使用原始振动数据的滚动元件轴承的基于LSTM的状态监测和故障预测

?——【·前言·】——?

4.0工业革命和普遍的技术进步使工业单元变得更加复杂。这些复杂的机电装置现在旨在提高效率和增加可靠性。在当前竞争激烈的时代，这些重要设备的停机时间是无法承受的。故障诊断的模式正从传统的预测方法转向主动预测方法。

因此，基于状态的监测和预测现在是复杂工业系统的重要组成部分。由于滚动轴承是工业系统的重要组成部分，并且具有最高的故障频率，因此本研究的重点是开发一个使用长短期记忆的故障预测系统。与其他研究相比，通过使用原始时间序列传感器数据作为模型的输入，特征工程被最小化。

我们的模型实现了最低的均方根误差，并优于将时域、频域或时频域特征用作模型输入的类似研究模型。此外，使用原始振动数据也能够更好地推广模型。这一点已经通过根据不同来源产生的振动数据评估所开发模型的性能得到了证实。

?——【·介绍·】——?

工业机器中最重要的部件之一是轴承，它通常在非常紧张的环境下运行，因此经常容易退化。因此，轴承是机电系统中少数几个关键的和最重要的导致故障的部件。老化时，轴承磨损等故障和异常振动、高温和错位等症状会引入系统。

因此，在现代工业革命时代，需要一种故障识别的预测方法来避免被迫停机。现有的基于条件的监控和系统健康监控方法一般分为基于物理的模型，其需要广泛的领域知识，其中模型是使用数学方程构建的，以及数据驱动的模型。

其中模型的训练是使用传感器生成的历史数据进行的因为数据驱动模型与从机器收集的历史感官数据一起工作。这些数据可以在线记录，模型的参数可以实时更新。因此，这种方法使得数据驱动模型对于机电机器的预测性维护更有吸引力。

已经开发了各种模型用于轴承的有效状态监控，包括基于声发射的模型。然而，振动信号分析是对旋转机械进行预测的最广泛使用和最有效的方法之一。旋转机器中故障的发生会导致机器停机，并且与更高的操作和维护成本、严重事故和经济损失直接相关。

因此，旋转机器中的故障诊断可以通过使用速度传感器测量速度变化来进行或通过使用加速度计量化振动信号。然而，使用振动信号的故障检测和预测是最广泛使用的方法。使用凯斯西储大学轴承中心数据集对特征提取和选择技术、不同分类器和深度学习模型进行了详细审查。

类似地，已经提供了智能故障诊断的未来路线图，并对机械故障诊断和预测的最新进展进行了系统的审查。已经采用了几种技术来识别振动数据中的故障，包括短时傅立叶变换和小波变换。其他适用的方法包括带通滤波、相位解调、卡尔曼滤波和基于深度神经网络的深度学习技术。

使用MATLAB分类学习器工具箱以及支持向量机、K-最近邻和集成的总共17个不同的分类器已经被用于评估用于诊断感应电动机中的故障的分类器的性能。同样，经典的机器学习算法也已经被用于检测蒸汽发电厂的水冷壁管中的泄漏。

随着计算资源的发展，深度学习已经成为焦点，特别是在预测领域，因为它在建模复杂系统方面的有效性。人工神经网络是用于预测的最常见的深度学习方法，因为它们在复杂的非线性多维系统中表现突出。它们有效处理非线性信息的能力使它们在噪声方面更加稳健。

许多人工神经网络结构，如前馈、单层和多层感知器、递归神经网络、长短期记忆、模块化神经网络和卷积神经网络,正被用于进行工业和可再生能源系统的CBM和预测。为了诊断轴承故障，提出了一种基于优化深度学习结构的大记忆存储检索神经网络。

表征rul和退化特征之间的潜在结构的贝叶斯深度学习模型用于描述预测不确定性。基于此，做出与维护和备件订购相关的动态决策。基于C-MAPSS涡扇发动机数据集，通过与各种基准测试策略的比较，验证了所提框架的性能。

在工业4.0的保护伞下，对智能制造和现代动态工业流程和能源生产单元中集成人工智能、大数据和工业物联网进行了广泛的研究。使用虚拟传感器在振动数据中人工诱导不同的健康状态，解决了数据不平衡的问题。

因此，本研究的重点是开发一个动态和稳健的预测模型，该模型可以根据传感器记录的原始振动数据有效地预测轴承的退化和故障。本研究中的所有分析都是在时域中进行的，通过将实际传感器数据作为输入，对特征工程的需求被最小化。

提出的模型被开发用于提前预测轴承退化和故障。因为由传感器产生的原始振动数据被用于模型训练和测试，所以模型可以被有效地概括。为了评估所开发的模型的泛化能力，该模型被测试用于分析水力和风力涡轮机的轴承中的故障。

据观察，该模型有效地预测了轴承振动值，而与数据源无关。在实时在线进行状态监测的情况下，使用原始振动值代替时域特征也具有优势。因为在任何时刻，只有部分数据可用，有效地获取时域特征成为一个困难的问题。

本文的其余部分组织如下。讨论研究的新颖性。解释整体方法，包括提议模型的合理性和体系结构。第三节解释了数据采集的过程，详细介绍了数据集，并阐述了实验设置。解释评估指标和结果，并将结果与类似研究的结果进行比较。文中还讨论了模型的泛化能力。最后，论文得出结论。

?——【·方法学·】——?

使用Python编程语言开发并测试了该模型。振动值的预测是通过首先获取包含由试验台记录的原始振动值的传感数据来进行的。随后，该原始数据被预处理以去除任何异常值。预处理的数据被归一化，然后用于训练和测试基于机器学习算法的预测模型。

最后，对模型进行了超参数测试和微调。最后，通过对不同来源的真实振动数据进行测试，验证了模型的泛化能力。由安装的传感器产生的振动信号代表顺序表达的时间序列数据。基于多域特征提取的传统模型的局限性之一是它们不能有效地对感觉数据的固有顺序特征进行建模。

此外，为这些模型选择特征需要广泛的领域知识和特征工程技能。此外，序列模型，包括传统的人工神经网络、隐马尔可夫模型、卡尔曼滤波器和条件随机场，尽管具有处理序列数据的能力，但不能解决长期依赖性。

如同在基于传感数据的机器状态监控中一样，在两个连续的信息或鉴别信号之间可能存在许多噪声或非鉴别信号。因此，在重要的数据点之间会导致时间尺度上的长延迟。这导致上述模型在处理时间序列数据时效率和性能降低。

为了解决长期数据依赖性的问题，使用rnn来处理顺序数据已经大大增加了。然而，RNNs的缺点之一是梯度爆炸和消失的问题。虽然rnn可以在网络中存储以前的输入，并且可以使用反向传播进行训练，但是由于梯度消失问题，它们满足序列数据中长期依赖性的能力降低了。

因此，LSTM算法被引入。这种算法防止梯度消失或爆炸；然而，它也通过在架构中引入遗忘门解决了长期的数据依赖性。LSTMs可以同时进行代表性学习和模型训练，而不需要额外的领域知识。考虑到时间序列数据前所未有的性能，LSTM算法被用于开发预测模型。

?——【·实验和结果·】——?

IMS提供的数据集包括三个数据集，每个数据集描述一个独立的运行至故障实验。共有984个文件的数据集02用于模型的训练和测试。数据集被分成训练集和测试集。70%的数据用于训练模型，30%用于测试。通过使用具有4448个文件的数据集03测试训练的模型，进一步验证了结果。

为了使模型在真实场景中有效工作，所有分析都是在实际时间序列数据和时间域中进行的。此外，来自传感器的净化数据被直接输入到模型中，这与其他研究相反，在其他研究中，时域特征或频域特征被用作模型的输入。

这些统计分析和统计特征提取不能有效地在部分数据上执行，尤其是在实时执行预测并且有限的SCADA数据在任何时候都可用的情况下。此外，LSTM有一个竞争优势，在那里对功能工程和广泛的领域知识的需求被最小化。

因此，来自传感器的原始数据被直接输入到LSTM模型中，而不是提取特征。表示实际值和 表示预测值。在轴承振动数据的预测中，较大的误差往往会导致不理想的结果。因为RMSE平方实际值和预测值之间的差，所以它对较大的误差值给予较大的权重。

因此对于所提出的模型的性能评估是非常有用的度量。因此，该模型与其他类似研究的比较是以RMSE为例进行的。然而，为了进一步验证和评估模型的性能，MAE、NMAE和MAPE也被用作评估指标。

首先在数据集02上分析了所开发的LSTM模型相对于所提出的方法的性能。显示了预测和实际轴承振动值的曲线图。蓝色代表实际轴承振动，而橙色代表预测值。所提出的模型精确地预测了正常值，并跟踪退化趋势直到故障，该故障也被有效地预测。为数据集02记录的RMSE值是0.0145。

考虑到平均振动值，该RMSE反映了预测值和实际值之间的误差较小。通过对数据集03进行测试，进一步验证了该模型的性能。表示轴承振动的预测值和实际值。该模型表现甚至更好，并实现了0.0102的非常低的RMSE值。

在对数据集03进行测试的过程中，该模型也用MAE、NMAE和MAPE进行了评估。中的误差值表3反映出该模型在预测轴承振动值时表现得非常好。去除频域中的噪声需要深入的领域知识，并且可能导致在分析模式时去除可能证明对模型有用的重要数据点。

此外，使用LSTM，对大量特征工程的需求被最小化，而当统计时域特征被输入到模型中时，它们会添加偏差因子，从而影响预测精度并限制模型的泛化。这些问题在本研究中得到了有效解决。然后将所提出的模型获得的结果与在IMS方位数据集上进行的类似研究进行比较。

表4将我们研究的RMSE与其他研究中在同一数据集上训练和测试的各种模型所实现的RMSE进行比较。达到接近RMSE值的研究人员，首先从数据中提取时频特征，然后使用这些特征作为输入来预测轴承的未来状态。

结果表明，我们提出的方法和模型在RMSE方面比在相同数据集上进行的其他研究取得了更好的结果。此外，在同一数据集上进行测试时，本研究中开发的模型比其他深度学习和机器学习模型获得了更好的预测准确性。

?——【·结论·】——?

随着发电设备的不断进步，部署高效O&M程序的需求也在增加。因此，预测已成为革命性的机电系统的重要组成部分。因此，本研究描述了一个有效的滚动轴承故障预测系统基于单变量时间序列分析使用LSTM。使用轴承的振动数据对开发的模型进行训练和测试。

所有分析都是在时域中进行的，原始传感器数据直接输入到模型中，从而最大限度地减少了对特征工程的需求。通过实验验证了所提出的方法，并用RMSE术语分析了模型的性能。将结果与在相同数据集上进行的其他研究进行比较，我们的模型优于现有模型，并实现了更低的RMSE。通过针对风力或水力涡轮机的SCADA系统生成的实时数据评估模型的性能，验证了模型的泛化能力。

?——【·参考文献·】——?

1、坎杜库里，《风力涡轮机农场级健康管理低速机械的诊断和预测综述》，2016年，麻省理工大学出版社。

2、马赫，《数据驱动的预测和健康管理技术》，2017年，加州理工学院出版社。

3、格拉迪谢克，《声发射信号的分析和加工过程的监控》，2000年，剑桥大学出版社。