摘 要

Abstract III

1绪论 1

1.1研究目的和意义 1

1.2研究现状 1

1.3研究内容和预期目标 1

2.相关理论和技术 3

2.1人工神经网络简述 3

2.2深度学习模型 3

2.3 RNN模型和LSTM神经网络 5

2.3基于机器学习的其他时间序列预测模型简述 7

2.3.1 Hlot-Winters时间序列预测模型 7

2.3.2 ARIMA模型 7

2.3.3奇异谱分析（SSA） 7

2.3.4多元线性回归（MLR） 8

2.3.5 支持向量回归（SVR） 8

2.4 SVM概述 8

2.5 python及相关包介绍 9

3 LSTM故障预测模型 11

3.1实际问题分析 11

3.2影响因素 11

3.3建立数学模型 11

3.4 LSTM模型结构设计 11

3.4.1输入层 12

3.4.2隐藏层 12

3.4.3输出层 13

3.4.4网络训练 13

4. 算法实现与分析 15

4.1原始数据整理 15

4.2数据输入 17

4.3 定义和拟合模型 17

4.4评估模型 18

4.5时间步长对结果的影响 19

4.6预测结果分类 20

5. 总结与展望 22

5.1论文工作总结 22

5.2研究工作展望 22

参考文献 23

附录 24

摘要

在一些工业设备中，故障发生往往是有先兆的，可以利用当前采集到的时间序列来判断是否可能有潜在故障。为了能有效的预测序列，我们需要将序列当前状态以及之前状态进行综合考虑，从而完成对下一时刻预测。

本次研究主要是以风力发电机为背景，考虑在温度，压强，风速，风向等气象条件对风力发电机可能出现的性能故障下，提出基于长短期记忆（long short-term memory，LSTM）循环神经网络来实现的时间序列故障预测算法。LSTM适合处理和预测时间序列中间隔和延迟相对较长的重要事件。本文首先对采集到的原始序列进行一个预测，然后对预测得到的序列结果做一个分类。整个过程利用python完成仿真并分析结果。

关键字:故障；时间序列；预测；LSTM神经网络

Abstract

In some industrial equipment, faults often have precursors. The current collected time series data can be used to determine whether there is a potential fault. In order to effectively predict the sequence, we need to consider the current state of the sequence and the previous state to complete the prediction of the next moment.

This study is mainly based on wind power generators. Considering the temperature, pressure, wind speed, wind direction and other meteorological conditions for possible performance failures of wind turbines, a long short-term memory (LSTM) cycle is proposed. Neural network to achieve time series fault prediction algorithm. The LSTM is suitable for processing and predicting important events with relatively long intervals and delays in the time series. In this paper, we first make a prediction of the collected original sequence, and then make a classification of the predicted sequence results. The entire process uses python to complete the simulation and analyze the results.

Keywords: Fault; time series; prediction; LSTM neural network

1绪论

1.1研究目的和意义

故障预测问题是指根据现在的状态以及过去的状态，找到一种合适的方法去确定未来的设备或机器工作状态,从而判断故障的发生与否。对于高可靠性和安全需要的复杂系统，有效预测使用阶段的可靠性指标是十分重要的。

随着计算机技术的发展及人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大。在现代工业控制方面，故障的产生往往是有先兆的，如果能够及时预测故障发生，一方面就能够减少机器损坏造成的损失，另一方面同时好进行及时维修保证工厂的正常运行。对于高危高风险的设备也有利于保障人们的生命和财产安全。因此，聚焦于利用人工智能，并利用它的原理进行预测故障发生就显得非常重要。

1.2研究现状

目前，存在着有很多的方法可以用来解决关于可靠性预测问题，这些方法大致可以分为如下三类：第一，基于故障机理的方法来进行可靠性研究，这是一种根据故障发生的内在机制和根本原因从而进行间接预测的方法；机理模型主要是一种基于利用物理学以及化学中的类似成分分析原则进行分析，该类模型根据设备中具体发生过程，可能是化学反应，又或者是物理过程对不同层级进行建模，然而由于设备极其复杂，且在大多数情况下，引起复杂系统的故障原因既包括内因，又包括外因，是多种因素作用的结果，实际上很难找到这种内在机制。而且模型中需要用到的许多参数无法测量到，所以预测效果较差。

1. 采用数据驱动的方法，这是一种应用数理统计学或者机器学习等技术手段方式对可靠性的指标进行预测的方法，这是机器学习利用以往过去数据，描述设备特征或是状态。挖掘数据中的关系从而预测未来的状态。这种方法是机器学习在现代制造业方面的重要应用之一。所用的常用方法主要有：回归分析、偏最小二乘法（Partial Least Squares Regression,PLS）、主成分分析、自回归分析,神经网络方法,支持向量机。其中，回归分析、偏最小二乘法、主成分分析、自回归分析是采用数理统计学的方法，他们各自以采取不同的统计学指标作为优化目标，效果和精度也各不相同。在上面这些方法中神经网络模型与支持向量机（SVM）是属于机器学习方面的方法，他们以预测精度作为更加直观和可视化的优化目标，经过大量的训练学习，确定网络参数，可以取得更好的效果。

第三种方法是结合上述两种方法各自的优点，近年来，随着计算机科学技术的发展和AI的突飞猛进，基于数据驱动的方法由于其便捷性和高效性特点在实际可靠性预测中的应用日渐广泛。

随着深度学习技术不断快速发展，一些深度学习模型逐渐被应用到时序数据的研究中，深度学习模型是一种拥有多个非线性映射层级的深度神经网络模型，能够对输入信号逐层抽象并提取特征，挖掘出更深层次的潜在规律。在众多深度学习模型中，循环神经网络（recurrent neural network，RNN）RNN将时序数据分析中表现更强的适应性。在很多RNN的变形形式中，长短期记忆模型又称为LSTM模型弥补了RNN中出现的梯度消失问题和梯度爆炸问题，使得循环神经网络能够真正有效利用长距离的时序信息。

1.3研究内容和预期目标

本文在广泛阅读国内外关于故障预测及深度学习的相关文献后，研究并设计了基于LSTM的故障预测算法。

第一章绪论，首先介绍了研究目的及意义，阐述解决可靠性预测问题的国内外现状。第二章详细介绍了相关理论，包括神经网络模型，RNN模型和LSTM等模型等，第三章对实际的应用问题建立假设的数学模型，第四章主要是详细阐述了实现预测问题和分类问题的具体步骤并对我们得到的实验结果进行总结并分析，第五章对本次实验做概括性阐述并对未来研究进行展望。

2.相关理论和技术

2.1人工神经网络简述

人工神经网络（Artificial Neural Network，ANN）又或者被简称为神经网络(NN)，这是科学家在研究完生物学中的生物神经原理并且充分理解人脑工作的原理和对外界刺激的感知，并建立起响应机制的基础之上，以网络拓扑的数学知识去模拟人脑如何处理复杂信息的一种数学模型。这个模型首先具备强大的计算处理能力，而且必须要智能化，通俗的讲来说就是很聪明，最后能够自己学习是很重要的能力，也因为它强大的能力引起了各学科领域的高度关注，并掀起了一场新的技术革命。人们实际上可以将它看成一个特殊的复杂网络——由一个个简单的元件彼此连接而成。这个网络是非线性的因此能够实现复杂运算和逻辑操作。

神经网络最重要的概念之一是称之为神经元的节点，每个节点可以看成是一个输出函数，这个输出函数在神经网络里面有另外一个名字：激励函数。节点之间的数字代表连接信号的权值，权值是用来抽象出神经网络的记忆。不同的权值和不同的激励函数构成不同的网络结构，网络结构可以是对某种复杂的函数或者算法的逼近，也可以是一种逻辑策略的数学阐述，如图2.1所示。而网络输出则取决于网络结构。

在神经网络中，这些看似完全不同的处理单元可以分为以下大致的三类：输入单元，输入单元是用来接受外部的数据或者是信号；输出单元，输出单元是将系统处理后的结果实现输出；隐藏单元。隐藏单元是位于网络中的输入和输出中间反映出单元之间如何连接等细节情况，而且不可以直接由外部观察的单元。网络处理单元中如何连接的细节可以直接反映信息的处理之上。

终上所述，人工神经网络是一种应用生物学中的类似于大脑神经突触的连接结构进行信息处理的数学模型，它是在人类对自身大脑组织结合和思维机制的认识理解基础之上模拟出来的，它是根植于思维科学、统计数学、人工智能、神经科学、物理学应用、计算机科学应用的一门技术。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：