典型工业设备健康状态预测方法研究及应用

作     者：陈宇豪 

作者单位：重庆大学 

学位级别：硕士

导师姓名：杨正益

授予年度：2022年

学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

主      题：典型工业设备 健康状态预测 卷积神经网络 双向长短时记忆网络 

摘      要：设备安全稳定运行关系到经济建设发展、人民生命财产安全和社会稳定,确保设备健康运转、有效预防事故发生已经引起越来越高的重视,数据驱动的人工智能和机器学习也正在为起重机械等典型工业设备的健康状态预测中提供技术支持。有关典型工业设备监测数据的预测任务在实际应用中面临极大的挑战性,首先是设备监测数据类型的多样性,其中包括温度、应变、振动、声音、转速、电信号等,不明显特征监测类别会影响状态预测的准确度。此外,状态预测重点在于防患未然,需要结合现有技术实现多时间步长的数据预测、保证输出时间跨度以提供足够响应故障的应对时间。最后,典型工业设备的监测数据通过时间顺序组织,而时序的双向输入对数据预测都具有参考意义。本文针对以上问题,建立改进的深度学习神经网络模型,并提出一种多类型工业设备适用的预测方法,对设备的健康状态进行预测,保障设备稳定安全运行。本文研究的预测方法应用于参与研发的国家重点研发计划项目中。本文研究的主要工作内容如下:(1)构建了结合卷积神经网络(Convolutional Neural Networks,CNN)的基于编码解码器模式双向长短时记忆网络(Bidirectional Long Short-Term Memory with Encoder-Decoder,ED-BLSTM)的算法模型。该模型通过特定数据预处理结合卷积神经网络实现了特征提取、减少了主模型的输入、去除了不明显特征,为后续模型预测提供了简单有效的信息传递;在此基础上,目标模型通过使用基于编码解码器模式的长短时循环神经网络来处理多时间步长的输入输出,实现了预测未来某一时间段的监测数据,并以此进行健康状态的分析和判断;最后,加入双向长短时循环神经网络模型来处理具有顺逆序相关性的监测数据集,达到了更佳的预测效果。(2)根据上述算法模型提出了典型工业设备多类型适用的预测方法。该方法有效利用设备环境提供的工况数据,构建信息传递的内循环,保证了方法预测准确性的持续优化。本文使用中国特种设备检测研究院提供的起重机械监测数据进行对比实验,其中对比设置有基于动态周期因子计算的预测方法、基于线性回归的预测模型以及各类其他深度神经网络。对比实验表明目标算法模型在收敛后的验证损失小于其他模型,在实际预测过程中的结果偏差小于其他模型,整体预测性能有可观提升。(3)在国家重点研发计划课题任务“典型工业设备和产品检测监测云服务平台的研发中将预测方法应用到健康状态预测功能模块,实现了基于方法的健康预测,并应用到多类型设备产品中。项目结题、平台上线后,该功能得到了设备监管、制造及使用人员的正面反馈,表明研究内容对典型工业设备健康状态预测的技术发展有积极意义。