使用基于LSTM編碼-解碼的無(wú)監(jiān)督健康指數(shù)多傳感器預(yù)測(cè)
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)都很容易獲得覆履。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(lái)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(lái)維護(hù)（例如每隔3個(gè)月維護(hù)一次）祭务。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)省大量的資金内狗，通過(guò)建模去預(yù)測(cè)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义锥，比如：指數(shù)型或者線性的。在這一假設(shè)下岩灭，我們能建立健康指數(shù)的預(yù)測(cè)模型拌倍。健康指數(shù)的推測(cè)能被用來(lái)剩余使用壽命的預(yù)測(cè)。但是，我們發(fā)現(xiàn)這種假設(shè)在真實(shí)世界的數(shù)據(jù)集不成立柱恤，要解決這一問(wèn)題變得更加困難数初。解決這一預(yù)測(cè)問(wèn)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)間是不一樣的梗顺；
- 每一個(gè)樣本的最初健康狀態(tài)可能有微小的差別泡孩；
- 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)不容易獲得寺谤，因?yàn)闀?huì)進(jìn)行周期性的維護(hù)仑鸥。
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)模型变屁、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(cè)眼俊。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(lái)建立RUL估計(jì)模型。一般來(lái)說(shuō)粟关，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(lái)獲取一般的退化行為趨勢(shì)疮胖，或者通過(guò)HI估計(jì)健康來(lái)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)模型闷板，它被成功的運(yùn)用在了序列學(xué)習(xí)澎灸，和時(shí)間建模任務(wù)中，例如：情感分析遮晚，手寫數(shù)字識(shí)別击孩，語(yǔ)音識(shí)別，情感分析和顧客行為分析鹏漆。一個(gè)LSTM網(wǎng)絡(luò)的變體巩梢，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，比如艺玲，機(jī)器翻譯括蝠，自然語(yǔ)言的生成和重建，解析饭聚，和圖像字幕忌警。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)秒梳，它使用這一向量表示來(lái)產(chǎn)生一個(gè)目標(biāo)序列法绵。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(cè)中被提出來(lái)酪碘。這些方法學(xué)習(xí)了一個(gè)模型朋譬，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兴垦。這個(gè)學(xué)習(xí)模型導(dǎo)致了高的重構(gòu)錯(cuò)誤率徙赢，對(duì)于一些異常的和新的子序列字柠，因?yàn)樗谟?xùn)練期間沒(méi)有見過(guò)這種數(shù)據(jù)〗拼停基于同樣的想法窑业，我們使用長(zhǎng)短期編碼解碼做RUL預(yù)測(cè)。在本論文中枕屉，我們提出了一種無(wú)監(jiān)督的技術(shù)去獲取健康指數(shù)常柄，對(duì)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(méi)有做出任何假設(shè)搀擂。我們使用LSTM-ED去學(xué)習(xí)一個(gè)系統(tǒng)正常行為的模型西潘，該模型被訓(xùn)練重構(gòu)與正常行為相對(duì)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(lái)計(jì)算那一點(diǎn)的HI哥倔。在這篇論文中秸架，我們表明：
- 基于HI的LSTM-ED，在無(wú)監(jiān)督行為下學(xué)習(xí)咆蒿，能夠捕捉到一個(gè)系統(tǒng)的退化：HI降低伴隨著系統(tǒng)的退化东抹。
- 基于HI的LSTM-ED能被用來(lái)學(xué)習(xí)一個(gè)模型，進(jìn)行RUL預(yù)測(cè)而不需要依賴任何領(lǐng)域知識(shí)沃测，或者指數(shù)型/線性退化假設(shè)缭黔，還能達(dá)到可觀的性能。
