有限公司，陜西 西安 710000）

1 概述

隨著科技發(fā)展和生產(chǎn)力進步，鐵路變壓器日益朝著智能化、復雜化及自動化發(fā)展，并且得到廣泛應(yīng)用。鐵路變壓器一旦發(fā)生故障，維修成本高，往往造成不必要的經(jīng)濟損失，甚至重大事故。因此，為保障鐵路變壓器的安全可靠性，實現(xiàn)對變壓器健康狀態(tài)的可靠預測便顯得尤為重要，即實現(xiàn)對鐵路變壓器的剩余使用壽命(Remaining useful life，RUL)預測?；趬勖A測結(jié)果提前預測設(shè)備的失效時間，進而提前安排鐵路變壓器維護，降低供電設(shè)備突然失效而帶來的風險，提升鐵路運行整體可靠性。

目前，許多學者和機構(gòu)開展了鐵路變壓器剩余壽命預測研究，并取得了許多成果。鐵路變壓器壽命預測方法可分為基于物理失效機制模型和基于數(shù)據(jù)驅(qū)動模型?；谖锢硎C制模型通過供電設(shè)備退化機制或失效方式構(gòu)建數(shù)學退化模型，如一種基于能量參數(shù)的設(shè)備損傷缺口的退化評估模型；另一種基于無偏灰色馬爾可夫鏈的設(shè)備性能退化。然而隨著鐵路變壓器復雜化的發(fā)展趨勢，設(shè)備的失效機制越來越復雜，此時難以建立一種明確的數(shù)學模型去描述設(shè)備的物理退化過程，因此，基于物理失效機制的模型也就很難對設(shè)備的剩余壽命做準確預測。

基于數(shù)據(jù)驅(qū)動的壽命預測方法不依賴設(shè)備的物理失效機制和專家知識，而是在基于設(shè)備性能退化數(shù)據(jù)的基礎(chǔ)上直接識別設(shè)備的故障特征，進而對設(shè)備的剩余壽命做出準確預測。如一種基于PCA 和DNN 融合的設(shè)備微小故障早期診斷和壽命預測方法；一種基于Wiener 過程及Logistic 概率分布融合方法的設(shè)備壽命預測方法；另一種多分類概率ELMs 模型，基于sigmoid 后驗概率映射和Lagrange 成對耦合法，可實現(xiàn)對變壓器剩余壽命的準確預測。

然而上述基于機器學習的數(shù)據(jù)驅(qū)動方法無法從原始數(shù)據(jù)中直接識別故障特征，依賴信號處理及診斷專家先驗知識，可能造成識別的故障特征僅適用于某些特定場合。此外，機器學習模型通常為淺層架構(gòu)，僅含一個隱藏層，處理非線性問題能力有限，面臨復雜的變壓器故障時無法做出準確診斷及預測。而深度學習，作為機器學習領(lǐng)域的最新成果，采用深層網(wǎng)絡(luò)架構(gòu)，更強數(shù)據(jù)表達能力，可直接從原始數(shù)據(jù)中識別深層次抽象特征表達，為實現(xiàn)鐵路變壓器剩余壽命智能化預測提供了新思路。因此，本文提出了一種基于長短時記憶網(wǎng)絡(luò)(LSTM)的鐵路變壓器剩余壽命預測方法，可直接從原始數(shù)據(jù)中識別故障特征，進而對設(shè)備剩余壽命做出準確預測。

2 基于LSTM 的鐵路變壓器壽命預測模型

2.1 LSTM 模型

鐵路變壓器監(jiān)測傳感器數(shù)據(jù)包括油溫、油中烴類氣體類型和含量、振動、油中水質(zhì)量分數(shù)等多種不同類型信息，而LSTM網(wǎng)絡(luò)可將輸入的變壓器的傳感器數(shù)據(jù)進行一系列非線性變換，進而識別變壓器深層次的故障演化趨勢，基于識別的故障演變趨勢對變壓器的剩余壽命做出準確預測。

LSTM 是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變體，在循環(huán)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上多了一個“門控裝置”，LSTM 被提出是解決隨著循環(huán)神經(jīng)網(wǎng)絡(luò)中存儲的時間信息增加，而產(chǎn)生的梯度消失或梯度爆炸的長期依賴問題，在傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的隱含層中加入了記憶單元來代替隱含層神經(jīng)元。LSTM 網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1 所示。

圖1 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)圖

LSTM 的重點是在圖1 中的記憶“傳送帶”部分，即長期記憶單元模塊ct，它一直處于整個LSTM 的鏈式系統(tǒng)中，因為它自身的狀態(tài)在不斷更新，能夠長期攜帶記憶信號，因而解決了RNN 中的長期依賴問題，使得時序信息可以很有效的被LSTM網(wǎng)絡(luò)利用，使得LSTM 神經(jīng)網(wǎng)絡(luò)在時間序列預測方面有著很大的優(yōu)勢。

2.2 模型優(yōu)化

特征縮放是壓縮數(shù)據(jù)集中差異很大的特征值到較小區(qū)間的方法，一般在數(shù)據(jù)預處理流程期間使用。高鐵變壓器傳感器信息數(shù)值范圍差別很大，對LSTM 網(wǎng)絡(luò)識別變壓器故障特征產(chǎn)生不利影響。運用特征縮放的前提是原始數(shù)據(jù)的具體數(shù)值間的范圍差異很大，在LSTM 網(wǎng)絡(luò)算法中，使用特征縮放可加快模型收斂。

最小-最大規(guī)范化也稱為最小-最大縮放，包括重新縮放特征范圍以縮放為[0,1]或[-1,1]中的范圍。選擇目標范圍取決于數(shù)據(jù)性質(zhì)。將特征范圍縮小為[0,1]之間的最小-最大縮放公式為：

其中x 為原始特征值，x'為規(guī)范化后的特征值。

3 實驗結(jié)果分析

3.1 實驗數(shù)據(jù)集

實驗數(shù)據(jù)集被劃分為訓練子集和測試子集以及RUL 子集，每個訓練子集和測試子集包含有26 列數(shù)據(jù)，第1 列ID 代表編號，第2 列cycle 是時間步，是該時間節(jié)點處于本運行周期的位置，在訓練集中指整個變壓器的壽命，在測試集中它是隨即停在某一時間步第3-5 列指的是3 種操作設(shè)定數(shù)據(jù)，第6-26 列代表了21 種傳感器數(shù)據(jù)。RUL 子集則是提供了測試子集的真實剩余壽命，用來與測試集測試結(jié)果對比。

3.2 數(shù)據(jù)預處理

實驗數(shù)據(jù)集數(shù)據(jù)排列雜亂無序，不利于數(shù)據(jù)演化特征的識別，因此，需要對數(shù)據(jù)集預處理，具體過程如下：

3.2.1 刪除常量值特征。數(shù)據(jù)集21 個傳感器數(shù)據(jù)中，部分數(shù)據(jù)在所有時間步都保持不變，表明其對變壓器剩余壽命無影響，故將其刪去。

3.2.2 特征縮放訓練預測變量。將訓練預測變量縮放為具有零均值和單位方差。特征縮放方法采用z-score 標準化方法。

3.2.3 裁剪響應(yīng)。為使模型更快從序列數(shù)據(jù)中進行訓練學習，以一定閾值對響應(yīng)進行裁剪。測試集數(shù)據(jù)處理完，訓練集數(shù)據(jù)繼續(xù)下一步。

3.2.4 準備填充數(shù)據(jù)。按照各序列的長度隊訓練數(shù)據(jù)進行排序，選擇合適的小批量大小盡可能平均劃分，減少劃分訓練數(shù)據(jù)后的填充量。

3.3 搭建網(wǎng)絡(luò)模型

本文構(gòu)造網(wǎng)絡(luò)包含兩個LSTM 層，第一個LSTM 層包含有200 個隱藏單元，第二個LSTM 包含50 個隱藏單元；兩個Dropout 層，丟棄率設(shè)置為0.5，一個大小為50 的全連接層，一個輸出大小為1 的全連接層作為網(wǎng)絡(luò)基本模型，具體網(wǎng)絡(luò)結(jié)構(gòu)如表1。

表1 網(wǎng)絡(luò)結(jié)構(gòu)描述

3.4 模型訓練

實驗采用LSTM 神經(jīng)網(wǎng)絡(luò)搭建訓練模型，平臺為Matlab 中的Deep Learning 工具箱。模型訓練參數(shù)的設(shè)定如下：Adam 優(yōu)化算法，學習率0.01，訓練次數(shù)60，梯度閾值1，最大迭代次數(shù)60。

3.5 模型預測

在模型預測中，采用均方根差評價指標，用來衡量預測值偏差，公式為：

其中，yi代表真實值，y^i代表預測值。

在模型預測中，為防止函數(shù)自動填充數(shù)據(jù)，指定小批量大小為1。利用訓練好的模型對測試集中隨機時間序列，利用每一時間節(jié)點特征值進行壽命預測，預測時不斷更新網(wǎng)絡(luò)狀態(tài)。預測的最后一個元素對應(yīng)于部分序列的預測RUL 隨機選擇一個變壓器預測，其結(jié)果如圖2。

圖2 變壓器RUL 預測結(jié)果

在圖2 中，虛線為變壓器隨時間增加剩余壽命變化情況，直線表示處于健康狀態(tài)，折線表示逐漸損壞，最后時間點所對應(yīng)為測試集停止時間節(jié)點對應(yīng)剩余壽命。實線表示用模型預測出的剩余壽命變化曲線。通過對比，可看出該網(wǎng)絡(luò)模型效果較好，尤其后期，模型預測剩余壽命與實際基本一致。同時利用直方圖可視化預測的均方根誤差，如圖3。

在圖3 中，橫坐標表示預測剩余壽命與測試實際的差值，縱坐標表示差值分布頻率，觀察可看出預測誤差主要分布在±20%以內(nèi)，表明預測的壽命誤差較小，該模型取得了良好效果。

圖3 預測誤差分布

4 結(jié)論

本文提出了一種基于長短時記憶網(wǎng)絡(luò)的鐵路變壓器壽命預測方法，長短時記憶網(wǎng)絡(luò)可從油溫、油中氣體類型和含量、振動、油中水質(zhì)量分數(shù)等不同信息中自動識別變壓器故障特征以及故障演化趨勢，進而對鐵路變壓器壽命做出實時預測，實驗結(jié)果表明了本文提出方法的有效性。與傳統(tǒng)的數(shù)據(jù)驅(qū)動方法相比，本方法無須依賴信號技術(shù)及診斷專家的先驗知識，更適合于復雜環(huán)境下的應(yīng)用場合。