游東東 黎家良 劉高俊 楊汕

(1.華南理工大學(xué) 機(jī)械與汽車工程學(xué)院，廣東 廣州 510640；2.中廣核工程有限公司 核電安全監(jiān)控技術(shù)與裝備國(guó)家重點(diǎn)實(shí)驗(yàn)室，廣東 深圳 518172)

核電是清潔、高效的能源[1]，對(duì)核電廠機(jī)械設(shè)備的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，在設(shè)備發(fā)生故障的早期進(jìn)行預(yù)警有利于及時(shí)排除故障、避免重大安全事故，而且還可以縮減設(shè)備運(yùn)行成本，減少非計(jì)劃性停機(jī)。

近年來，深度學(xué)習(xí)以其在特征提取與模式識(shí)別方面獨(dú)特的優(yōu)勢(shì)與潛力，被廣泛用于機(jī)械設(shè)備故障預(yù)警診斷及其它眾多領(lǐng)域[2]。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)能夠充分挖掘時(shí)間序列數(shù)據(jù)中的時(shí)序信息以及語(yǔ)義信息，在處理時(shí)序數(shù)據(jù)時(shí)比全連接神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)更具深度表達(dá)能力[3]。Hadi[4]提出了一個(gè)故障檢測(cè)和隔離(FDI)方法，該方法基于RNN對(duì)非線性系統(tǒng)進(jìn)行建模和反演，建立了一個(gè)工廠預(yù)測(cè)模型，利用從模型中生成的殘差來進(jìn)行故障預(yù)警。Huang等[5]在他們提出的兩階段機(jī)器學(xué)習(xí)分析架構(gòu)中，第一階段運(yùn)用了RNN的變分自編碼器(Variational Auto Encoding,VAE)方法，提高了幾種分類算法的預(yù)測(cè)精度。然而，傳統(tǒng)的RNN在處理長(zhǎng)時(shí)間序列的預(yù)測(cè)時(shí)，由于連乘的存在，導(dǎo)致梯度范數(shù)很小，常常出現(xiàn)梯度消失現(xiàn)象，當(dāng)梯度范數(shù)很大時(shí)，會(huì)出現(xiàn)梯度爆炸現(xiàn)象[6]，從而削弱了訓(xùn)練長(zhǎng)時(shí)間序列的記憶能力。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)相比于RNN，它的整體結(jié)構(gòu)沒有發(fā)生太大的變化，改進(jìn)之處在于隱含層，使用含有門結(jié)構(gòu)的記憶單元代替隱含層中的神經(jīng)元，緩解了RNN梯度消失的現(xiàn)象，適用于創(chuàng)建復(fù)雜時(shí)間序列模型[7]。Zhang等[8]提出了一種基于LSTM的軸承性能退化評(píng)估方法，綜合利用了故障傳播信息，最后該方法可有效地識(shí)別軸承的退化狀態(tài)，準(zhǔn)確預(yù)測(cè)軸承的剩余使用壽命。魏書榮等[9]運(yùn)用LSTM預(yù)測(cè)正常工況下雙饋風(fēng)力發(fā)電機(jī)(DFlG)的運(yùn)行溫度，結(jié)果表明，該方法能提前29～72 h識(shí)別海上DFIG的早期故障。Wang 等[10]利用LSTM網(wǎng)絡(luò)對(duì)核電廠電動(dòng)閥門剩余使用壽命進(jìn)行預(yù)測(cè)，結(jié)果表明，與其他典型的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法相比，該方法能夠更準(zhǔn)確地預(yù)測(cè)剩余使用壽命。Choi等[11]利用LSTM網(wǎng)絡(luò)預(yù)測(cè)傳感器狀態(tài)，在緊急情況下核電廠參數(shù)發(fā)生劇烈變化時(shí)，該模型能夠基于提出的一致性指數(shù)判斷傳感器是否出現(xiàn)錯(cuò)誤。龔安等[12]將核電設(shè)備中的主泵電機(jī)繞組溫度作為研究對(duì)象，利用LSTM對(duì)其狀態(tài)進(jìn)行預(yù)測(cè)；實(shí)驗(yàn)表明，相比門控循環(huán)單元(Gated Recurrent Unit,GRU)、RNN等預(yù)測(cè)模型，LSTM對(duì)核電設(shè)備的運(yùn)行狀態(tài)具有更高的預(yù)測(cè)精度。

然而，現(xiàn)有的文獻(xiàn)大多是關(guān)于故障診斷方面的研究，針對(duì)核電廠設(shè)備的故障預(yù)警方法不多見。本研究針對(duì)設(shè)備或傳感器故障蠕變期監(jiān)測(cè)與預(yù)警以及評(píng)估預(yù)測(cè)模型的可靠性問題，提出了一種貝葉斯雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Bi-directional Long Short-Term Memory,BiLSTM)模型預(yù)測(cè)方法，利用BiLSTM對(duì)信號(hào)值進(jìn)行預(yù)測(cè)，通過擬合優(yōu)度和均方誤差對(duì)模型進(jìn)行精度驗(yàn)證，并用貝葉斯假設(shè)檢驗(yàn)方法[13]對(duì)其進(jìn)行不確定性分析，配合歷史數(shù)據(jù)集的先驗(yàn)信息，使模型能夠及時(shí)在機(jī)組故障蠕變期發(fā)現(xiàn)故障。

1 貝葉斯BiLSTM模型

1.1 特征工程

從實(shí)時(shí)數(shù)據(jù)庫(kù)中提取的運(yùn)行數(shù)據(jù)并不能直接用于預(yù)測(cè)模型的輸入，需要進(jìn)行一系列的清洗工序，包括缺失值填補(bǔ)[14]、小波包降噪[15]、歸一化(正態(tài)化)以及降維[16]等。對(duì)于網(wǎng)絡(luò)傳輸或者傳感器異常造成的缺失值，常采用回歸法、平均法等算法進(jìn)行填補(bǔ)；使用小波包閾值降噪法對(duì)數(shù)據(jù)進(jìn)行降噪，對(duì)于不平穩(wěn)的信號(hào)有較好的效果；通過歸一化處理，將數(shù)據(jù)壓縮到0到1區(qū)間內(nèi)，消除量綱的影響，同時(shí)便于預(yù)測(cè)模型的收斂、加快計(jì)算速度。此外，當(dāng)需要用較少的維度表征大量的傳感器信號(hào)時(shí)，還需要對(duì)眾多的信號(hào)進(jìn)行降維，去除相關(guān)性較大的信息，進(jìn)而減少計(jì)算量。

從實(shí)時(shí)數(shù)據(jù)庫(kù)中抽取一段健康的信號(hào)，經(jīng)過以上的工序處理后得到可用于預(yù)測(cè)模型的時(shí)間序列。按照嵌入理論，等間隔取一定長(zhǎng)度的時(shí)間序列作為預(yù)測(cè)模型每個(gè)訓(xùn)練單元的輸入，其中間隔值為延遲時(shí)間，時(shí)間序列長(zhǎng)度為嵌入維數(shù)。整段的時(shí)間序列被分為若干個(gè)時(shí)間段，將每段時(shí)間序列作為樣本輸入，將每段序列的下一個(gè)間隔值作為樣本輸出。采用python語(yǔ)言基于Tensorflow搭建預(yù)測(cè)模型，將樣本分為訓(xùn)練集和驗(yàn)證集，進(jìn)行交叉驗(yàn)證，保證預(yù)測(cè)模型具有一定的泛化能力。

1.2 BiLSTM 預(yù)測(cè)模型

RNN具有記憶功能，能夠發(fā)現(xiàn)樣本之間的序列關(guān)系，是處理時(shí)間序列的首選模型。圖1為RNN結(jié)構(gòu)圖，圖中，U是輸入層到隱藏層的權(quán)重矩陣；V是隱藏層到輸出層的權(quán)重矩陣；W是隱藏層上一次的值作為這一次的輸入的權(quán)重矩陣。從RNN結(jié)構(gòu)可知，RNN某一時(shí)刻的輸出值是由當(dāng)前時(shí)刻輸入值和前面多個(gè)時(shí)刻的輸入值共同決定的。然而，RNN模型訓(xùn)練過程中較常出現(xiàn)梯度消失現(xiàn)象，當(dāng)輸入的序列數(shù)據(jù)長(zhǎng)度過長(zhǎng)時(shí)，距離當(dāng)前時(shí)刻較遠(yuǎn)的數(shù)據(jù)對(duì)于當(dāng)前時(shí)刻的作用被削弱甚至被覆蓋，造成該網(wǎng)絡(luò)結(jié)構(gòu)無法學(xué)習(xí)較遠(yuǎn)時(shí)刻的序列數(shù)據(jù)。

圖1 RNN結(jié)構(gòu)Fig.1 RNN structure

為了解決RNN結(jié)構(gòu)出現(xiàn)的梯度消失問題，常采用RNN的改進(jìn)模型中的LSTM模型，LSTM模型結(jié)構(gòu)引入一種細(xì)胞狀態(tài)的連接，通過引入門控單元和線性鏈接的方法解決梯度消失問題[17]，從而能夠?qū)W習(xí)更長(zhǎng)的時(shí)間序列。

圖2 典型LSTM單元結(jié)構(gòu)Fig.2 Typical LSTM unit structure

ft=σ(Wf[ht-1,xt]+bf)

(1)

(2)

(3)

(4)

(5)

(6)

圖3 BiLSTM預(yù)測(cè)模型Fig.3 BiLSTM prediction model

2 模型的驗(yàn)證——貝葉斯假設(shè)檢驗(yàn)

本研究將數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，訓(xùn)練集用于搭建模型，驗(yàn)證集用來驗(yàn)證模型預(yù)測(cè)結(jié)果是否精確可靠。本研究采均方誤差MSE、擬合優(yōu)度R2、貝葉斯置信度這3個(gè)指標(biāo)來驗(yàn)證模型的可靠性。對(duì)于前兩個(gè)指標(biāo)，當(dāng)MSE的值越小、R2值越接近1時(shí)，模型的精度與可靠性就越高；然而，均方誤差MSE雖然能夠表明預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的偏離程度，但是對(duì)于不同樣本量綱的情況，其結(jié)果不具備可讀性。擬合優(yōu)度R2表示預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的擬合程度，也表示模型相比于直接取均值的優(yōu)勢(shì)程度。貝葉斯假設(shè)檢驗(yàn)方法考慮了數(shù)據(jù)的不確定性，在量化模型可靠性的同時(shí)充分考慮了訓(xùn)練集的先驗(yàn)信息。

(7)

建立待驗(yàn)假設(shè)H0:μ=0，備擇假設(shè)H1:μ≠0。假設(shè)殘差均值μ的先驗(yàn)概率密度服從正態(tài)分布

(8)

引入一個(gè)貝葉斯因子，該指標(biāo)是貝葉斯假設(shè)檢驗(yàn)的主要評(píng)價(jià)指標(biāo)，它是先驗(yàn)概率和后驗(yàn)概率的比值。若貝葉斯因子顯著大于1，則樣本數(shù)據(jù)支持待驗(yàn)假設(shè)。具體公式表示為[19]

(9)

進(jìn)而得到均值μ后驗(yàn)概率為

(10)

3 故障預(yù)警

通過設(shè)定閾值的方法來識(shí)別異常信號(hào)，達(dá)到故障預(yù)警的目的。取訓(xùn)練集中的最大正殘差epos_max、最大負(fù)殘差eneg_min記為α、β，分別為上極限閾值和下極限閾值。各時(shí)間節(jié)點(diǎn)的數(shù)據(jù)監(jiān)測(cè)值與預(yù)測(cè)值之間的殘差如(11)式所示，其中Zpos_test、Zneg_test分別為測(cè)試集的上、下殘差的集合，當(dāng)某時(shí)刻j的ej>α或ej<β，警報(bào)將會(huì)響起。在實(shí)時(shí)監(jiān)測(cè)系統(tǒng)中，如果殘差長(zhǎng)時(shí)間超過所設(shè)閾值，則判斷該監(jiān)測(cè)對(duì)象有故障。

(11)

4 案例分析

4.1 數(shù)據(jù)采集

從國(guó)內(nèi)某大型核電廠汽輪機(jī)組汽機(jī)調(diào)節(jié)系統(tǒng)(GRE)提取了中壓缸調(diào)節(jié)閥的閥位溫度傳感器監(jiān)測(cè)的實(shí)時(shí)溫度數(shù)據(jù)用來解釋整個(gè)算法流程，圖4所示為BiLSTM算法流程。GRE通過調(diào)節(jié)汽輪機(jī)進(jìn)汽閥開度對(duì)機(jī)組進(jìn)行轉(zhuǎn)速、功率、頻率和壓力控制，并對(duì)機(jī)組的負(fù)荷和轉(zhuǎn)速實(shí)施超速、超加速、負(fù)荷速降和蒸汽需求限制，通過配套的監(jiān)測(cè)系統(tǒng)來監(jiān)視其運(yùn)行，使機(jī)組安全和經(jīng)濟(jì)地運(yùn)行與各種工況，滿足運(yùn)轉(zhuǎn)要求。然而現(xiàn)有的GRE發(fā)出警報(bào)時(shí)，意味著該機(jī)組停機(jī)，這將會(huì)造成運(yùn)行成本的增加。本研究將利用BiLSTM預(yù)警模型監(jiān)視汽輪機(jī)調(diào)節(jié)閥溫度信號(hào)，在系統(tǒng)故障蠕變期間預(yù)警。

圖4 BiLSTM算法流程Fig.4 Flow chart of BiLSTM algorithm

數(shù)據(jù)集跨度為2018年7月16日0:00至2018年10月1日0:00，將7月16日0:00至8月20日0:00作為訓(xùn)練集訓(xùn)練BiLSTM預(yù)測(cè)模型的各個(gè)超參數(shù)、權(quán)值與偏置，將8月20日0:00至8月30日0:00作為驗(yàn)證集驗(yàn)證模型可靠性，將8月30日0:00至10月1日0:00作為測(cè)試集預(yù)測(cè)故障節(jié)點(diǎn)。

4.2 重構(gòu)數(shù)據(jù)集

采集的實(shí)時(shí)數(shù)據(jù)是一維的長(zhǎng)序列數(shù)據(jù)集，如果直接將該數(shù)據(jù)集輸入到BiLSTM預(yù)測(cè)模型進(jìn)行訓(xùn)練，會(huì)嚴(yán)重影響預(yù)警精度，達(dá)不到理想的預(yù)警效果，所以需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。圖4中，在進(jìn)行預(yù)處理后，仍然是一維的長(zhǎng)序列數(shù)據(jù)集。這時(shí)，對(duì)數(shù)據(jù)集進(jìn)行重構(gòu)，根據(jù)均方誤差MSE和擬合優(yōu)度R2確定嵌入維數(shù)m和時(shí)延，以得到精度最高的預(yù)警模型。

如圖5所示，圖5(a)、5(b)為不同時(shí)間延遲下訓(xùn)練集與驗(yàn)證集的擬合優(yōu)度R2與均方誤差MSE的值。由前文所述可知,R2越接近1、MSE越小，證明模型的精度越高，因此由圖5(a)、5(b)可得，當(dāng)=1,2,3時(shí)，模型精度較高，為了預(yù)測(cè)更遠(yuǎn)未來的時(shí)間節(jié)點(diǎn)，初步擬定=2，3。圖5(c)、5(d)為=2條件下，不同嵌入維數(shù)的擬合優(yōu)度R2和均方誤差MSE的值，由圖示結(jié)果可知，模型精度隨著嵌入維數(shù)m的增加呈先增后減的趨勢(shì)，在m=4,5時(shí)達(dá)到最優(yōu)值。

圖5 不同嵌入維數(shù)與時(shí)延下的MSE與R2的值Fig.5 Values of MSE and R2 under different embedding dimension and delay

4.3 貝葉斯BiLSTM預(yù)警模型訓(xùn)練

溫度源數(shù)據(jù)集中共有1 827個(gè)時(shí)間節(jié)點(diǎn)，其中訓(xùn)練集有833個(gè)時(shí)間節(jié)點(diǎn)，驗(yàn)證集有233個(gè)時(shí)間節(jié)點(diǎn)，測(cè)試集有761個(gè)時(shí)間節(jié)點(diǎn)。一般而言，預(yù)測(cè)模型能夠預(yù)測(cè)多遠(yuǎn)的時(shí)間節(jié)點(diǎn)，取決于時(shí)延的大小。為了進(jìn)一步確定m和，對(duì)BiLSTM和LSTM的預(yù)測(cè)模型進(jìn)行不同嵌入維數(shù)與時(shí)延下的訓(xùn)練，其內(nèi)部隱藏層的大小為49，權(quán)重初始化方法為均勻初始化器方法lecun_uniform，它是一種基于uniform的方法，從[-limit,limit]區(qū)間均勻采樣作為權(quán)重初始化參數(shù)，其中l(wèi)imit=sqrt(3/fan_in)，fan_in是權(quán)重張量中的輸入單位的數(shù)量。訓(xùn)練結(jié)果如表1所示，由表1可見，當(dāng)m=4、=2時(shí),BiLSTM模型與LSTM模型相差不大，然而=3時(shí)，前者精度均明顯優(yōu)于后者，為了預(yù)測(cè)更遠(yuǎn)的時(shí)間點(diǎn)，擬用m=4、=3這一組合。

表1 BiLSTM和LSTM在不同嵌入維數(shù)與時(shí)延下，訓(xùn)練集和驗(yàn)證集的擬合優(yōu)度R2和均方誤差MSETable 1 Goodness of fit R2 and mean square error MSE of training set and verification set of BiLSTM and LSTM under different embedding dimensions and time delays

圖6 驗(yàn)證集的貝葉斯置信度Fig.6 Bayesian confidence of verification set

圖7所示為預(yù)測(cè)效果圖，圖中，縱坐標(biāo)表示經(jīng)歸一化、無量綱化后的溫度值，紅線為貝葉斯BiLSTM模型，綠線為貝葉斯LSTM模型。由圖7可見，在兩個(gè)灰色框中，紅線比起綠線更接近黑線，意味著貝葉斯BiLSTM的預(yù)測(cè)效果比貝葉斯LSTM的預(yù)測(cè)效果更好。綜上所示，文中提出的貝葉斯BiLSTM在考慮數(shù)據(jù)不確定性的情況下，預(yù)測(cè)效果更優(yōu)秀。

圖7 訓(xùn)練集和驗(yàn)證集的預(yù)測(cè)效果圖Fig.7 Prediction effect chart of training set and verification set

4.4 故障預(yù)警——案例1

為了驗(yàn)證預(yù)警模型的預(yù)警能力，用前文4.3節(jié)中創(chuàng)建的貝葉斯LSTM預(yù)警模型來預(yù)測(cè)測(cè)試集的數(shù)據(jù)，然后將預(yù)測(cè)值與真實(shí)值作殘差，得到殘差值。采用設(shè)定閾值的方法來識(shí)別異常信號(hào)，將訓(xùn)練集中的最大正殘差和最大負(fù)殘差作為識(shí)別異常信號(hào)的閾值。

測(cè)試集的預(yù)警效果如圖8所示，其中紅色實(shí)線為預(yù)警線，兩條預(yù)警線之間的區(qū)域?yàn)榘踩珔^(qū)域，安全區(qū)域之外為警報(bào)區(qū)。由紅色圓點(diǎn)得知，經(jīng)貝葉斯BiLSTM預(yù)警模型得到的測(cè)試集有3個(gè)預(yù)警報(bào)點(diǎn)以及3段長(zhǎng)警報(bào)區(qū)段。故障節(jié)點(diǎn)統(tǒng)計(jì)結(jié)果如表2所示，由表2可見，預(yù)報(bào)警點(diǎn)分別是8月30日13:00、9月8日11:00、9月23日12:00，均比實(shí)時(shí)監(jiān)控系統(tǒng)提前15 h以上，而且結(jié)合圖8可見，在每個(gè)預(yù)警點(diǎn)之后一段時(shí)間里，殘差一直超過所設(shè)的預(yù)警線，由此可初步得到，汽輪機(jī)組閥位處存在安全隱患。查閱該數(shù)據(jù)集配套的資料確認(rèn)故障點(diǎn)為閥位傳感器故障，故障原因是該閥位傳感器供電濾波電容故障，導(dǎo)致傳感器的檢測(cè)溫度數(shù)據(jù)出現(xiàn)異常，使得該預(yù)測(cè)模型一段時(shí)間處于警報(bào)區(qū)，一段時(shí)間又回歸正常；累積兩次后，一次是①號(hào)警報(bào)點(diǎn)，另一次是②號(hào)警報(bào)點(diǎn)，最終在2018年9月24日02:04時(shí)，主控觸發(fā)，閥位傳感器異常關(guān)閉。上述證明，貝葉斯LSTM預(yù)警模型能提前預(yù)測(cè)實(shí)時(shí)監(jiān)控系統(tǒng)的報(bào)警。

圖8 “案例1”測(cè)試集的預(yù)警效果圖Fig.8 Early warning effect diagram of “case 1” test set

表2 “案例1”故障節(jié)點(diǎn)統(tǒng)計(jì)表Table 2 Statistics of “case 1” fault nodes

4.5 故障預(yù)警——案例2

圖9 “案例2”訓(xùn)練集與驗(yàn)證集的預(yù)測(cè)效果圖Fig.9 Prediction effect diagram of “case 2” training set and verification set

“案例2”測(cè)試集的預(yù)警效果圖如圖10所示，紅色為預(yù)警線，其值分別為α和β。經(jīng)貝葉斯BiLSTM預(yù)警模型得到的測(cè)試集有2個(gè)預(yù)警報(bào)點(diǎn)以及2段長(zhǎng)警報(bào)區(qū)段。如表3所示，它們分別是5月26日20:12、5月27日03:41，均比實(shí)時(shí)監(jiān)控系統(tǒng)提前，并在報(bào)警后相當(dāng)長(zhǎng)的一段時(shí)間內(nèi)持續(xù)發(fā)出警報(bào)，由此可初步得到，該機(jī)組泵驅(qū)動(dòng)端軸承存在安全隱患。查閱該數(shù)據(jù)集配套的資料，在2018年8月29日13:31對(duì)該泵解體時(shí)發(fā)現(xiàn)故障原因?yàn)楸檬准?jí)葉輪流道有一磨頭遺留。上述證明，貝葉斯LSTM預(yù)警模型能提前預(yù)測(cè)實(shí)時(shí)監(jiān)控系統(tǒng)的報(bào)警。

圖10 “案例2”測(cè)試集的預(yù)警效果圖Fig.10 Early warning effect diagram of “case 2” test set

表3 “案例2”故障節(jié)點(diǎn)統(tǒng)計(jì)表Table 3 Statistics of “case 2” fault nodes

5 結(jié)論

針對(duì)大型核電機(jī)械設(shè)備故障蠕變期監(jiān)測(cè)與預(yù)警以及評(píng)估預(yù)測(cè)模型的可靠性問題上，提出了基于貝葉斯BiLSTM的故障預(yù)警方法。源數(shù)據(jù)集經(jīng)過預(yù)處理、重構(gòu)后，得到降噪重構(gòu)的數(shù)據(jù)集。然后建立了BiLSTM預(yù)測(cè)模型，訓(xùn)練集與驗(yàn)證集的數(shù)據(jù)經(jīng)過BiLSTM預(yù)測(cè)模型訓(xùn)練后，在嵌入維數(shù)m=4與時(shí)延=2時(shí)，擬合優(yōu)度均大于0.96，均方誤差在0.001這個(gè)數(shù)量級(jí)。值得注意的是，當(dāng)m=4、=3時(shí)，BiLSTM模型的預(yù)測(cè)精度比LSTM更優(yōu)，證明了BiLSTM預(yù)測(cè)模型具有更好的預(yù)測(cè)能力以及可靠性。此外，文中還提出了基于貝葉斯假設(shè)檢驗(yàn)的方法，考慮數(shù)據(jù)不確定性和訓(xùn)練集的先驗(yàn)信息，對(duì)模型的置信度進(jìn)行量化分析，結(jié)果表明貝葉斯置信度在93%以上，進(jìn)一步驗(yàn)證了模型的可靠性。

在模型可靠的基礎(chǔ)上，將此模型用于設(shè)備的故障預(yù)警，運(yùn)用硬閾值預(yù)警法，將訓(xùn)練集的最大正殘差和最大負(fù)殘差作為報(bào)警閾值，當(dāng)測(cè)試集某個(gè)時(shí)間節(jié)點(diǎn)超過該閾值時(shí)，貝葉斯LSTM預(yù)警系統(tǒng)會(huì)發(fā)出警報(bào)，經(jīng)實(shí)驗(yàn)得知，文中提出的方法相比于現(xiàn)有的實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，其發(fā)出警報(bào)的時(shí)間均有提前，證明其具有良好的預(yù)警效果。