改進CNN和Bi-LSTM的集成化裝備故障檢測研究

鄭樂輝，孫君杰，牛 潤，黃 瑩

(1.武警工程大學(xué) 研究生大隊,西安 710086; 2.武警工程大學(xué) 信息工程學(xué)院,西安 710086)

0 引言

隨著科學(xué)技術(shù)的不斷發(fā)展和工業(yè)水平的不斷提高，現(xiàn)代工業(yè)裝備為滿足產(chǎn)品的各項要求，不斷趨于集成化、復(fù)雜化、綜合化，因此其內(nèi)部的不確定性也越來越大。為保證裝備的安全性、穩(wěn)定性、可靠性，需要提高對集成化裝備的健康管理能力，保障設(shè)備安全穩(wěn)定地完成產(chǎn)品生產(chǎn)及設(shè)備正常工作。因此故障檢測與健康管理(DHM)就應(yīng)運而生。

故障檢測和健康管理是通過一定的信息獲取技術(shù)，通過傳感器等精密靈敏的儀器，對機械設(shè)備工作信息進行采集，然后通過一些優(yōu)化算法和模塊構(gòu)建智能檢測預(yù)測模型，對機械設(shè)備進行實時監(jiān)控，數(shù)據(jù)收集，故障檢測，分析預(yù)測等。而集成化設(shè)備是在機械設(shè)備中普遍存在的，其由于工作環(huán)境復(fù)雜，多系統(tǒng)耦合，集成復(fù)合度高，在長期服役的過程中，往往由于其監(jiān)測信息“體量浩大、多源異構(gòu)、生成快速、價值稀疏”，在獲取時要耗費大量的人力物力。而在大數(shù)據(jù)背景下通過建立深層的學(xué)習(xí)模型，利用多種算法，能更好的展現(xiàn)龐大檢測數(shù)據(jù)和集成化裝備故障檢測和健康管理間的映射關(guān)系，大大提高了故障分類、檢測和診斷的能力。

綜上所示，對集成化設(shè)備實施故障檢測和健康管理具有如下意義：

1)能保證集成化設(shè)備安全穩(wěn)定工作，防止意外事故發(fā)生。通過故障檢測模型和相應(yīng)的檢測手段，及時發(fā)現(xiàn)設(shè)備異常工作狀態(tài)，并采用及時的應(yīng)對措施，相對延長設(shè)備壽命，圓滿完成工作任務(wù)。

2)高效完成設(shè)備管控，減少人力物力資源，獲得潛在經(jīng)濟效益。能夠降低人力、物力資源成本，提高設(shè)備利用率，完善設(shè)備管理方案，減小設(shè)備故障損失。

3)與大數(shù)據(jù)背景下的云計算深度學(xué)習(xí)等緊密結(jié)合，具有時代前沿性。可以在大數(shù)據(jù)背景下進行特征提取，不僅大大縮短特征提取的時間，而且能夠做到實時監(jiān)測。能有效存儲利用海量的數(shù)據(jù)，發(fā)展和優(yōu)化在集成化裝備領(lǐng)域的深度學(xué)習(xí)方法，利用邊緣運算架構(gòu)，在大數(shù)據(jù)的支持下實現(xiàn)快速精確診斷。

要完成對集成化裝備的故障檢測和健康管理，必須收集裝備的各項參數(shù)指標(biāo)，而集成化裝備因其自身屬性原因在工作過程中往往難以進行人工信息采集，所以現(xiàn)代工業(yè)往往采用一系列的監(jiān)視監(jiān)察系統(tǒng)對其工作狀態(tài)進行獲取，這樣能夠保障及時獲取集成化裝備的各項參數(shù)指標(biāo)。在獲取裝備運行參數(shù)和歷史運行記錄后，也能連續(xù)地對設(shè)備運行狀態(tài)進行診斷和預(yù)測分析，能夠大大降低設(shè)備發(fā)生故障造成的損失，從而實現(xiàn)對設(shè)備的健康管理。

在利用CNN模型解決故障檢測問題上，何江江等[1]通過經(jīng)驗?zāi)B(tài)分解(EEMD)和支持向量機(SVM)對信號進行分解，并結(jié)合CNN模型，解決了端點發(fā)散問題，提高了精確度。文獻[2]將遷移學(xué)習(xí)引入滾動軸承，通過基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(TCNN)和短時間傅里葉變換(STFT)，構(gòu)建在線CNN和離線CNN，提高實時性，在有限訓(xùn)練時間內(nèi)達到期望的診斷精度。曲建嶺等[3]提出了一種直接作用于原始信號的自適應(yīng)一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)用于滾動軸承的故障診斷，并取得了99%以上的故障識別率。文獻[4]通過對傳統(tǒng)的DCNN模型進行自適應(yīng)訓(xùn)練得到了ADCNN模型，使得對軸承的故障診斷的泛化能力得到了提升。文獻[5]提出了一種具有擴大接收場的增強卷積神經(jīng)網(wǎng)絡(luò)(enhanced convolutional neural network,ECNN)的行星齒輪箱的故障診斷方法。通過經(jīng)過擴張的幾個卷積層，擴大接收場，然后通過ECNN訓(xùn)練模型，在精度上有了很大的提升。文獻[6]基于CNN網(wǎng)絡(luò)，通過信號轉(zhuǎn)換，降低了電機故障診斷模型的復(fù)雜性，克服了過擬合問題?？鬃舆w等[7]使用CNN網(wǎng)絡(luò)在時域和頻域上提取信號特征，完成了齒輪盒健康管理的故障檢測，不僅提高檢測精度，而且準確對故障類別進行分類。利用CNN雖然能保證模型的魯棒性，并提升泛化能力，但是其網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，常常需要多層網(wǎng)絡(luò)結(jié)構(gòu)，對計算機的要求較高，因此常常在使用CNN網(wǎng)絡(luò)時結(jié)合其他一些算法，減少計算機的運算時間，提高效率。

在FCM聚類算法方面，文獻[8]對DBN網(wǎng)絡(luò)的結(jié)構(gòu)進行改進，將重構(gòu)獨立分析(reconstruction independt component analysis，RICA)方法引入到DBN網(wǎng)絡(luò)中，提出了RIDBN網(wǎng)絡(luò)，將RIDBN網(wǎng)絡(luò)與FCM算法相結(jié)合提出了RIDBN-FCM聚類模型并且應(yīng)用于齒輪故障診斷中，不僅提高了模型的泛化能力，而且精度也有所提升。但FCM作為一種聚類算法，并不能單純地應(yīng)用于故障檢測，常常要與其他網(wǎng)絡(luò)綜合使用。

在LSTM算法方面，LSTM算法可以反映前向信息和后向信息的緊密聯(lián)系，對時間信號的敏感程度很高，因此在故障檢測和預(yù)測應(yīng)用很多，比如LSTM算法在股票指數(shù)預(yù)測[9]，電力負荷概率預(yù)測[10]，軸承故障預(yù)測[11]，車輛軌跡預(yù)測和交通流量[12]等領(lǐng)域都有應(yīng)用。但單一的LSTM網(wǎng)絡(luò)遠遠無法滿足現(xiàn)代化集成裝備的檢測要求，其檢測時間長，且模型精度達不到高效快速檢測的要求。因此其模型的診斷精度和檢測速度仍需提升。

在后續(xù)的發(fā)展過程中，研究專家們將LSTM與CNN網(wǎng)絡(luò)結(jié)合起來使用，不僅提高了模型精度，縮短了檢測時長，使檢測效果大幅提升。在股票指數(shù)預(yù)測方面，文獻[13]將LSTM模型和CNN模型結(jié)合對股票指數(shù)進行預(yù)測，基本可以達到實時預(yù)測的目的，使預(yù)測效果大大增強。在電力負荷預(yù)測方面，文獻[14]將LSTM結(jié)合CNN后，加上注意力機制模塊，使模型精度得到大幅提升。同時在軸承故障預(yù)測[15]和車輛軌跡預(yù)測[16-17]方面，當(dāng)CNN和LSTM結(jié)合后，預(yù)測效果均得到提升。LSTM和CNN的結(jié)合還應(yīng)用在無人機[18]、網(wǎng)絡(luò)[19]、單元設(shè)備[20]、工業(yè)[21]、軸承故障檢測[22-23]等領(lǐng)域得到了應(yīng)用。文獻[24]使用雙卡爾曼濾波對提升了故障診斷的實時性。利用CNN與長短時記憶網(wǎng)絡(luò)(LSTM)網(wǎng)絡(luò)結(jié)合能有效處理時間序列數(shù)據(jù)的優(yōu)點，模型精度得到很大提升。文獻[25]提出了一種CNN、LSTM與遷移學(xué)習(xí)相結(jié)合的故障識別方法，可以有效的對多類故障識別。將CNN和LSTM融合模型結(jié)合起來，CNN先對信息特征進行提取，然后LSTM網(wǎng)絡(luò)將信息的內(nèi)在聯(lián)系表達出來。CNN網(wǎng)絡(luò)對數(shù)據(jù)信息具有很大的包容性，可以高效處理數(shù)據(jù)且不使數(shù)據(jù)丟失。但LSTM無法表現(xiàn)出前向信息和后向信息的關(guān)系，而Bi-LSTM卻能將所獲取的時間信息前后聯(lián)系起來，使檢測效果更好。因此Bi-LSTM也漸漸被應(yīng)用于各個領(lǐng)域。文獻[26]將Bi-LSTM應(yīng)用于人機語言交互上，大大提高了機器人語言識別的準確率。文獻[27]則將其應(yīng)用于電子裝備故障預(yù)測，將電子裝備前后時間關(guān)系聯(lián)系起來，提高了預(yù)測的精度。

在Bi-LSTM和CNN結(jié)合使用方面，其在船舶[28]、鋰電池壽命預(yù)測[29]，風(fēng)電機[30]，太陽輻照度預(yù)測[31]等領(lǐng)域均有應(yīng)用，且取得了非常好的檢測效果。因此本文針對集成化裝備，基于深度學(xué)習(xí)的基本框架，提出了一種基于CNN和Bi-LSTM及其優(yōu)化算法，建立了Bi-LSTM-CNN-FCM模型，提高了故障預(yù)測的精度，降低了其損失值，并與其他算法進行對比，證明該算法的優(yōu)越性。

1 系統(tǒng)模型構(gòu)成

1.1 雙向長短記憶網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)( recurrent neural network，RNN)是一類用于處理序列數(shù)據(jù)的網(wǎng)絡(luò)模型。它的本質(zhì)就是網(wǎng)絡(luò)不僅在層外建立連接，而且在層內(nèi)建立連接，其層內(nèi)的連接可以保留隱藏層節(jié)點的狀態(tài)并提供記憶，其大致結(jié)構(gòu)如圖1所示。長短期記憶(long short term memory，LSTM)網(wǎng)絡(luò)就是RNN網(wǎng)絡(luò)的一種變形，目的就是解決了梯度反向傳播過程中的梯度消失和爆炸問題。

圖1 RNN網(wǎng)絡(luò)結(jié)構(gòu)

Bi-LSTM算法就是以LSTM算法為基礎(chǔ)，在LSTM算法只記錄前向信息的情況下同時記錄后向信息，同時結(jié)合前后向信息進行特征提取。對于時間t的輸出，前向LSTM層在輸入序列中有時間t和時間t之前的信息，后向LSTM層在輸入序列中有時間t和之后的信息。通過疊加得到正向LSTM層t時刻的輸出結(jié)果和反向LSTM層t時刻的輸出結(jié)果，并通過加法、平均法或連接法處理兩層LSTM層的矢量輸出,這樣輸出信息就較好反映時間信號前后聯(lián)系。

LSTM雖然能夠較好地捕捉到較長距離的依賴關(guān)系，在時間上捕捉特征之間的聯(lián)系，但是其難以表現(xiàn)出后向信息對前向信息的影響。而故障檢測過程中需要將故障前后信息進行綜合從而對裝備壽命進行預(yù)測。因此改進后的新算法BI-LSTM算法能很好地解決這個問題。

1.2 CNN網(wǎng)絡(luò)

CNN是一個典型的前饋神經(jīng)網(wǎng)絡(luò)，他是由多個濾波器組成，濾波器提取輸入信號的數(shù)據(jù)特征，然后逐步通過卷積層、子采樣層、全連接層和輸出層。在逐層通過時不斷提取信號中的特征，使得特征逐漸抽象，最終獲得輸入數(shù)據(jù)的平移、旋轉(zhuǎn)及縮放不變的特征。其結(jié)構(gòu)圖如圖2所示。

圖2 CNN網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的模式具有平移不變性，可以學(xué)習(xí)模式的空間層次結(jié)構(gòu)。它訓(xùn)練的通常順序為通常順序為：輸入—卷積層—池化層—卷積層—池化層—…—全連接層—輸出。CNN的核心就是空間卷積核參數(shù)共享和池化，卷積層對樣本數(shù)據(jù)的特征進行提取，子采樣層對特征進行采樣，池化層是對提取特征的選擇和信息過濾，全連接層與前一層互連。

CNN的平移不變性使其能保證模型的魯棒性，并提升泛化能力，同時CNN能對關(guān)聯(lián)信息和數(shù)據(jù)進行處理，因此其非常適用于集成裝備的故障檢測。CNN能克服大噪聲的干擾，也非常適用于現(xiàn)代工業(yè)，可用于多源信號處理。

CNN雖然有很多優(yōu)點，但是其網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，常常需要多層網(wǎng)絡(luò)結(jié)構(gòu)，對計算機的要求較高，并且單獨使用CNN需要大量帶標(biāo)簽的數(shù)據(jù)，因此，本文在使用CNN網(wǎng)絡(luò)使將結(jié)合LSTM算法和FCM算法，不僅可以降低運算量，使網(wǎng)絡(luò)復(fù)雜結(jié)構(gòu)降低，而且可以優(yōu)化特征提取的過程，大大提高模型精度。

1.3 FCM算法

FCM算法是一種常用的聚類分析方法，可以根據(jù)樣本數(shù)據(jù)的特征，把有相同或相似特征的樣本或時間信息歸類，然后提取相似樣本數(shù)據(jù)的特征值。FCM算法的原理就是通過不斷更新聚類中心，使得聚類中心不再改變或兩次迭代的目標(biāo)函數(shù)值之差在允許的范圍內(nèi)，從而完成聚類。

FCM算法因其較為出色的聚類能力，非常適合故障的歸類，在經(jīng)過CNN和Bi-LSTM處理后的故障信息再經(jīng)過FCM算法后可完成分類，完成對集成化裝備故障的檢測。FCM聚類在應(yīng)用過程中也存在一些缺點，比如選擇的模糊度參數(shù)不同，也會對整個算法的精度產(chǎn)生影響，所以在使用FCM算法時，常常也需要靠一些先驗經(jīng)驗，參考一些模糊度參數(shù)的使用來完善模型。

2 Bi-LSTM-CNN-FCM模型

本文提到的Bi-LSTM-CNN-FCM模型的結(jié)構(gòu)圖如3圖所示，實驗過程模型按照如下環(huán)節(jié)進行，如圖3所示。

圖3 Bi-LSTM-CNN-FCM網(wǎng)絡(luò)結(jié)構(gòu)

對于上述獲取的變量中的各類數(shù)據(jù)，模型首先通過CNN網(wǎng)絡(luò)提取變量中的各類故障特征，然后通過BI-LSTM預(yù)測獲得數(shù)據(jù)的標(biāo)簽，通過這兩個網(wǎng)絡(luò)可以直接對變量中的數(shù)據(jù)進行分類，模型的輸出為屬于每一個類別的概率。

獲得信號的數(shù)據(jù)在經(jīng)過序列折疊層后構(gòu)建出數(shù)據(jù)幀，在特征提取的過程中，卷積層可實現(xiàn)對故障信號的特征提取，序列展開層和扁平化層用于恢復(fù)序列結(jié)構(gòu)、輸出矢量序列。

Bi-LSTM層和輸出層用于對輸出的矢量序列進行分類。Bi-LSTM層在輸入的信號中，不僅包含經(jīng)過預(yù)處理后的特征信息，而且還包含了原始信息，通過對信息前向和后向的共同處理，實現(xiàn)信息融合使輸入信號中包含更多信息，提高了診斷準確率。在Bi-LSTM層后設(shè)置了FCM層，作為整個模型優(yōu)化參數(shù)設(shè)計的一部分，進一步提高了診斷精度。

3 實驗過程

3.1 數(shù)據(jù)集獲取及預(yù)處理

在現(xiàn)代軍事裝備制造領(lǐng)域，大型液體運載火箭就是典型的集成化裝備。其內(nèi)部構(gòu)造冗雜，且大多數(shù)部件不可視化，處于黑盒狀態(tài)。由于大型液體運載火箭故障率低，且一旦發(fā)生故障就會造成巨大損失，所以本文選取了能代表大部分集成化設(shè)備工作工程的田納西-伊斯曼化工過程。其數(shù)據(jù)的構(gòu)成及復(fù)雜程度基本與集成化設(shè)備吻合。

田納西-伊斯曼化工過程數(shù)據(jù)是基于田納西-伊斯曼化學(xué)公司的一個真實化工過程的仿真數(shù)據(jù)。該化工過程比較好的模擬了實際復(fù)雜工業(yè)過程系統(tǒng)的許多典型特征，因此被廣泛運用于過程監(jiān)測與故障診斷的研究中。

整個過程主要包含五個操作單元，反應(yīng)器，冷凝器，循環(huán)壓縮器，分離器和氣體塔。此過程中包含了12個操縱變量和41個測量變量。許多研究者提出了該過程的控制方案較為廣泛，被引用的有基本控制，分散控制和機控制這三種控制策略。在田納西-伊斯曼化工過程中共設(shè)計了21種故障，用于模擬實際工業(yè)過程中常見的故障和擾動。而本文也主要是針對該過程中的故障進行檢測和預(yù)測，從而實現(xiàn)對集成化裝備的健康管理。

在該過程中，共有22個訓(xùn)練集，22個測試集，每個訓(xùn)練集由52個測量信號組成，共480行，每個測試集有52個測量信號組成，共960行。本文選取變量中均有正常數(shù)據(jù)和故障數(shù)據(jù)，對于同時段的變量，每個變量截取500個觀測值，構(gòu)建52*500的測量數(shù)據(jù)幀并歸一化。

在對信號進行頻率提取時，正常信號與故障信號有明顯差異。其正常信號和故障信號對比圖4所示。

圖4 正常信號與故障信號對比圖

其中上圖為五個變量在正常工作下的數(shù)據(jù)狀態(tài)。正常工作下振動正常波動，通過設(shè)備可實時檢測。

當(dāng)其中變量出現(xiàn)故障時，其運行圖像會發(fā)生明顯變化，在一段時間幀上會有一段時間間隔內(nèi)出現(xiàn)波動異常，甚至停止波動，能夠明顯區(qū)分出其為故障狀態(tài)。

由于不同故障其表現(xiàn)狀態(tài)也不同，但通過傳感器收集到的信息可以在經(jīng)過一定的預(yù)處理后將其分辨出來。但是要尋找到眾多故障設(shè)備并區(qū)分出故障種類，然后進行故障預(yù)測，仍然是需要考慮的問題。而本文提出的一種基于CNN和LSTM及其優(yōu)化算法的Bi-LSTM-CNN-FCM模型能很好地解決上述問題。

3.2 模型參數(shù)配置

在對模型進行訓(xùn)練的過程中，將80%的數(shù)據(jù)集作為訓(xùn)練集，將20%用作測試集。同時每個變量有20%的概率為故障數(shù)據(jù)，這樣能夠保證數(shù)據(jù)獲取的隨機性與獨立性，通過上述的數(shù)據(jù)處理，能夠保證構(gòu)建的數(shù)據(jù)集和數(shù)據(jù)幀中包含各類正常數(shù)據(jù)和故障數(shù)據(jù)的隨機組合，實現(xiàn)數(shù)據(jù)的隨機獲取。本文實驗使用模型采用的數(shù)據(jù)集和參數(shù)配置如表1所示。

表1 模型的數(shù)據(jù)集和參數(shù)配置

4 實驗結(jié)果與分析

4.1 激活函數(shù)對比

在使用神經(jīng)網(wǎng)絡(luò)時，為解決其深層網(wǎng)絡(luò)模型的非線性問題，常常要用到激活函數(shù)。激活函數(shù)一般有三種：relu激活函數(shù)、tanh激活函數(shù)和sigmoid激活函數(shù)。

relu激活函數(shù)公式為:

a=g(z)=max(0,x)

sigmoid激活函數(shù)公式為:

tanh激活函數(shù)公式為:

在所有激活函數(shù)中，relu激活函數(shù)使用頻率最高，因其具有硬飽和性質(zhì)，很多網(wǎng)絡(luò)都會優(yōu)先使用。tanh激活函數(shù)和sigmoid激活函數(shù)都具有軟飽和性質(zhì)，sigmid激活函數(shù)常常用在輸入的數(shù)據(jù)特征不是很明顯的時候，因此常用于分類問題的輸出層。而tanh激活函數(shù)幾乎適用于大部分的網(wǎng)絡(luò)，但常常還是用于輸入的數(shù)據(jù)不明顯時。

因此，本文探討的各個網(wǎng)絡(luò)層使用何種激活函數(shù)是基于使用激活函數(shù)后模型的效果和精度決定的。其具體使用效果如表2所示。

表2 激活函數(shù)選擇對模型影響

通過表中內(nèi)容可知，在訓(xùn)練時長上，無論使用什么激活函數(shù)，其訓(xùn)練時間基本沒有什么差異，但在精度率上，卷積層使用tanh激活函數(shù)，全連接層使用relu激活函數(shù)的模型精度是遠高于使用其他激活函數(shù)的，其模型精度達到了98.2%。

因此本文將tanh激活函數(shù)在卷積層使用，將relu激活函數(shù)在全連接層使用。

4.2 迭代次數(shù)對比

在實驗過程中，本文通過不斷增加迭代次數(shù)觀察其損失值和精度隨迭代次數(shù)的變化，從判斷出最適合此過程的迭代次數(shù)。同時通過與其他方法的對比，檢驗該方法的優(yōu)越性。

在用訓(xùn)練集將模型訓(xùn)練好后，用測試集對其進行測試。首先我們對LSTM算法進行驗證，測試用單一LSTM算法訓(xùn)練的模型，觀察其迭代次數(shù)與精度和損失值之間的變化關(guān)系。其關(guān)系如圖5所示。

圖5 LSTM迭代次數(shù)與精度和損失值之間的變化關(guān)系

通過圖5分析可知，單一的LSTM算法建立的模型用于診斷時，其迭代次數(shù)在3 500次左右時精度和損失值才趨于穩(wěn)定，且精度值穩(wěn)定在90%左右，損失值穩(wěn)定在0.1左右。由此可見需要對LSTM算法進行改進并結(jié)合新算法，減少模型運行需要的迭代次數(shù)并提高精度和降低損失值，為達到這一目的我們引入Bi-LSTM-CNN-FCM模型，并對該模型進行評價和對比，證明其優(yōu)越性。首先比較迭代次數(shù)對損失值和精度的影響。通過合適的訓(xùn)練測試尋找到田納西-伊斯曼化工過程數(shù)據(jù)的最適合的迭代次數(shù)。通過不斷增加迭代次數(shù)，觀察其波形圖。在對Bi-LSTM-CNN-FCM模型進行驗證時，本文最高迭代次數(shù)選擇為1 800次。其損失值和精度隨迭代次數(shù)變化的波形圖如圖6所示。

圖6 Bi-LSTM-CNN-FCM迭代次數(shù)與精度和損失值之間的變化關(guān)系

通過圖像對比，可以很明顯的發(fā)現(xiàn)當(dāng)?shù)螖?shù)達到800次時，其準確率和損失值趨于穩(wěn)定，準確率穩(wěn)定在98%左右，損失值由于過小，觀測無法準確判斷，將在進一步的實驗中進行具體比較。為保證實驗的準確性，在后續(xù)實驗中，迭代次數(shù)最高定在了1 000次。

由此可見Bi-LSTM-CNN-FCM模型在迭代次數(shù)上也能有一定的減少，經(jīng)過一定預(yù)處理后的數(shù)據(jù)在模型運行過程也能使迭代次數(shù)減少。

4.3 模型性能對比

為驗證Bi-LSTM-CNN-FCM的優(yōu)越性，同時將LSTM模型、CNN模型以及Bi-LSTM-CNN-FCM模型應(yīng)用在田納西-伊斯曼化工過程數(shù)據(jù)集上，并在準確度和損失值上進行比較。準確率即為模型檢測的準確度，損失值即為模型的預(yù)測值和真實值不一樣的程度，損失值越低，模型性能越好。其對比結(jié)果如圖7所示。

圖7 模型性能對比圖

通過查閱文獻資料，最新算法中在損失值和準確率綜合對比中，效果較好的是LSTM-CNN模型，其損失值為0.051 2，準確率為0.972 6。為方便對比，本文將LSTM模型、CNN模型以及Bi-LSTM-CNN-FCM模型的數(shù)值對比總結(jié)如表3所示。

表3 模型性能數(shù)值對比

通過對比可以發(fā)現(xiàn)Bi-LSTM-CNN-FCM模型在性能上明顯優(yōu)越于其他兩種算法。在準確率上，Bi-LSTM-CNN-FCM模型的準確率為98.25%，而單一的LSTM模型的準確率僅為89.19%，在準確率上該模型提升了9.06%，相比于LSTM-CNN模型，準確率也有小幅提升，由此可以看出在準確率方面Bi-LSTM-CNN-FCM模型確實有其可取之處，能大大提高模型的準確率。在損失值方面，Bi-LSTM-CNN-FCM模型的損失值僅為0.010 4，而單純的LSTM模型的損失值卻為0.070 0，LSTM-CNN模型為0.051 2，該模型在損失值方面雖然減少了不多，但也有小幅提升。由此可見Bi-LSTM-CNN-FCM模型適用于田納西-伊斯曼化工過程數(shù)據(jù)集，適用于現(xiàn)代化集成裝備的故障檢測，并且在模型性能上相比于單一的LSTM模型有較大的提升。雖然相對來說這也消耗了更大的算力和運行時間，但其模型性能得到了較大的提升，能在故障診斷和預(yù)測領(lǐng)域有較好的運用。

5 結(jié)束語

本文從集成化裝備故障檢測與健康管理出發(fā)，并用田納西-伊斯曼化工過程數(shù)據(jù)進行驗證，提出了一種基于CNN和Bi-LSTM及其優(yōu)化算法，通過對LSTM算法的改進，建立了Bi-LSTM-CNN-FCM模型。首先，通過觀察不同激活函數(shù)對模型精度和效果的影響選擇合適的激活函數(shù)，然后通過對模型迭代次數(shù)的研究，確定Bi-LSTM-CNN-FCM模型的基本性能結(jié)構(gòu)，最后通過實驗驗證以及模型對比，證明了Bi-LSTM-CNN-FCM模型在準確率上有很大的提升，達到了98.25%，同時損失值也有小幅的降低，減小量達到0.040 8。由此可以看出Bi-LSTM-CNN-FCM模型在集成化裝備故障檢測與健康管理方面適用性較好。但是，由于模型復(fù)雜程度高，其所需要的算力和消耗時長也更多，因此在下一步的工作中會解決模型運行時間長等問題，對模型進行進一步的優(yōu)化提升，同時在掌握故障檢測模型后，對模型進行在次用化，建立故障預(yù)測模型，用RUL對模型剩余壽命進行預(yù)測。