一种基于ARIMA和LSTM算法的工业设备健康趋势分析方法及系统与流程

本发明属于信息技术、智能制造技术领域，具体涉及一种基于arima和lstm算法的工业设备健康趋势分析方法及系统。

背景技术：

随着信息化技术与自动化技术的融合，以工业机器人、大型数控机床等资产构成的智能工厂，对其关键设备的可用性提出了更高的要求。一旦出现了非预期性停机，将对生产效率产生极大的影响。因此，传统的事后维修和周期性维护已经无法满足设备维护管理实时化、智能化和网络化的需求。以特征识别、寿命预测、故障分析、维护规划为核心的预防性维护技术，成为技术发展的必然趋势，这些技术引入设备的衰退性能因素，集成设备的故障诊断信息和预测信息，以总维护成本和总维护时间为目标，研究在线监测的动态预测维护规划建模方法，并基于实际运行系统的在线状态监测数据不断更新最优预防维护策略，优化维护成本。

目前大多数的工业设备还没有内置故障诊断、故障预测等模块，所以需要外置加速度、位移等传感器进行数据采集，通过机器学习、深度学习，训练故障诊断模型，提取设备运行时的特征，进而判断设备的运行状态。目前设备的故障诊断，采用阈值处理方式比较常规，利用相关性分析法，分析多个特征与设备状态的相关性，判定出影响设备状态的关键因素，进而为主要特征因素设定阈值。在设备运行过程中，通过监测某些采集点数据，同时与预设结果进行比对，判断设备的状态。在设备的趋势分析、故障预测方面，支持向量机、线性回归、ann等算法也在该领域得到了很好的应用，但由于未曾引入时间维度因素，导致预测效果并不显著，很难在生产中得到使用。

技术实现要素：

针对智能化、服务化、社会化的制造业未来发展趋势，本发明解决智能制造环境下面临的两个方面的突出挑战：

(1)工业设备目前还并不具备完善的数据采集模块，针对生产制造过程中的加工数据、设备实时的运行数据没有完备的响应处理机制。本发明通过三维加速度传感器、位移传感器、温度传感器等，实现对设备运行数据的采集，基于特征提取相关性分析等多种大数据处理方式，获得对设备健康状态贡献权重较大的特征变量，保证后续输入模型数据纯度以及可靠性。

(2)本发明设备状态数据采集、处理，均在时间域内完成，而使用深度学习、机器学习等回归类算法，训练的算法模型，对于结果预测，准确率很低，表现效果不好。

本发明通过arima(autoregressiveintegratedmovingaveragemodel，差分整合移动平均自回归模型)模型，在不引入外部因素的情况下，完成对单一特征的趋势预测，可以在小范围内保证数据的准确率，使误差保持在可接受的范围内，再基于lstm(longshort-termmemory，长短期记忆网络)记忆神经网络，学习历史数据中设备状态随时间的变化趋势，完成设备状态的趋势预测。

本发明采用的技术方案如下：

一种基于arima和lstm算法的工业设备健康趋势分析方法，包括以下步骤：

1)通过传感器采集工业设备的运行状态信息数据；

2)对采集的数据进行预处理，去除噪声数据，保证数据的可用性和准确性；

3)对预处理后的数据进行特征选择；

4)利用arima模型对步骤3)得到的特征中单一特征的变化趋势进行预测；

5)将步骤4)的预测结果作为训练数据输入到lstm模型中，对lstm模型进行训练；

6)将工业设备的历史数据输入到训练完成的lstm模型，得到工业设备健康趋势的预测结果。

进一步地，步骤1)使用三维加速度传感器、温度传感器、角速度传感器、位移传感器获取工业设备的运行状态信息数据，包括x、y、z三个方向的加速度、电机温度、轴心轨迹、转矩信号，并统一传感器采集数据的频率，保证设备数据采集的同步性。

进一步地，步骤2)所述预处理包括数据平滑、标准化、缺失值处理。

进一步地，步骤3)根据特征的贡献度进行特征选择，特征的贡献度为采用皮尔逊相关系数r度量的连续变量之间线性相关强度，包括：0＝<|r|<＝0.3，低相关；0.3＝<|r|<＝0.8，中度相关；0.8＝<|r|<＝1，高度相关。

进一步地，步骤4)包括：

a)以数据预处理、特征选择获得的数据作为数据源，对数据分布进行平稳性检验；

b)若数据不稳定，则通过差分运算方式处理数据，直到数据分布呈现平稳趋势；

c)通过白噪声检测方法过滤噪音数据，进而得到单一变量在时间序列上的数据预测值；如果白噪声检验未通过，则拟合arima模型，再次进行白噪声检测，直到白噪声检验通过。

进一步地，所述lstm模型包括信息过滤层、信息存储层、信息输出层。

进一步地，所述工业设备健康趋势的预测结果包括工业设备的健康状态，分为三种：a)严重故障，包括设备不能正常工作、停机；b)中度故障，包括设备部分指标存在异常情况，发出告警；c)正常状态，即设备正常运行。

一种基于arima和lstm算法的工业设备健康趋势分析系统，其包括：

数据采集模块，负责通过传感器采集工业设备的运行状态信息数据；

数据预处理模块，负责对采集的数据进行预处理，去除噪声数据，保证数据的可用性和准确性；

特征选择模块，负责对预处理后的数据进行特征选择；

单一变量预测模块，负责利用arima模型对特征选择模块得到的特征中单一特征的变化趋势进行预测；

趋势预测模块，负责将单一变量预测模块的预测结果作为训练数据输入到lstm模型中，对lstm模型进行训练，以及将工业设备的历史数据输入到训练完成的lstm模型，得到工业设备健康趋势的预测结果。

本发明关键在于将arima模型应用于单一变量数据预测，同时作为训练数据，输入到lstm模型当中，进行趋势分析。

本发明的有益效果如下：

本发明通过arima算法，只通过内生变量而不需要借助其他外生变量，推断出下一时刻数据变化趋势，再依据预测值，结合历史数据，使用lstm算法完成故障模型的预测。本发明作为智能工厂资产关键部件运维的支撑技术，能够实现设备状态趋势分析预测，实现设备运维的智能化，保证设备的高效运行，降低维修成本及因故障导致的非正常停机时间，从而体现设备的智能化运维。

附图说明

图1是本发明方法整体步骤流程图。

图2是对单一变量数据的变化趋势进行预测的流程图。

图3是lstm模型的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面通过具体实施例和附图，对本发明做进一步详细说明。

本发明的主要内容和目的包括：1)根据单一变量，估算未来值；2)基于时序数据，训练模型，进行设备健康程度的预测；3)实现设备故障的提前预警；4)降低设备故障停机时间。

本发明提供的完整技术方案如图1所示。通过传感器进行数据采集，依据特征选择方法，筛选关键特征作为数据源，基于arima+lstm算法进行训练，得到预测模型，并基于该预测模型进行设备状态的趋势预测。

1.数据采集

使用三维加速度传感器、温度传感器、角速度传感器、位移传感器等获取设备的运行状态信息数据，主要包括x、y、z三个方向的加速度、电机温度、轴心轨迹、转矩信号等，统一传感器采集数据的频率，保证设备数据采集的同步性。

2.数据预处理

针对采集的数据，通过数据平滑、标准化、缺失值处理等多种预处理方法，去除噪声数据，保证数据可用性、准确性。

3.特征选择

对预处理后的数据进行相关性分析，从大数据集形成较小数量的不相关变量。使用最少数量的主成分来解释最大量的方差，避免多重共线性。根据数据特征的贡献度，进行特征选择，得到关键特征，并舍弃非关键特征。

线性相关关系主要采用皮尔逊(pearson)相关系数r来度量连续变量之间线性相关强度，作为特征的贡献度。具体如下：

0＝<|r|<＝0.3，低相关；

0.3＝<|r|<＝0.8，中度相关；

0.8＝<|r|<＝1，高度相关；

针对高度相关的变量，进一步探究该变量与label(目标值)变量之间的相关性，计算相关系数，确定特征变量。

4.单一变量预测

利用arima模型，基于历史数据，对单一变量数据(经过步骤3特征选择后得到的单一特征)的变化趋势进行数据预测。即便是振动数据，同样保证数据在时间维度。

利用arima模型对单一变量数据的变化趋势进行数据预测的具体流程如图2所示，包括以下步骤：

1)以数据预处理、特征选择获得的数据作为数据源，对数据分布进行平稳性检验；

2)若数据不稳定，需要通过差分运算方式处理数据，直到数据分布呈现平稳趋势；

3)再通过白噪声检测方法，过滤噪音数据，进而得到单一变量在时间序列上的数据预测值；如果白噪声检验未通过，则拟合arima模型，重新选择模型参数，然后再次进行白噪声检测，直到白噪声检验通过。

5.趋势预测

将选择的特征数据(即步骤4)得到的单一变量预测结果)输入到lstm模型中，训练模型参数，得到训练完成后的lstm模型。将待预测的设备的历史数据输入到训练完成后的lstm模型当中后，得到当前时间下的设备健康评估分数，从而进行寿命预测。

lstm模型如图3所示，主要分成三个部分：信息过滤层、信息存储层、信息输出层，通过模型选择数据的有用信息。图3中，“a”表示神经网络节点，σ表示sigmoid函数。

信息过滤层：由sigmoid层决定，它查看ht-1(前一个输出)和xt(当前输入)，并为单元格状态ct-1(上一个状态)中的每个数字输出0和1之间的数字。1代表完全保留，而0代表彻底删除。

信息存储层：首先由称为“输入门层”的sigmoid层决定了将更新哪些值。接下来一个tanh层创建候选向量ct，该向量将会被加到细胞的状态中。

信息输出层：运行一个sigmoid层，它决定了要输出的细胞状态的哪些部分。然后，将细胞状态通过tanh(将值规范化到-1和1之间)，并将其乘以sigmoid门的输出，至此输出模型筛选出的有效数据信息。

训练过程：

1.前向计算每个神经元的输出值。

2.反向计算每个神经元的误差项值。lstm误差项的反向传播也是包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；一个是将误差项向上一层传播。

3.根据相应的误差项，计算每个权重的梯度。

实际预测过程：

模型构建部分主要包括了输入层，lstm层，输出层，loss(损失)，optimizer(优化)等部分的构建：

1.输入层

在数据预处理阶段，定义了mini-batch(小批次)的分割函数，输入层的size取决于设置batch的size。

2.lstm层

lstm层是整个神经网络的关键部分，使用基本模块basiclstmcell，构建好lstmcell后，为了防止过拟合，在它的隐层添加了dropout正则。

3.输出层采用softmax，它与lstm进行全连接。

4.要对targets(目标值)进行one-hot编码，采用softmax_cross_entropy_with_logits交叉熵来计算loss。

5.模型训练，根据经验设置参数，进行迭代训练。

参数如下：

batch_size:单个batch中序列的个数

num_steps:单个序列中字符数目

lstm_size:隐层结点个数

num_layers:lstm层个数

learning_rate:学习率

keep_prob:训练时dropout层中保留结点比例

6.具体应用：

通过历史数据预测设备的健康状况。健康状态主要分为三种：严重故障(设备不能正常工作、停机)；中度故障(设备部分指标存在异常情况，发出告警)；正常状态：设备正常运行。

总体思路：采集设备的运行数据，利用arima模型对单一变量进行预测，作为训练数据输入到lstm时序模型当中，完成结果的预测。

例如，工业机器人轴承属于易损耗的部件，而机器人的轴承故障，将导致停机损失，因此对设备的故障检预异常重要。采用本发明的方法，通过传感器采集设备的振动数据，由于为时序数据，设备振动数据受其他因素影响很小，在不改变时间域的情况下，通过arima模型，挖掘数据的趋势，预测未来固定时间段内的振动值，结合其他特征，作为数据源，对轴承的故障进行诊断，对健康状态进行预测。

基于同一发明构思，本发明另一实施例提供一种基于arima和lstm算法的工业设备健康趋势分析系统，其包括：

数据采集模块，负责通过传感器采集工业设备的运行状态信息数据；

数据预处理模块，负责对采集的数据进行预处理，去除噪声数据，保证数据的可用性和准确性；

特征选择模块，负责对预处理后的数据进行特征选择；

单一变量预测模块，负责利用arima模型对特征选择模块得到的特征中单一特征的变化趋势进行预测；

趋势预测模块，负责将单一变量预测模块的预测结果作为训练数据输入到lstm模型中，对lstm模型进行训练，以及将工业设备的历史数据输入到训练完成的lstm模型，得到工业设备健康趋势的预测结果。

其中，各模块的进行的具体操作参见前文对本发明方法的说明。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的原理和范围，本发明的保护范围应以权利要求书所述为准。