周劍飛，劉 晨

1.北方工業(yè)大學(xué) 大規(guī)模流數(shù)據(jù)集成與分析技術(shù)北京市重點實驗室，北京100144

2.北方工業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，北京100144

1 引言

設(shè)備故障檢測旨在幫助檢測設(shè)備故障，以便安排設(shè)備檢修與維護，減少設(shè)備過度維修的現(xiàn)象。在工業(yè)4.0時代，故障檢測在現(xiàn)代工業(yè)降低生產(chǎn)成本中扮演者重要的角色。故障檢測主要是用于評估設(shè)備的健康狀態(tài)[1]。由于物聯(lián)網(wǎng)的迅速發(fā)展，工業(yè)設(shè)備上部署了大量的傳感器用于檢測設(shè)備的健康狀態(tài)。因此，可以基于收集到的傳感器數(shù)據(jù)建立故障檢測模型，用于分析設(shè)備的潛在故障。隨著近些年來深度學(xué)習(xí)的深入發(fā)展，基于深度學(xué)習(xí)的故障檢測方法已經(jīng)成為主流[2-4]，而在這種方法中特征提取扮演著重要的角色。這是因為在大量傳感器中手工選擇有效的傳感器數(shù)據(jù)作為輸入特征是十分困難的。除此之外，大量的數(shù)據(jù)導(dǎo)致模型學(xué)習(xí)成本高昂，因此不能直接輸入到模型中。

在近些年來，許多研究人員已經(jīng)使用特征提取技術(shù)用于在原始傳感數(shù)據(jù)中獲取有效特征[5-8]。特征提取技術(shù)可以在高維度數(shù)據(jù)中獲取非冗余變量[9]。它可以通過計算原始輸入的協(xié)方差矩陣的特征向量，將一組存在相關(guān)性的數(shù)據(jù)集轉(zhuǎn)化成為一組相互獨立的特征。之前的工作[10]提出了一種面向延遲相關(guān)的特征提取方法，能夠有效地提取帶有延遲相關(guān)性的高維數(shù)據(jù)的特征。

然而，在實際的工業(yè)生產(chǎn)環(huán)境中，設(shè)備受到多種因素（外部環(huán)境、自身劣化等）的影響，其產(chǎn)生的傳感數(shù)據(jù)也具有時變性，設(shè)備的預(yù)測性模型無法一次性學(xué)習(xí)所有的數(shù)據(jù)，也就是說，使用歷史傳感器數(shù)據(jù)所學(xué)習(xí)的模型已經(jīng)無法準確預(yù)測當(dāng)前設(shè)備的狀態(tài)信息。例如，火電廠中大型機組處于長期運行的高負荷狀態(tài)，設(shè)備發(fā)生劣化使得設(shè)備性能降低，繼續(xù)使用歷史數(shù)據(jù)訓(xùn)練的模型會使得誤報率升高，發(fā)出錯誤的預(yù)警信息讓專業(yè)人員對電廠設(shè)備進行檢修，增加了電廠設(shè)備維護的成本。

針對電廠設(shè)備運行狀態(tài)變化，模型也需要隨著時間的推移適應(yīng)設(shè)備狀態(tài)的變化。因此本文提出了一種基于長短時記憶神經(jīng)網(wǎng)絡(luò)的設(shè)備故障在線檢測方法。其主要貢獻有：（1）在數(shù)據(jù)預(yù)處理階段，采用延遲相關(guān)的特征提取算法，進一步降低了模型訓(xùn)練的成本；（2）借助滑動窗口技術(shù)實現(xiàn)設(shè)備故障檢測和模型的在線更新，使其適應(yīng)設(shè)備的狀態(tài)變化，提高模型的準確性，降低模型的誤報率。

2 相關(guān)工作

2.1 設(shè)備故障診斷

機器學(xué)習(xí)方法是故障檢測中最流行的方法，從簡單的線性判別到更為復(fù)雜的邏輯回歸和神經(jīng)網(wǎng)絡(luò)都已經(jīng)應(yīng)用于設(shè)備故障檢測[9]。文獻[11]對采集到風(fēng)力發(fā)電機的傳感器數(shù)據(jù)使用振動分析方法獲取有效的輸入特征，再使用支持向量機構(gòu)建分類模型用于檢測設(shè)備故障。文獻[12]提出了一種基于高斯?jié)撛谝蜃幽Ｐ偷倪w移因子分析算法（TCA）用于特征提取，并在此基礎(chǔ)上訓(xùn)練線性分類器用于故障檢測。文獻[13]提出了一種混合機器學(xué)習(xí)模型的方法，即同時構(gòu)建兩個機器學(xué)習(xí)模型，其中一個模型的正確輸出用于訓(xùn)練另外一個機器學(xué)習(xí)模型，從而訓(xùn)練出更高精度的分類器以達到故障檢測的目的。文獻[14]通過專業(yè)知識分析風(fēng)葉渦輪機的傳感器數(shù)據(jù)，進行特征提取之后，借助超參數(shù)搜索方法訓(xùn)練支持向量機模型來診斷故障。文獻[15]通過收集設(shè)備的正常數(shù)據(jù)來訓(xùn)練單分類支持向量機模型以學(xué)習(xí)到正常數(shù)據(jù)空間的邊界，并應(yīng)用于設(shè)備的故障檢測。

上述文獻在一定程度上解決了故障檢測問題，但是他們的方法并不能直接應(yīng)用于大型工業(yè)的預(yù)測性維護。主要是因為：（1）電廠數(shù)據(jù)體量龐大且不同傳感器數(shù)據(jù)之間具有延遲相關(guān)性；（2）電廠設(shè)備運行狀態(tài)會隨著時間的推移而變化，上述方法不能對設(shè)備狀態(tài)的變化及時反應(yīng)從而更新模型。隨著時間的推移，模型性能會越來越差。

2.2 設(shè)備故障在線檢測

近幾年，越來越多研究者關(guān)注于小訓(xùn)練樣本或者故障缺失樣本情況下，無法學(xué)習(xí)到設(shè)備生命周期內(nèi)的所有故障模式的問題，提出了一些解決方案。Dong 等人[16]針對故障樣本缺失以及由于訓(xùn)練階段和測試階段獨立導(dǎo)致的無法識別新的故障問題，提出了一種在小訓(xùn)練樣本情況下，基于在線自適應(yīng)學(xué)習(xí)的異常檢測以及故障診斷方法.該方法集成了分類與聚類功能，打破了傳統(tǒng)故障診斷方法中未知數(shù)據(jù)和故障類型之間的映射。已知類型的樣本被分類，未知類型的樣本在AHr-detector 的測試階段聚集在一起。Yang 等人[17]針對當(dāng)前訓(xùn)練集中的數(shù)據(jù)無法代表設(shè)備聲明周期中可能遇到的所有的情況，基于信號重建，提出應(yīng)用在線序列極限學(xué)習(xí)機（OS-ELM）來進行故障檢測。OS-ELM具有強大的學(xué)習(xí)能力，快速的訓(xùn)練能力和在線學(xué)習(xí)的優(yōu)點。通過一個真實案例的應(yīng)用驗證基于OS-ELM 的檢測模型可以連續(xù)地學(xué)習(xí)不斷發(fā)展的環(huán)境，實現(xiàn)良好的檢測性能。但是其仍缺少一組決策規(guī)則來確定何時觸發(fā)OS-ELM 的更新功能來適應(yīng)不斷變化的操作條件。Yan 等人[18]針對不可用的故障訓(xùn)練數(shù)據(jù)，提出了一種新穎的混合方法來檢測冷卻器子系統(tǒng)的故障僅通過訓(xùn)練正常數(shù)據(jù)?；旌咸卣鬟x擇算法選擇最重要的特征變量，并通過組合擴展卡爾曼濾波器（EKF）模型和遞歸一類支持向量機（ROSVM）引入在線分類框架。然而，上述的方法沒有考慮到具有延遲相關(guān)性的傳感數(shù)據(jù)集，且需要一定的經(jīng)驗知識。

3 問題分析

首先對歷史數(shù)據(jù)進行數(shù)據(jù)預(yù)處理，通過延遲相關(guān)的特征提取算法獲取有效特征離線訓(xùn)練模型，之后借助滑動窗口實現(xiàn)故障設(shè)備的在線檢測和模型的在線更新。

故障檢測模型是將特征提取之后的傳感器數(shù)據(jù)作為模型的有效輸入獲取預(yù)測值。故障檢測的目的通過分析設(shè)備的相關(guān)信息，從而準確判斷設(shè)備的運行狀態(tài)。首先給出本文中關(guān)于故障檢測的定義：

圖1 風(fēng)煙系統(tǒng)傳感器流數(shù)據(jù)示例

其中M 表示網(wǎng)絡(luò)模型，F(xiàn)unc 表示網(wǎng)絡(luò)模型所學(xué)習(xí)到的x 到y(tǒng) 的映射關(guān)系，給定一組數(shù)據(jù)xi，根據(jù)模型M 輸出預(yù)測值y?i，計算出預(yù)測值和真實值之間的差值d：

設(shè)定一個閾值ε 用于判斷設(shè)備狀態(tài)，如果d ≤ε 則認為設(shè)備處于正常運行狀態(tài)，反之亦然。

但是當(dāng)設(shè)備運轉(zhuǎn)一段時間之后，設(shè)備的運行狀態(tài)可能會隨著時間而不斷變化，使得模型：

使用歷史數(shù)據(jù)所訓(xùn)練的模型已經(jīng)無法精確描述當(dāng)前設(shè)備的運行狀態(tài)，此時需要檢測設(shè)備運行狀態(tài)的同時考慮使用新產(chǎn)生的傳感器數(shù)據(jù)訓(xùn)練模型來更新模型參數(shù)，以適應(yīng)當(dāng)前設(shè)備的運行狀態(tài)。

用一個真實的案例來解釋設(shè)備狀態(tài)變化現(xiàn)象。在火電廠中有數(shù)百臺發(fā)電設(shè)備持續(xù)運轉(zhuǎn)，每個發(fā)電機組上部署有超過7 000 個傳感器實時產(chǎn)傳感數(shù)據(jù)，來反映設(shè)備的運行狀態(tài)。

圖1展示了發(fā)電廠中風(fēng)煙系統(tǒng)的運行原理，圖中展示了一次風(fēng)機電動機電流的實際值和模型預(yù)測值。在設(shè)備運行初期，基于使用歷史傳感器數(shù)據(jù)已經(jīng)訓(xùn)練出性能較好的模型。然而隨著發(fā)電設(shè)備的長時間運轉(zhuǎn)工作，其會發(fā)生劣化，其產(chǎn)生的傳感數(shù)據(jù)趨勢也會發(fā)生改變。前期的模型的輸出難以表示當(dāng)前的設(shè)備的狀態(tài)，如圖1所示，系統(tǒng)會根據(jù)模型的輸出和當(dāng)前的數(shù)據(jù)趨勢不斷發(fā)出預(yù)警信息，使得模型的誤報率升高。此時，需要對模型本身更新。

因此，在模型對設(shè)備狀態(tài)進行預(yù)測的時候，如果沒有考慮設(shè)備的狀態(tài)變化而及時的對模型進行重新學(xué)習(xí)更新參數(shù)，則會對設(shè)備狀態(tài)進行誤判，導(dǎo)致模型的準確率下降，誤報率升高。因此，構(gòu)建故障檢測模型的時候考慮設(shè)備運行狀態(tài)的改變是至關(guān)重要的。

4 在線故障檢測方法

圖2 展示了本文所提出的在線故障檢測模型的總體框架圖。主要分為三個部分：（1）面向延遲相關(guān)性的特征提取部分：主要是針對發(fā)電設(shè)備之間的延遲相關(guān)性，來進行傳感數(shù)據(jù)的特征提取，實現(xiàn)高維數(shù)據(jù)向低維數(shù)據(jù)的轉(zhuǎn)換[10]；（2）故障檢測模型：主要是基于長短時記憶神經(jīng)網(wǎng)絡(luò)，構(gòu)建設(shè)備的故障檢測模型；（3）在線故障檢測方法：主要是借助滑動窗口，實現(xiàn)對設(shè)備的在線故障監(jiān)測，以及實現(xiàn)模型的更新。

圖2 本文方法框架圖

4.1 滑動窗口

滑動窗口是一種對采集到的數(shù)據(jù)進行實時更新的算法。將相鄰的數(shù)據(jù)界定為一個窗口，當(dāng)?shù)玫叫聰?shù)據(jù)的時候，將新數(shù)據(jù)添加進滑動窗口內(nèi)，并剔除較老的數(shù)據(jù)，隨著時間的推移，窗口不斷納入新數(shù)據(jù)而舍棄舊數(shù)據(jù)，從而實現(xiàn)故障的在線檢測。

在本文中，滑動窗口由固定大小的滑動窗口FSW（Fixation Sliding Window）和動態(tài)滑動窗口DSW（Dynamic Sliding Window）兩部分組成，如圖3所示。

圖3 滑動窗口

由于傳感器之間的延遲相關(guān)性，設(shè)定FSW 的時間跨度為Δt，Δt 是在數(shù)據(jù)預(yù)處理時曲線排齊算法中所計算得出的時間偏差，其可以保證在實時檢測階段，窗口內(nèi)數(shù)據(jù)可以進行排齊并在特征提取之后獲取有效特征作為模型的輸入。DSW 的時間跨度為σ ，σ 為一個可變值，其主要目的是額外保存歷史數(shù)據(jù)。當(dāng)模型運轉(zhuǎn)良好則增大σ 值，這時滑動窗口可以包含更多的系統(tǒng)狀態(tài)區(qū)域，使得模型預(yù)測更加精確；當(dāng)模型誤報率高于基線值，則減小σ 值拋棄時間相對久遠的歷史數(shù)據(jù)，使滑動窗口只包含近期數(shù)據(jù)用于模型的在線更新以適應(yīng)當(dāng)前設(shè)備的運行狀態(tài)。

4.2 基于滑動窗口的在線檢測方法

在檢測過程中，當(dāng)數(shù)據(jù)流填滿滑動窗口之后便開始數(shù)據(jù)處理：（1）窗口內(nèi)數(shù)據(jù)經(jīng)過曲線排齊特征提取計算得出有效特征；（2）將提取之后的特征作為故障檢測模型的輸入，獲取模型預(yù)測值；（3）將預(yù)測值和傳感器實測值做差求取絕對值，判斷故障是否發(fā)生故障；（4）計算當(dāng)前滑動窗口內(nèi)數(shù)據(jù)的誤報率；（5）當(dāng)前誤報率與基線誤報率作為比對，如果升高則減少滑動窗口大小重新獲取數(shù)據(jù)用于模型的在線更新，否則增大滑動窗口，使得滑動窗口能夠包含更多的設(shè)備狀態(tài)。算法1 實現(xiàn)了在線故障檢測算法的過程。

算法1 在線故障檢測算法OnlineDetection

輸入：滑動窗口數(shù)據(jù)SlidingWindowData，故障預(yù)測模型M，實際采集值RealValue，閾值ε

輸出：設(shè)備狀態(tài)Status

1. Var EffctiveFeature=AlinementAndPca（SlidingWindow-Data）；//對滑動窗口內(nèi)數(shù)據(jù)進行曲線排齊特征提取，獲取有效特征

2. Var PredictValue=ModelPredict（M，EffctiveFeature）；//根據(jù)有效特征模型輸出對應(yīng)預(yù)測值

3. Var Difference=Abs（PredictValue-RealValue）；//計 算預(yù)測值和有效值的差值

4. Var Status=Difference＞ε?1：0；//判斷設(shè)備運行狀態(tài)

5. Var CurrentFPR=calcFRP（）；//計算當(dāng)前滑動窗口數(shù)據(jù)的誤報率

6. If（CurrnetFPR＞BaselineFPR）{

7. Var NewSensorData=ReduceSlidingWindowAndGet-Data（SlidingWindowData）；//減少滑動窗口大小并獲取新滑動窗口內(nèi)的傳感器數(shù)據(jù)

8. RetrainModel（M，NewSensorData）//重新練模型

9. }

10.Else {

11.ExtraSildingWindow（）；//增加滑動窗口大小

12.}

13.Returen Status；

5 實驗與評價

5.1 實驗環(huán)境與實驗數(shù)據(jù)

實驗環(huán)境為含有8個節(jié)點的集群，每個節(jié)點的機器采用8-核Intel Xeon（E312xx）CPU，32 GB 內(nèi)存，使用1 GB 的帶寬和以太網(wǎng)連接。每個節(jié)點都運行在虛擬機中，使用CentOS6.4操作系統(tǒng)和Java 1.8。借助Spark平臺可以使用SparkMlib 庫分布式運行PCA 特征提取算法。

實驗中使用的數(shù)據(jù)來自火發(fā)電廠的真實傳感器數(shù)據(jù)。選擇了煙風(fēng)系統(tǒng)中5 個重要設(shè)備，上面共部署290個傳感器，并對傳感器產(chǎn)生的數(shù)據(jù)進行每3 分鐘1 條的采樣，數(shù)據(jù)采集時間從2014-07-01 的00：00：00 到2016-01-31 的23：59：59。表1 展示了實驗中的部分數(shù)據(jù)集。故障日志文件來自于DCS 日志文件，用于驗證故障檢測結(jié)果的準確性。

表1 實驗數(shù)據(jù)表

5.2 實驗指標

本文使用深度學(xué)習(xí)技術(shù)為故障檢測訓(xùn)練了一個預(yù)測模型，通過預(yù)測值與真實值的差值和閾值ε 對比，將其轉(zhuǎn)化為一個二分類問題。因此故障檢測有四種可能的結(jié)果。真正例（TP）和真負例（TN）結(jié)果表示正確的分類，同時假正例（FP）和假負例（FN）結(jié)果表示錯誤的分類。

對于實驗結(jié)果的評估，采用精確率（Precision）、召回率（Recall）、誤報率（False Positive Rate，F(xiàn)PR）、F1 分數(shù)（F1-Score）以及ROC曲線作為本文的評價指標。

5.3 實驗設(shè)置

故障檢測模型旨在發(fā)現(xiàn)設(shè)備異常，并且在實際生產(chǎn)環(huán)境中進行部署，將本文方法與以下檢測發(fā)電廠異常情況的方法進行比較。

R-模型（Rule-Model）：傳統(tǒng)的基于規(guī)則的異常檢測方法是基于經(jīng)驗積累的。實現(xiàn)了基于規(guī)則的統(tǒng)計控制圖。一旦傳感器數(shù)據(jù)超過了上限值或者下限值，就會得出發(fā)現(xiàn)故障。

P-模型（PCA-Model）：將經(jīng)過PCA算法特征提取之后的傳感器數(shù)據(jù)輸入到LSTM中去檢測設(shè)備故障。

SWCP-模型（Sliding Window Curve registration PCA-Model）：使用滑動窗口記錄最近一段時間的數(shù)據(jù)，對窗口內(nèi)數(shù)據(jù)使用曲線排齊之后使用PCA進行特征提取，輸入模型中用于故障診斷，當(dāng)誤報率高于基線值時，更新模型以適應(yīng)當(dāng)前設(shè)備狀態(tài)。

P-模型、SWCP-模型均是基于LSTM的神經(jīng)網(wǎng)絡(luò)模型。本文所用的LSTM網(wǎng)絡(luò)模型是一個全連接的LSTM神經(jīng)網(wǎng)絡(luò)模型，包含了4 個隱藏層，每個隱藏層有50 個神經(jīng)元，其結(jié)構(gòu)如圖4 所示。 HLi：50 表示第i 個隱藏層，且其有50個神經(jīng)元節(jié)點。

圖4 LSTM神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

基于圖4中的網(wǎng)絡(luò)結(jié)構(gòu)，在[-0.08，0.08]的范圍內(nèi)均勻初始化所有權(quán)重參數(shù)，使得模型在訓(xùn)練初始階段可以記住所有記憶，設(shè)置LSTM遺忘門的初始偏置值為1.0，輸入門和輸出門的初始值為[0，1]區(qū)間上的隨機浮點數(shù)職。然后使用微批次隨機梯度下降訓(xùn)練網(wǎng)絡(luò)，學(xué)習(xí)率為0.001，衰減因子為0.95。采用均方誤差作為損失函數(shù)。訓(xùn)練模型50 輪，并在10 輪之后每一輪學(xué)習(xí)率都乘以衰減因子0.95。選擇80%作為訓(xùn)練集，剩下的數(shù)據(jù)作為測試集。

表2給出了不同設(shè)備輸入特征向量的維度。表中L值表示特征提取之后的數(shù)據(jù)維度，也是神經(jīng)網(wǎng)絡(luò)輸入向量的維度?；诒?中的輸入向量的訓(xùn)練數(shù)據(jù)和5.1節(jié)所設(shè)置的實驗環(huán)境，訓(xùn)練初始化的LSTM 網(wǎng)絡(luò)，得到最終的模型參數(shù)，在測試集上驗證本文所提出方法的有效性。

5.4 實驗結(jié)果與分析

本文每個實驗進行10 次，取10 次結(jié)果的平均值作為最終的實驗結(jié)果。

表2 輸入特征向量L 值

圖5 所示的是不同方法應(yīng)用在不同設(shè)備上的精確率?；谝?guī)則的方法的平均精確率是0.554，最高精確率為0.66。P-模型的平均精確率是0.736，最大精確率為0.79，SWCP-模型的平均精確率是0.79，最大準確率為0.82。

圖5 不同方法的精確率

圖6 所示的是不同方法應(yīng)用在不同設(shè)備上的召回率。基于規(guī)則的方法平均召回率為0.488，最大值為0.52。P-模型的平均召回率為0.807，最大值為0.82；SWCP-模型的平均召回率是0.862，最大值為0.88。

圖6 不同方法的召回率

此外，針對本文所提出的方法，在搭建網(wǎng)絡(luò)模型時，本文嘗試減少神經(jīng)網(wǎng)絡(luò)模型隱藏層的個數(shù)（3層隱藏層，每層45 個神經(jīng)元），經(jīng)過訓(xùn)練后的模型，輸出的預(yù)測結(jié)果的平均準確率為0.65，平均召回率為0.74。當(dāng)增加隱藏層的個數(shù)（6 層隱藏層，每層60 個神經(jīng)元），經(jīng)過訓(xùn)練后的模型，輸出的預(yù)測結(jié)果的平均準確率為0.791 45，平均召回率為0.856 98，不會提升預(yù)測的準確率和召回率，但是其平均訓(xùn)練時間為3.4 h。

圖7 表示不同方法應(yīng)用在不同設(shè)備上的誤報率?；谝?guī)則的方法平均誤報率為0.44，最小值為0.416。P-模型方法的平均誤報率為0.157，最小值為0.13。SWCP-模型的平均誤報率為0.136，最小值為0.118。

圖7 不同方法的誤報率

圖8 所示的是不同方法應(yīng)用在不同設(shè)備上的F1 分數(shù)。P-模型方法的平均F1分數(shù)為0.77，最大值為0.805；SWCP-模型的平均F1分數(shù)為0.82，最大值為0.84。

圖8 不同方法的F1分數(shù)

由于本文的LSTM模型實際上是一個二分類模型，因此利用ROC 曲線來驗證分類效果的好壞。圖9 展示了不同設(shè)備下的ROC 曲線，SWCP-模型的曲線面積大于P-模型和R-模型，其分類效果越好，故障診斷的效果也就越好。

圖9 不同方法的ROC曲線

圖5 到圖9 的實驗結(jié)果，客觀地證明了基于深度學(xué)習(xí)的預(yù)測維護比傳統(tǒng)的基于規(guī)則的方法更有效。圖7所示SWCP-模型有效地減少了誤報率，同時圖8 和圖9所展現(xiàn)的是模型的綜合性能，可以看出SWCP-的得分更高。因此得出結(jié)論：本文方法有助于提高特征提取和模型的應(yīng)用性能。

此外，本文通過訓(xùn)練時間來計算不同方法的訓(xùn)練效率。如圖10 所示，使用相同的訓(xùn)練數(shù)據(jù)在5.1 節(jié)所設(shè)置的集群上進行模型的訓(xùn)練，計算不同模型的訓(xùn)練時間。

如圖10 所示，P-模型的平均訓(xùn)練時間是2.412 h，SWCP-模型的平均訓(xùn)練時間是2.1 h。本文方法的訓(xùn)練時間低于P-模型。這表明了本文方法所采用的特征提取方法可以從高維數(shù)據(jù)中有效的提取特征，使得訓(xùn)練數(shù)據(jù)量大大減少，有助于降低LSTM 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練成本。因此，本文方法有助于建立一個基于LSTM神經(jīng)網(wǎng)絡(luò)的輕量級故障檢測模型。

圖10 訓(xùn)練時間

6 總結(jié)

本文提出的基于長短時記憶神經(jīng)網(wǎng)絡(luò)的設(shè)備故障在線檢測方法，考慮了在線檢測階段設(shè)備運行狀態(tài)的變化，使得模型隨著時間推移可以不斷適應(yīng)設(shè)備的運行狀態(tài)。

本文方法在數(shù)據(jù)預(yù)處理部分采用了延遲相關(guān)的特征提取方法，減少了數(shù)據(jù)的維度，降低了模型訓(xùn)練成本；借助滑動窗口技術(shù)對在線檢測數(shù)據(jù)流進行檢測，并且檢測設(shè)備狀態(tài)對模型進行更新。最后，用電廠實際數(shù)據(jù)分析驗證，結(jié)果表明了本文方法的有效性：（1）相比于原始特征提取方法，本文方法在保證包含原始信息的同時進一步削減了特征向量的維度；（2）模型在故障的在線檢測階段可以適應(yīng)設(shè)備運行狀態(tài)的變化，提高了模型的檢測精度。