基于LPSO-GRNN模型的螺栓松緊狀態(tài)預測研究*

梁 偉,陳志雄,歐陽忠杰,龔晟煒,鐘建華*,鐘舜聰,廖華忠

(1.福州大學 機械工程及自動化學院,福建 福州 350108;2.福建省力值計量測試重點實驗室(福建省計量科學研究院),福建 福州 350100;3.廈門產(chǎn)業(yè)技術(shù)研究院,福建 廈門 361001;4.福建省太赫茲功能器件與智能傳感重點實驗室,福建 福州 350108;5.西交利物浦大學 智能工程學院,江蘇 蘇州 215123)

0 引 言

軸重式動態(tài)汽車衡一般由承載秤臺、均勻分布在秤臺下方的應變式稱重傳感器(若干只)以及稱重儀表等組成。它能對高速行駛狀態(tài)車輛進行全天候、全路段計量稱重,因此,被廣泛應用于公路治超稱重、港口碼頭貨物計量等領(lǐng)域[1]。

動態(tài)汽車衡長期服役于酷暑、嚴寒、腐蝕、高濕等惡劣的戶外環(huán)境,而且每天要承受上萬次重型貨車的加載與卸載循環(huán)沖擊。在該工況下,連接秤臺與傳感器的螺栓預緊力容易下降,進而誘發(fā)連接松動甚至脫落,不僅使稱重結(jié)果發(fā)生異常,而且容易導致結(jié)構(gòu)失效,引發(fā)安全事故[2]。

因此,研究螺栓松緊狀態(tài)的監(jiān)測與檢測方法,對確保汽車衡稱量結(jié)果的準確性和設(shè)備運行的可靠性具有重要意義[3]。

傳統(tǒng)的螺栓連接松緊狀態(tài)監(jiān)測方法主要建立在對螺栓機械連接的內(nèi)在機理分析之上,采用信號分析處理技術(shù),進行其故障的監(jiān)測與檢測。

例如,任凱等人[4]基于螺栓松動時設(shè)備阻抗會發(fā)生變化的特征,將傳感器粘在設(shè)備表面,利用耦合效應,通過對電阻抗變化進行測量,完成了對螺栓連接狀態(tài)的分析監(jiān)測;但是電阻抗的變化受到溫度、濕度、電壓等因素的影響,這些因素可能會使電阻抗的測量結(jié)果產(chǎn)生偏差,從而降低該方法的靈敏度和準確性。屈文忠等人[5]利用螺栓松動產(chǎn)生的機械結(jié)構(gòu)非線性剛度變化特征,完成了對螺栓連接狀態(tài)的監(jiān)測任務(wù);但是,對于軸重式動態(tài)汽車衡而言,其工況復雜,很難建立起其準確的物理模型。

依據(jù)螺栓松動前后振動信號特征的變化來判斷螺栓的松緊狀態(tài),是目前研究最多的方法之一。該方法大致可分為:振動聲調(diào)制法[6]、希爾伯特黃變換法[7]、經(jīng)驗模態(tài)分解法[8]、小波變換法[9]、概率密度分析法[10]等。雖然在其特定的研究對象上,這些方法均取得了一定的成效;但在處理非平穩(wěn)信號時,需要進行分段處理,可能會引入不連續(xù)點,從而影響分析結(jié)果的準確性。同時,由于汽車衡工況復雜、干擾多、噪聲大,上述方法很難適用。

隨著大數(shù)據(jù)和機器學習技術(shù)的發(fā)展,利用數(shù)據(jù)建模方式建立起數(shù)據(jù)間的關(guān)聯(lián)性,并采用機器學習進行信息挖掘的方法,目前已在一些工業(yè)領(lǐng)域得到廣泛應用[11]。

例如,XU J等人[12]采用電—機械阻抗傳感技術(shù),采集了螺栓連接球形接頭數(shù)據(jù),同時結(jié)合反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò),完成了對其松緊狀態(tài)的監(jiān)測任務(wù);但是這種電—機械阻抗監(jiān)測需要專門的儀器和設(shè)備,設(shè)備成本高,且操作復雜。陳佳雷[13]研發(fā)了一種新型智能墊片傳感器,并提出了改進的BP神經(jīng)網(wǎng)絡(luò)模型,完成了對海洋平臺螺栓松動狀態(tài)的實時監(jiān)測任務(wù);但該方法需要額外安裝傳感器,且數(shù)據(jù)量大,數(shù)據(jù)處理非常復雜。

此外,東南大學、西南交通大學、長安大學等機構(gòu)的研究者也分別采用卷積神經(jīng)網(wǎng)絡(luò)技術(shù),對各種機械系統(tǒng)的螺栓松動故障進行了診斷研究;但是,上述方法所需求的訓練樣本量大。而軸重式動態(tài)汽車衡可獲得的數(shù)據(jù)樣本量較少,因此,深度學習方法很難適用。

神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)的取值通常決定著網(wǎng)絡(luò)的性能,決定著模型在運行過程中的魯棒性、精確性和穩(wěn)定性。

為此,張麗秀等人[14]提出了基于遺傳算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)的模型,與未優(yōu)化模型相比,采用該模型獲得的預測精度得到了很大提升;但其容易出現(xiàn)過早收斂的問題。賈義鵬等人[15]提出了一種基于PSO-GRNN模型的巖爆預測方法。該方法利用已有巖爆數(shù)據(jù),采用神經(jīng)網(wǎng)絡(luò)技術(shù)建立回歸模型,采用粒子群算法對模型參數(shù)進行優(yōu)化,可減少人為因素對神經(jīng)網(wǎng)絡(luò)設(shè)計的影響。該模型在一定程度上提升了預測精度;但是由于GRNN的診斷精度受到內(nèi)部核心參數(shù)光滑因子σ的影響比較大,在樣本數(shù)量不大的情況下,光滑因子的選取受到算法自身局限性的制約,容易出現(xiàn)誤診現(xiàn)象。

針對這一問題,基于萊維飛行,筆者提出一種改進粒子群算法。首先,提取不同狀態(tài)下的系統(tǒng)輸出信號特征,并由此對GRNN的光滑因子σ進行優(yōu)化,從而建立LPSO-GRNN預測模型,最后基于該模型,對軸重式動態(tài)汽車衡的螺栓松緊狀態(tài)進行預測。

1 汽車衡振動信號特征提取

對于機械裝備而言,其輸出振動信號往往反映出狀態(tài)的變化[16]。振動信號的特征指標包含了時域特征、頻域特征和時頻特征,其中,時域特征可以反映機械設(shè)備的總體狀態(tài),頻域特征可以確定故障的類型[17]92。

在建立系統(tǒng)狀態(tài)預測模型之前,需要對汽車衡的輸出信號進行預處理。然而,在采用線性傅里葉濾波、指數(shù)平滑濾波等傳統(tǒng)方法對原始信號進行分解時,通常要在輸出信號中明確給出信號的相移規(guī)則,使信號產(chǎn)生一定損失[18]。

不同特征參量對各種故障的敏感程度不同。因此,為了更加全面地描述單一信號特征信息,筆者提取了振動信號中的波形指標、峰值指標、脈沖指標、裕度指標、峭度指標等時域特征,將其合并作為模型的輸入特征向量。

振動信號特征指標如表1所示。

表1 振動信號特征指標

采用動態(tài)汽車衡系統(tǒng)內(nèi)部的稱重傳感器和加速度傳感器,可以方便地獲取汽車駛過時的軸重信號、速度信號以及振動信號。從這些信號中可以提取出汽車衡在服役過程中的工作狀態(tài)。

然而,由于汽車的加載位置、載荷量以及汽車衡表面的平整度不同,這些因素對單一信號造成較大干擾,導致使用單一信號指標進行狀態(tài)識別時魯棒性較差[17]94。

所以,通過提取特征指標,使用這些指標共同對狀態(tài)進行判斷,可以彌補這一不足,從而增強狀態(tài)檢測、故障識別的魯棒性[19]。

故筆者提出一種基于提取振動信號特征指標的汽車衡內(nèi)部螺栓松緊狀態(tài)預測方法。

2 LPSO-GRNN模型

廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)是一種前饋監(jiān)督神經(jīng)網(wǎng)絡(luò),具有很強的非線性映射能力、柔性網(wǎng)絡(luò)結(jié)構(gòu)以及高容錯性和強魯棒性,即使在訓練樣本數(shù)有限的情況下,也能取得較好的回歸效果[20]。因此,其在各個研究領(lǐng)域均取得了廣泛應用[21]。

在GRNN中,光滑因子σ是唯一需要確定的網(wǎng)絡(luò)參數(shù),其取值的過大、過小都會影響模型的預測精度。而在求解σ時,傳統(tǒng)的粒子群優(yōu)化(PSO)算法因容易陷入局部最優(yōu)解,導致其過早收斂,從而使GRNN的σ未能匹配最優(yōu)值而影響預測精度。

針對該問題,筆者提出采用萊維飛行(Lévy)改進粒子群優(yōu)化算法(LPSO算法)。

筆者通過對已有的訓練數(shù)據(jù)進行參數(shù)尋優(yōu),得到處理此類數(shù)據(jù)最優(yōu)的σ,并把它代入到GRNN模型,建立LPSO-GRNN模型,其具體過程如下。

2.1 GRNN模型

GRNN模型由4層網(wǎng)絡(luò)構(gòu)成,依次為輸入層、模式層、求和層和輸出層。

GRNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 GRNN網(wǎng)絡(luò)結(jié)構(gòu)

輸入層中神經(jīng)元的數(shù)目與輸入樣本X向量的維數(shù)相等,且每個神經(jīng)元直接把X向量的信息傳遞給模式層。在模式層中,神經(jīng)元的數(shù)目與學習樣本的數(shù)目相等,且采用高斯函數(shù)為基函數(shù),其神經(jīng)元傳遞函數(shù)如下:

Pi=e-[(X-Xi)T(X-Xi)]/2σ2,i=1,2,3,…N

(1)

式中:Xi為第i個神經(jīng)元對應的輸入學習樣本;σ為光滑因子。

求和層主要是對模式層中的傳遞函數(shù)進行求和,主要有2種求和類型。第1種求和類型為計算模式層中各個神經(jīng)元傳遞函數(shù)的代數(shù)和,其連接權(quán)值為1,又稱為分母單元SD,該求和類型的傳遞函數(shù)如下:

(2)

第2種求和類型為計算模式層中各個神經(jīng)元傳遞函數(shù)的加權(quán)和,其連接權(quán)值為訓練樣本時的期望輸出值,又稱為分子單元SNj,其傳遞函數(shù)如下:

(3)

式中:yij為第i個樣本的期望輸出值。

輸出層的神經(jīng)元數(shù)目等于輸出向量的維數(shù)m,輸出層主要通過將求和層得到的分子單元和分母單元輸出相除,得到輸出結(jié)果如下:

(4)

結(jié)合式(1)～式(4),得到第i個樣本的LPSO-GRNN網(wǎng)絡(luò)模型的預測輸出如下所示:

(5)

2.2 GRNN模型優(yōu)化

PSO算法是由Eberhart和Kennedy基于鳥群尋找食物行為而提出的一種求解最優(yōu)解的優(yōu)化算法[22]。

作為一種智能的群優(yōu)化算法,其工作原理為:在一個D維的搜索尋優(yōu)范圍里,當粒子開始按要求運動的時候,它們的集合為S={s1,s2,…,sm}T,粒子的規(guī)模大小為m。而對于粒子si,其粒子的位置為si={si1,si2,…,siD}T;粒子的運動速率為vi={vi1,vi2,…,viD}T;粒子的最優(yōu)位置為pi={pi1,pi2,…,piD}T;粒子群最優(yōu)位置則為pg={pg1,pg2,…,pgm}T,且所有的粒子均具有不同的個體適應度。

粒子的飛行過程就是該個體的搜索過程,粒子的飛行速度可以根據(jù)粒子歷史最優(yōu)位置和種群歷史最優(yōu)位置來進行動態(tài)調(diào)整,粒子的速度代表移動的快慢,位置代表移動的方向。通過不斷地更新粒子的速度和位置,直到找到滿足終止條件的全局最優(yōu)解。

粒子在t+1時刻的速度如下:

vi_(t+1)=wvi_t+c1γ1(pi_t-si_t)+c2γ2(pg_t-si_t)

(6)

粒子在t+1時刻的位置如下:

si_(t+1)=si_t+vi_(t+1)

(7)

式中:i為第i個粒子;vi_(t+1)為粒子在t+1時刻的速度;si_(t+1)為粒子在t+1時刻的位置;w為慣性權(quán)重;vi_t為粒子在t時刻的速度;si_t為粒子在t時刻的位置;pi_t為粒子在t時刻的個體最優(yōu)值;pg_t為粒子在t時刻的群體最優(yōu)值;c1,c2為取值范圍在(1,2)的加速因子;γ1,γ2為[0,1]之間的任意數(shù)。

雖然PSO在解決問題時具有高計算效率,但它容易過早地收斂。由于初始條件是隨機生成的,如果其正好接近該局部最優(yōu)解,那么粒子將陷入局部最優(yōu)解而不能跳出,從而影響全局最優(yōu)解,導致GRNN的σ未能匹配到最優(yōu)值而影響預測精度。

而Lévy飛行由于具有獨特的行走方式,正好可以解決PSO算法容易陷入局部最優(yōu)解的問題。其不僅能夠擴大粒子的搜索范圍,增加粒子群的多樣性;還能提高粒子在模糊狀態(tài)下的搜索效率及粒子活力,使求解時可以跳出局部最優(yōu)解,更好地完成對全局最優(yōu)解的搜索。

引入Lévy飛行后,粒子位置的更新公式如下:

(8)

采用Mantegna算法執(zhí)行萊維飛行,步長計算公式如下:

(9)

式中:β的取值范圍一般為1<β<3。

u、v均服從正態(tài)分布,分布式分別如下:

(10)

v～N(0,1)

(11)

σu的計算方法如下:

(12)

對于LPSO-GRNN模型而言,粒子的當前位置為解決問題的一個候選解,粒子的個體最優(yōu)位置為局部最優(yōu)解;而粒子群的最優(yōu)位置即為全局最優(yōu)解,即為GRNN中的最優(yōu)光滑因子σ。

所以,粒子群算法的實現(xiàn)可按以下步驟進行:

1)首先是把參數(shù)初始化,建立初始粒子種群S={s1,s2,…,sm}T,分別設(shè)定粒子群的各有關(guān)參數(shù):初始參數(shù)c1和c2、初始速度矩陣V、粒子個體初始最優(yōu)位置pi和全局最優(yōu)位置pg;

2)評估粒子種群中的各個粒子,獲得每個粒子的適應度值。其值是描述粒子性能的主要指標,粒子si的適應度是指在n個支持向量機中的粒子si預測值與真實值之間誤差的平方和。根據(jù)適應度的大小,對粒子個體進行優(yōu)勝劣汰。計算每個粒子的適應度F(si),其函數(shù)如下:

(13)

3)利用數(shù)據(jù)對粒子群完成更新,其中包括3個方面內(nèi)容:粒子群中每個粒子狀態(tài)更新、粒子個體最優(yōu)位置pi的更新,以及全局最優(yōu)位置pg的更新;

4)終止條件為:當更新次數(shù)達到設(shè)定的最大訓練次數(shù)時,或者更新結(jié)果粒子適應度值滿足要求時,則訓練終止,輸出最后結(jié)果。否則,重復循環(huán)步驟2)和步驟3),繼續(xù)進行評估和更新,直到達到最大訓練次數(shù)或者找到全局最優(yōu)解。

LPSO算法的工作流程如圖2所示。

圖2 LPSO算法的工作流程

3 基于LPSO-GRNN的螺栓松緊狀態(tài)預測

3.1 螺栓松緊狀態(tài)預測模型

采用軸重式動態(tài)汽車衡逐個累加駛過秤臺的各輪軸的重量,可以得到汽車的總質(zhì)量。汽車在行駛過程中,由于自身的激勵和路面顛簸產(chǎn)生的激勵等原因而引起振動。

在汽車駛過汽車衡時,該振動會與秤臺耦合,使秤臺也產(chǎn)生振動。當螺絲處于緊固或松弛的不同狀態(tài)下,汽車與秤臺耦合產(chǎn)生的振動也不同。

而且理論分析與實驗結(jié)果表明,車速越大,該振動越大。并且由于該振動的存在,會使汽車輪軸施加在秤臺的載荷小于或大于其自身的真實重量,從而使同一部車輛在不同振動狀態(tài)下稱量后得到的軸重分布不同,其計算得到的車輛總質(zhì)量也會偏離汽車重量的真實值。

而在汽車衡的輸出振動信號上,無法通過人工直觀看出這些變化,卻又具體體現(xiàn)在振動信號的各信號特征上。

如何根據(jù)輸出振動信號有效提取不同重量汽車在不同松緊狀態(tài)下的信號特征,并以此建立螺栓松緊狀態(tài)預測模型是研究的基礎(chǔ)。因此,建立螺栓松緊狀態(tài)預測模型必須考慮軸重、車速與各分解后的特征。

基于該理論,筆者選取汽車衡所測得的軸重、車速以及不同狀態(tài)下的振動信號特征作為神經(jīng)網(wǎng)絡(luò)的輸入向量,以螺栓的松緊狀態(tài)作為輸出,建立該預測模型。

各輸入因素與螺栓的緊固或松弛狀態(tài)相關(guān),并體現(xiàn)在輸出振動信號上;不同的軸重、軸數(shù)分布與螺栓緊固或松弛狀態(tài)相關(guān),并體現(xiàn)為車輛與秤臺耦合作用產(chǎn)生的振動強弱、信號波峰不同;車速與汽車和秤臺耦合作用產(chǎn)生的振動信號緊密性相關(guān);各信號特征則在一定程度上反映了設(shè)備的磨損情況、沖擊的強度以及波形的對稱度等因素,并以此來進行測試關(guān)聯(lián)驗證。

為簡化分析與運算,只對螺栓的緊固和松弛2種狀態(tài)進行實驗。

3.1.1 訓練學習樣本采集測試

此處,筆者采用1臺型號為ZDG-40-DZ的軸重式動態(tài)汽車衡進行實驗,其量程范圍為0.5 t～40 t,分度值為50 kg,準確度等級為5級。

被測軸重式動態(tài)汽車衡的內(nèi)部結(jié)構(gòu)圖和實驗現(xiàn)場如圖3所示。

圖3 被測軸重式動態(tài)汽車衡

筆者使用1輛實際總質(zhì)量為20 710 kg的3軸剛性貨車對汽車衡進行測試,分別在螺栓緊固與松弛兩種情況下,使用汽車衡對5 km/h、10 km/h、20 km/h、30 km/h和40 km/h這5種不同車速狀態(tài)下的貨車分別進行8次稱重,得到80組車速、軸重值和輸出振動信號。

3.1.2 樣本訓練

為了構(gòu)建該軸重式動態(tài)汽車衡螺栓松緊狀態(tài)預測模型,筆者從測試得到的80組數(shù)據(jù)中,在每個速度段各隨機選取15組數(shù)據(jù),共60組數(shù)據(jù),作為訓練學習樣本;采用MATLAB軟件,編寫相關(guān)的特征提取程序,根據(jù)60組輸出振動信號,依次提取60組相關(guān)的信號特征,并按照圖1和圖2所示的LPSO-GRNN模型建立方法,對所采集的60組樣本進行訓練尋優(yōu)。

訓練學習樣本集如表2所示。

表2 訓練學習樣本集

算法優(yōu)化前后,光滑因子最優(yōu)值隨樣本訓練次數(shù)的更新變化如圖4所示。

圖4 算法優(yōu)化前后光滑因子最優(yōu)值隨樣本訓練次數(shù)的更新變化

在模型學習訓練中,通過不斷訓練更新,計算找出最優(yōu)光滑因子σ。當樣本達到預先設(shè)定的最大訓練次數(shù),或達到訓練目標精度時,結(jié)束訓練。

從圖4可以明顯看出:改進前的PSO算法由于樣本數(shù)量的不足,一開始便陷入了局部收斂的困境;

改進后的LPSO算法,由于引入Lévy飛行操作,通過產(chǎn)生隨機步長來對粒子的位置和速度進行更新,從而避免陷入局部收斂;

在經(jīng)過幾次的更新后,改進后的LPSO算法一直處于穩(wěn)定收斂狀態(tài),直至達到預先設(shè)定的最大訓練次數(shù),此時的粒子位置便是最優(yōu)的光滑因子,σ=17.881。

3.2 模型驗證與對比

為了驗證所建立的LPSO-GRNN模型的準確性和先進性,筆者分別建立了LPSO-GRNN模型、GRNN模型和PSO-GRNN模型,進行不同模型預測結(jié)果的對比。

在測試得到的80組數(shù)據(jù)中,筆者將除訓練樣本集外的20組數(shù)據(jù)作為驗證的數(shù)據(jù);將驗證數(shù)據(jù)代入到以上各模型中,對汽車衡的螺栓緊固情況逐一進行計算預測,并將其與實驗結(jié)果進行對比驗證。

根據(jù)樣本真實標簽與模型預測標簽的組合,其結(jié)果分為真正例、真反例、假正例、假反例4種。研究中,TP、TN、FP、FN分別代表對應的樣例數(shù)。其中,取標簽正常為正例,標簽異常為反例。

另外,筆者采用典型的性能評價指標,即準確率Acc(Accuracy)、特異度Spe(Specificity)、召回率Rec(Recall)和F1得分(F1-Score),以此來對模型進行綜合評估。

各指標表達式如下所示:

Acc=(TP+TN)/(TP+TN+FP+FN)

(14)

Spe=TN/(TN+FP)

(15)

Rec=TP/(TP+FN)

(16)

F1=(2×Pre×Rec)/(Pre+Rec)

(17)

不同模型預測結(jié)果對比如表3所示。

表3 不同模型預測結(jié)果對比

從表3可以看出:對于傳統(tǒng)的GRNN模型,由于網(wǎng)絡(luò)內(nèi)部核心參數(shù)光滑因子σ沒經(jīng)過任何優(yōu)化,其默認值為1。將其進行數(shù)據(jù)樣本訓練后,各個評估指標都比較低,預測準確率只有80%;而采用PSO算法優(yōu)化后的PSO-GRNN模型,在PSO算法的優(yōu)化下,經(jīng)過樣本訓練后的σ取值得到優(yōu)化。

然而,從表3和圖5可以看出:由于粒子群算法的局限性,此時粒子群陷入局部最優(yōu)收斂,使得筆者得到的光滑因子σ為局部最優(yōu)值。故相較于GRNN模型,PSO-GRNN模型預測準確度雖有一定提高,但與LPSO-GRNN模型相比,仍存在較大差距。

筆者提出的基于LPSO-GRNN的汽車衡螺栓松緊狀態(tài)預測模型,由于其完備的網(wǎng)絡(luò)結(jié)構(gòu)性,使其預測準確度與GRNN模型和PSO-GRNN模型相比,得到了明顯提升,其特異度達到100%、分類準確率達到95%、召回率達到90%、F1得分達到94.7。

可見,相比于前2種模型,基于LPSO-GRNN模型的預測性能有了較大幅度的提升。

4 結(jié)束語

在研究軸重式動態(tài)汽車衡的螺栓松緊狀態(tài)預測方法過程中,GRNN受到光滑因子σ的影響較大。為此,筆者引入Lévy飛行對PSO算法尋優(yōu)過程進行了改進,解決了PSO算法容易陷入局部最優(yōu)解的問題,并將PSO算法與GRNN相結(jié)合,提出了一種基于LPSO-GRNN的軸重式動態(tài)汽車衡螺栓松緊狀態(tài)預測模型。筆者將該模型應用于汽車衡螺栓狀態(tài)預測,最后,將其與GRNN、PSO-GRNN的預測結(jié)果分別進行了比較,驗證了其優(yōu)越性。

研究結(jié)論如下:

1)采用Lévy飛行對PSO算法進行改進,可以有效解決其容易陷入局部最優(yōu)值的不足;

2)利用改進后的PSO算法對GRNN進行參數(shù)尋優(yōu),有效提高了汽車衡螺栓緊固狀態(tài)預測的準確率,其預測精度可達到95%;

3)對比實驗驗證結(jié)果表明,相較于傳統(tǒng)的GRNN模型和PSO-GRNN模型,筆者提出的基于LPSO-GRNN的汽車衡螺栓松緊狀態(tài)預測模型,其預測準確率分別由80%和85%提高到了95%,有效提升了螺栓松緊狀態(tài)預測的準確度。

汽車衡在實際運行中,可能會發(fā)生多類故障同時出現(xiàn)的現(xiàn)象。因此,在后續(xù)的研究工作中,筆者將重點研究預測模型的跨設(shè)備應用,同時采集更多的故障樣本,并對故障類型進行進一步的細分,以對不同類型的故障進行精準定位。