使用基于LSTM編碼-解碼的無監(jiān)督健康指數(shù)多傳感器預(yù)測
Multi-Sensor Prognostics using an Unsupervised Health Index based on LSTM Encoder - Decoder
1. Introduction
工業(yè)互聯(lián)網(wǎng)使得各個(gè)領(lǐng)域的傳感器數(shù)據(jù)都很容易獲得。傳感器的數(shù)據(jù)表明了系統(tǒng)的健康狀態(tài)。這就導(dǎo)致了越來越多的企業(yè)想要根據(jù)機(jī)器的健康狀態(tài)進(jìn)行維護(hù)而不是根據(jù)時(shí)間來維護(hù)（例如每隔3個(gè)月維護(hù)一次）。實(shí)驗(yàn)表明根據(jù)機(jī)器的條件狀況進(jìn)行維護(hù)能節(jié)省大量的資金，通過建模去預(yù)測剩余使用壽命能達(dá)到這一目標(biāo)。
傳統(tǒng)的剩余使用壽命基于一個(gè)假設(shè)：健康退化曲線遵循一些特定的形狀，比如：指數(shù)型或者線性的。在這一假設(shè)下，我們能建立健康指數(shù)的預(yù)測模型。健康指數(shù)的推測能被用來剩余使用壽命的預(yù)測。但是，我們發(fā)現(xiàn)這種假設(shè)在真實(shí)世界的數(shù)據(jù)集不成立，要解決這一問題變得更加困難。解決這一預(yù)測問題的一些困難挑戰(zhàn)如下：
- 健康退化曲線可能不是一個(gè)固定的形狀；
- 相同規(guī)格的機(jī)器達(dá)到相同退化水平的時(shí)間是不一樣的；
- 每一個(gè)樣本的最初健康狀態(tài)可能有微小的差別；
- 讀取的傳感器數(shù)據(jù)可能含有噪聲（有誤差）；
- 直到生命結(jié)束的傳感器的數(shù)據(jù)不容易獲得，因?yàn)闀?huì)進(jìn)行周期性的維護(hù)。
除了上述基于健康指數(shù)的方法外，基礎(chǔ)物理系統(tǒng)的數(shù)學(xué)模型、故障傳播模型和常規(guī)可靠性模型也被用于RUL（剩余使用壽命）預(yù)測。數(shù)據(jù)驅(qū)動(dòng)建模利用攜帶退化和磨損信息的傳感器讀數(shù)（軸承的振動(dòng)）已經(jīng)有效的用來建立RUL估計(jì)模型。一般來說，一個(gè)系統(tǒng)從開始到出現(xiàn)錯(cuò)誤的運(yùn)行的整個(gè)生命周期的傳感器讀數(shù)被用來獲取一般的退化行為趨勢，或者通過HI估計(jì)健康來建立一個(gè)系統(tǒng)如何退化的模型。
LSTM網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)模型，它被成功的運(yùn)用在了序列學(xué)習(xí)，和時(shí)間建模任務(wù)中，例如：情感分析，手寫數(shù)字識(shí)別，語音識(shí)別，情感分析和顧客行為分析。一個(gè)LSTM網(wǎng)絡(luò)的變體，LSTM編碼-解碼模型已經(jīng)被成功運(yùn)用在了序列到序列的學(xué)習(xí)任務(wù)中，比如，機(jī)器翻譯，自然語言的生成和重建，解析，和圖像字幕。LSTM-ED的工作流程如下：一個(gè)基于LSTM的編碼器用于將多元變量輸入序列映射到固定維數(shù)的向量表示，解碼器是另一個(gè)LSTM網(wǎng)絡(luò)，它使用這一向量表示來產(chǎn)生一個(gè)目標(biāo)序列。在4.1和4.2我們提供更詳細(xì)的LSTM-ED的描述。
LSTM-ED使用的方法在異常檢測中被提出來。這些方法學(xué)習(xí)了一個(gè)模型，去重構(gòu)正常的數(shù)據(jù)（例如當(dāng)機(jī)器在非常健康的狀態(tài)下），以便這一學(xué)習(xí)模型能夠重構(gòu)出屬于正常行為下的子序列。這個(gè)學(xué)習(xí)模型導(dǎo)致了高的重構(gòu)錯(cuò)誤率，對于一些異常的和新的子序列，因?yàn)樗谟?xùn)練期間沒有見過這種數(shù)據(jù)?；谕瑯拥南敕?，我們使用長短期編碼解碼做RUL預(yù)測。在本論文中，我們提出了一種無監(jiān)督的技術(shù)去獲取健康指數(shù)，對于一個(gè)系統(tǒng)使用多個(gè)傳感器時(shí)間序列數(shù)據(jù)，它在退化的曲線上沒有做出任何假設(shè)。我們使用LSTM-ED去學(xué)習(xí)一個(gè)系統(tǒng)正常行為的模型，該模型被訓(xùn)練重構(gòu)與正常行為相對應(yīng)的多遠(yuǎn)時(shí)間序列。時(shí)間序列中的某一點(diǎn)的重構(gòu)誤差被用來計(jì)算那一點(diǎn)的HI。在這篇論文中，我們表明：
- 基于HI的LSTM-ED，在無監(jiān)督行為下學(xué)習(xí)，能夠捕捉到一個(gè)系統(tǒng)的退化：HI降低伴隨著系統(tǒng)的退化。
- 基于HI的LSTM-ED能被用來學(xué)習(xí)一個(gè)模型，進(jìn)行RUL預(yù)測而不需要依賴任何領(lǐng)域知識(shí)，或者指數(shù)型/線性退化假設(shè)，還能達(dá)到可觀的性能。
