论文研读《Long short-term memory for machine remaining life prediction》

研究动态系统例如飞机发动机的剩余寿命预测。系统性能退化跟踪和剩余寿命预测。

 

因传统的机器学习算法在适应制造系统和过程的复杂和非线性特性时往往受到限制，深度学习方法可以客服传统方法的不足，提高系统复杂度的表征能力。本文提出了一种基于lstm网络的方法，该网络是一种专门用于发现嵌入在时间序列中的底层模式的体系结构，用于跟踪系统的退化，从而预测剩余寿命。本文的目标是：1）将原始传感器数据转换为可解释的健康指数，以便更好地描述系统的健康状况；2）跟踪历史系统退化情况，以便准确预测其未来的健康状况。使用美国宇航局的C-MAPSS数据集进行评估，验证了所提出方法的有效性。与其他机器学习技术相比，lstm由于其本质上的时变结构，在去除退化模式方面更为强大和准确。

 

背景：根据对系统当前健康状态的实时分析来估计系统性能退化，实现基于状态的制造系统健康状态推断，为预测其未来物理行为提供科学依据。

           多年来，预测学已经发展成为一个活跃的研究领域。制造业预测的最新发展主要集中在两种方法上：贝叶斯方法和机器学习方法。

　　　 推断下垫齿轮箱轴承的退化过程     轴承    齿轮

     　   此外，lstm还用于预测刀具磨损、燃料电池电压输出、锂离子电池容量和轴承健康状态。

研究内容：在前人研究的启发下，本文提出了一种基于双向lstm的系统退化行为表征及剩余使用寿命预测方法。在lstm结构中嵌入长期相关性特征，以捕捉被监测系统中所测时间序列数据之间的相互关系，从而更好地预测其未来行为。与报道的研究不同的是，在双向网络中，只向前使用lstm，每个序列在两个单独的lstm中向前和向后呈现，允许在每个序列的每个时间步之前和之后访问完整的信息。此外，反向路径lstm进一步平滑数据并减轻噪声影响。

系统性能跟踪是通过探测传感数据的变化，找出与y随时间的变化规律。系统性能可以用物理定义的参数或人工定义的健康指数来描述，本文用系统状态y来表示。然后，通过贝叶斯推理或机器学习技术对历史传感数据进行跟踪分析，以确定两个系统演化函数f和g，然后，通过估计的函数g可以预测未来的系统性能：

在复杂的制造系统中，系统状态很少是直接可观测的。在本研究中，通过单层感知器，从传感器测量值x中得到一个无量纲健康指数来表示系统状态y。

发动机模块的性能下降导致测量值的变化，为基于物理的诊断/预测技术提供了基础，例如，气路分析（GPA）。与物理参数不同，表征发动机健康状况的另一种方法是失速裕度，它是发动机与预定运行极限之间的距离指示。

为了从感测数据中自动提取无量纲健康指数，建立了具有relu激活功能的单层感知器。

通过将预测的劣化曲线与实际的劣化曲线进行比较，可以注意到，当使用飞行周期早期（即发动机正常性能阶段）的数据进行预测时，预测的规则有很大的误差。通常，这一阶段的预测与低估有关，因为有性能下降的迹象。

 

结论：1）不论是基于数据量大或者小的训练数据训练出的模型预测剩余寿命时，使用前期阶段少量数据为基础预测剩余寿命时误差较大，此点需要改进

           2）无量纲参数的使用有些多余，此参数会大大减少特征数据，影响之后整体建模

转载于:https://www.cnblogs.com/beautifulchenxi/p/11594251.html