基于GRU 神經(jīng)網(wǎng)絡的機械設備故障預測?

孫洪展

（中國石油大學（華東）計算機科學與技術學院 青島 266580）

1 引言

隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等技術的快速發(fā)展以及各領域學科技術的相互融合［1～3］，對機械設備的時序數(shù)據(jù)的挖掘和分析顯得尤為重要。時序數(shù)據(jù)［4～5］記錄了設備運行過程中隨著時間而產生的不同時刻的運行狀態(tài)信息，充分利用這些信息對機械設備進行故障預測可以幫助企業(yè)降低經(jīng)濟損失。

機械設備的故障預測是在了解和掌握設備的運行狀態(tài)信息及規(guī)律的基礎上，根據(jù)一定的方法和策略對設備運行狀態(tài)下未來變化趨勢及變化狀態(tài)進行推測，并對未來可能造成損失、故障的情況進行及時預警，實現(xiàn)故障預防、視情維修等目的［6～7］。

早期的故障預測手段主要是根據(jù)專家或維修人員通過經(jīng)驗、感官和儀器儀表等進行判斷，但隨著機械設備的日益復雜化，傳統(tǒng)的分析手段已不滿足現(xiàn)狀。數(shù)據(jù)挖掘技術［8］的廣泛應用，彌補了傳統(tǒng)方法上的不足?；跀?shù)據(jù)驅動的預測技術［9］的典型代表有神經(jīng)網(wǎng)絡、馬爾可夫模型［10］等，通過分析數(shù)據(jù)中隱含信息進行故障預測。

本文提出一種基于GRU 神經(jīng)網(wǎng)絡［11～12］的機械設備故障預測方法。首先，通過CRITIC 算法［13］挖掘設備運行數(shù)據(jù)各參數(shù)之間的權重值［14～15］大小，結合設備歷史故障的特點，確定影響故障發(fā)生的關鍵參數(shù)；然后，通過GRU 神經(jīng)網(wǎng)絡對設備歷史數(shù)據(jù)進行模型訓練，通過多次實驗迭代模型訓練結果［16］；最后，使用該模型對設備實時數(shù)據(jù)進行預測。實驗表明，應用該方法對**商業(yè)空調故障進行預測，避免了人工進行預測的繁瑣步驟，提高了故障預測準確率。

2 基于GRU 神經(jīng)網(wǎng)絡的機械設備故障預測

以**商業(yè)空調時序數(shù)據(jù)為數(shù)據(jù)樣本，首先對時序數(shù)據(jù)中含有缺失值、異常值和重復值的數(shù)據(jù)進行清洗、填充和去除等操作，確保數(shù)據(jù)的完整性，提高數(shù)據(jù)的質量。其次，對處理好的時序數(shù)據(jù)進行權重值分析，挖掘設備中影響各故障發(fā)生的關鍵參數(shù)。然后，利用GRU 神經(jīng)網(wǎng)絡模型對時序數(shù)據(jù)進行模型訓練，不斷迭代最優(yōu)的模型訓練結果。最后，使用該模型實現(xiàn)設備實時故障預測。

2.1 數(shù)據(jù)預處理

選取**商業(yè)空調數(shù)據(jù)時間、蒸發(fā)器側進水溫度、蒸發(fā)器側出水溫度、冷凝器側進水溫度、冷凝器側出水溫度、壓縮機吸氣溫度、壓縮機排氣溫度、蒸發(fā)器側壓力（吸氣壓力）、冷凝器側壓力（排氣壓力）、排氣過熱度、主回路液位、主供液閥開度共12個參數(shù)數(shù)據(jù)作為初始樣本集，對數(shù)據(jù)進行預處理。通過對數(shù)據(jù)特點進行分析，相鄰數(shù)據(jù)的平均值用于填充數(shù)據(jù)中的缺失值以及修正數(shù)據(jù)中的異常值。

2.2 挖掘關鍵參數(shù)

CRITIC 權重法對多參數(shù)數(shù)據(jù)來講是一種較好的客觀賦值法，它是基于數(shù)據(jù)中參數(shù)的對比強度和參數(shù)間的沖突性來綜合衡量參數(shù)的客觀權重，將處理數(shù)據(jù)進行量綱話處理后，數(shù)據(jù)的標準差可以體現(xiàn)數(shù)據(jù)參數(shù)之間的差異性：

Sj表示第j個參數(shù)類型的標準差，以此來表示各參數(shù)內數(shù)值的差異波動情況，標準差越大表示該參數(shù)中數(shù)據(jù)的差異越大，越能反映出更多的數(shù)據(jù)信息，也表示該參數(shù)本身的評價強度越強，應該給該參數(shù)類型分配更多的權重。

參數(shù)之間的沖突性用相關系數(shù)進行表示：

使用相關系數(shù)來表示參數(shù)之間的沖突性，若與其他參數(shù)的相關性越強，則該參數(shù)就與其他參數(shù)的沖突性越小，反映出相同的信息越多，所能體現(xiàn)的評價內容就越有重復之處，一定程度上也就削弱了該參數(shù)的評價強度，應該減少對該參數(shù)的分配權重。

CRITIC 權重值法以參數(shù)信息量大小的形式來表示具體的某個參數(shù)在總指標體系中的作用，參數(shù)的信息量越大則表示該參數(shù)的作用越大，應該給該參數(shù)分配更高的權重值，參數(shù)信息量表示如下：

因此，客觀權重值可以表示為

利用CRITIC 權重值法，計算關鍵參數(shù)中各參數(shù)的權重值，并結合設備各故障發(fā)生時的數(shù)據(jù)特點，確定影響故障發(fā)生的關鍵參數(shù)。

2.3 GRU神經(jīng)網(wǎng)絡模型構建

設備運行過程中的數(shù)據(jù)是不斷變化的實時數(shù)據(jù)，結合故障數(shù)據(jù)特點，利用GRU 神經(jīng)網(wǎng)絡對設備運行的歷史故障數(shù)據(jù)進行分析。GRU 神經(jīng)網(wǎng)絡是LSTM長短期記憶神經(jīng)網(wǎng)絡的變體，它相對于LSTM只含有兩個門控結構。通過挖掘數(shù)據(jù)關鍵參數(shù)，對篩選出設備關鍵參數(shù)的歷史數(shù)據(jù)進行GRU 神經(jīng)網(wǎng)絡的模型訓練。

GRU 神經(jīng)網(wǎng)絡單元在得到門控信號之后，使用重置門控得到“重置”之后的數(shù)據(jù)，定義如下：

通過重置門控重置后的數(shù)據(jù)與輸入神經(jīng)元的數(shù)據(jù)進行拼接，通過tanh 激活函數(shù)將輸入的數(shù)據(jù)縮放到-1～1的范圍之內，得到隱藏狀態(tài)數(shù)據(jù)?'：

GRU 模型關鍵的步驟—更新記憶階段，在這個階段，同時進行了遺忘和記憶：

GRU 神經(jīng)網(wǎng)絡使用一個門控單元同時實現(xiàn)輸入數(shù)據(jù)的遺忘和記憶兩個步驟，其中(1-z)⊙?t-1表示對原本數(shù)據(jù)的選擇性遺忘，忘記?t-1中的一些不重要的信息；z⊙?'表示對包含當前節(jié)點信息的?'進行選擇性“記憶”。

3 實例分析

選取**商業(yè)空調2021 年6 月份數(shù)據(jù)作為故障預測的數(shù)據(jù)樣本。首先進行數(shù)據(jù)預處理，填充缺失值，并對時序數(shù)據(jù)中的異常值進行剔除。經(jīng)數(shù)據(jù)預處理后，挖掘設備數(shù)據(jù)中的關鍵參數(shù)，并進行GRU神經(jīng)網(wǎng)絡模型訓練。樣本數(shù)據(jù)中共包含86361 條數(shù)據(jù)，12個空調設備參數(shù)。

3.1 數(shù)據(jù)預處理

通過與空調設備生產方專業(yè)人員交流，確定空調各項參數(shù)的正常值范圍。通過觀察正常值數(shù)據(jù)，將該樣本數(shù)據(jù)中缺失的數(shù)據(jù)根據(jù)前后兩條數(shù)據(jù)的平均值進行填充，并將數(shù)據(jù)類型錯誤的數(shù)據(jù)按照同樣的方法進行修正。數(shù)據(jù)預處理后的部分數(shù)據(jù)如表1所示。

3.2 挖掘關鍵參數(shù)

對預處理之后的數(shù)據(jù)進行關鍵參數(shù)挖掘，除數(shù)據(jù)時間之外的11 個參數(shù)進行CRITIC 權重法計算，經(jīng)過多次實驗對比，選取空調設備中影響故障發(fā)生的關鍵參數(shù)。CRITIC 權重法計算各參數(shù)權重值如表2所示。

表2 各參數(shù)權重值

選取設備運行過程中影響故障發(fā)生的關鍵參數(shù)，剔除對設備運行影響較小的參數(shù)，減少該類無用參數(shù)對模型訓練時間和結果的影響。根據(jù)CRITIC 權重法訓練結果，選取蒸發(fā)器側進水溫度、冷凝器側進水溫度、冷凝器側出水溫度、壓縮機排氣溫度、冷凝器側壓力（排氣壓力）、主回路液位6個關鍵參數(shù)進行模型分析。

3.3 GRU神經(jīng)網(wǎng)絡模型故障預測

利用TensorFlow搭建GRU時序數(shù)據(jù)預測模型，將挖掘的關鍵參數(shù)時序數(shù)據(jù)輸入到GRU 神經(jīng)網(wǎng)絡模型中進行訓練，并將該數(shù)據(jù)集進行劃分，其中80%為訓練集，20%為測試集。調整模型學習率、迭代次數(shù)等參數(shù)，對模型進行訓練優(yōu)化。對設備實時數(shù)據(jù)進行故障預測，預測部分結果如表3所示。

表3 設備故障預測（部分）

根據(jù)模型對設備實時數(shù)據(jù)的預測結果，結合設備運行過程中實際發(fā)生的故障進行對比。實驗表明，該方法對**商業(yè)空調機械設備故障預測準確率顯著提高。

4 結語

本文結合機械設備故障預測的開發(fā)現(xiàn)狀，以商業(yè)空調時序數(shù)據(jù)作為數(shù)據(jù)樣本，提出了一種基于GRU 神經(jīng)網(wǎng)絡的機械設備故障預測方法。該方法從設備實際運行過程出發(fā)，利用CRITIC 權重法從12 個空調設備運行參數(shù)中提取影響設備運行的關鍵參數(shù)，剔除無用參數(shù)對模型訓練結果的影響，通過GRU 神經(jīng)網(wǎng)絡進行模型訓練，不斷迭代最優(yōu)模型訓練結果。利用該模型進行設備時序數(shù)據(jù)的故障預測，能夠提前預警設備故障發(fā)生，降低了人工成本及企業(yè)經(jīng)濟損失，為機械設備故障預測工作提供支持。