基于LSTM和BP-RF的舰船装备故障预测方法及系统

本发明涉及舰船故障预测，尤其涉及一种基于lstm和bp-rf的舰船装备故障预测方法及系统。

背景技术：

1、舰船作为典型的多任务、多系统特征的大型复杂装备系统，其安全稳定运行直接关系到作战效能发挥和任务成功执行。然而，长期海上高负荷运行和恶劣海洋环境加剧了装备的老化和磨损，导致故障频发并积累了较多故障数据。当前，故障类型的判断仍然高度依赖人为经验，故障数据利用率低，缺乏对特征参数和故障之间映射关系的深入挖掘和分析，从而导致装备故障预测精度不足，难以满足舰船装备作战使用和保障决策需求，故障预测作为故障诊断的延伸领域，通过分析装备历史和实时监测数据来预判将要发生的故障，不仅可以预测故障类型，而且可以变定期预防维修和事后诊断维修为预测性维修，有效降低重大恶性事故风险。

2、目前，故障预测方法可分为基于模型驱动、基于知识驱动和基于数据驱动的方法。基于模型驱动的方法通过建立能够反映装备性能退化规律的数学模型来预测其故障，其优点是对故障数据的需求量小、预测精度高，但这类方法的前提要求是对预测对象的故障机理研究较为透彻，并且对数学模型建立的完整性和准确性要求较高，否则预测精度低，难以适用于某些故障机理复杂的舰船装备；基于知识驱动的方法通过获取设计及维修领域专家的经验知识来对装备故障类型进行预测，其优点是不需要获取对象的精确数学模型，但这类方法由于其本质上使用定性推理技术，不太适合于定量计算，因而在计算精确性方面受所获知识质量的制约；基于数据驱动的方法通过从历史数据中不断学习装备的正常或故障状态，将原始监测数据转化为相关故障信息，近年来在舰船装备领域受到广泛关注，其优点是能够很好解决对模型和经验知识的依赖，适用范围广且预测精度高，常见的基于数据驱动的故障预测和诊断方法包括人工神经网络、随机森林、支持向量机、灰色模型等，然而这些方法难以兼顾时序数据的长期依赖捕捉和多参数与故障之间的非线性关联挖掘，因此研究重点集中于故障诊断，预测的有效性和可靠性有待提高，同时，单一算法易受数据规模和质量的影响，其稳定性和泛化能力不足。

3、有鉴于此，基于舰船装备特征参数的时序特征及其与故障模式之间的非线性关联关系，研究一种更具准确与稳定性优势的舰船装备故障预测方法，有利于提高装备运行的安全性和可靠性，为舰船装备作战使用和保障决策提供可靠支撑。

技术实现思路

1、针对上述现有技术中存在的不足，本发明的目的在于提供一种基于lstm和bp-rf的舰船装备故障预测方法及系统，可以有效预测故障发生的时间及类型，为舰船装备作战使用和保障决策提供可靠支撑。

2、本发明采用的主要技术思路为：根据舰船装备特征参数的时序特性及其与故障模式的非线性关联关系，结合lstm（long short-term memory network）网络模型提取特征参数的时序规律，实现复杂时序数据的精确预测，同时融合bp（back propagation）神经网络和随机森林（random forest, rf）算法，弥补单一算法特征学习和抗干扰能力的不足，进而充分挖掘特征参数与故障模式之间的复杂映射关系，提高故障模式预测的准确性和稳定性。

3、为了实现上述技术目的，本发明采用以下技术方案：

4、本发明公开的第一方面技术方案为：基于lstm和bp-rf的舰船装备故障预测方法，包括以下步骤：

5、以采集的舰船装备的实时特征参数时间序列构建第一样本数据集，以获取的包含多种故障模式及相应特征参数的历史数据构建第二样本数据集；

6、将第一样本数据集输入lstm网络模型中，利用lstm网络模型对特征参数的演化趋势进行预测，得到未来一段时间内的特征参数预测值；

7、构建bp-rf诊断模型，基于第二样本数据集对bp-rf模型进行训练与测试，得到bp-rf诊断优化模型；

8、将特征参数预测值输入至bp-rf诊断优化模型，分析特征参数与故障模式之间的映射关系，输出故障类型的预测结果。

9、作为上述技术方案的进一步优选方案，利用lstm网络模型对特征参数的演化趋势进行预测的步骤包括：

10、使用minmaxscaler()函数对第一样本数据集进行标准化预处理；

11、将预处理后的第一样本数据集划分为第一训练集和第一测试集；

12、将第一训练集输入lstm网络模型中进行训练，训练过程中lstm网络模型通过反向传播算法不断调整参数，使输出的预测值与真实值的误差最小化；

13、利用第一测试集对训练后的lstm网络模型进行验证，并输出未来一段时间内的特征参数预测值。

14、进一步地优选方案为，lstm网络模型包括遗忘门、输入门和输出门，第一训练集输入lstm网络模型中进行训练的过程具体为：

15、通过遗忘门接收上一时刻输入至lstm网络模型中的特征参数，根据当前时刻遗忘门的状态计算结果的值决定记忆单元中丢失或保存的信息；

16、输入门结合新的候选信息更新记忆单元当前存储的状态信息；

17、输出门由当前时刻的输入和上一时刻的隐藏层信息，得到当前时刻的状态计算结果，并结合当前存储的状态信息更新当前时刻网络的隐藏层信息。

18、作为进一步地优选方案，得到bp-rf诊断优化模型的步骤包括：

19、使用standardscaler()函数对第二样本数据集进行标准化预处理；

20、将预处理后的第二样本数据集划分为第二训练集和第二测试集；

21、分别将第二训练集、第二测试集输入bp-rf诊断模型中进行训练和测试，得到bp-rf诊断优化模型。

22、进一步地优选方案为，第二训练集对bp-rf诊断模型进行训练的过程如下：

23、将第二训练集输入bp-rf诊断模型中，通过bp神经网络对其中一部分第二训练集中的故障模式与特征参数之间的映射关系构建诊断集合一；

24、通过rf算法对另一部分第二训练集中的故障模式与特征参数之间的映射关系构建诊断集合二；

25、采用加权软投票法为bp神经网络分配更高的非线性特征拟合权重，为rf算法分配更高的鲁棒性权重；

26、结合bp神经网络权重和rf算法权重对诊断集合一、诊断集合二的输出概率进行量化融合；

27、利用argmax激活函数计算量化融合后的诊断概率，并将诊断概率最大值作为故障模式诊断结果。

28、本发明公开的第二方面的技术方案为：基于lstm和bp-rf的舰船装备故障预测系统，所述预测系统用于实现以上所述的预测方法，该预测系统包括：

29、数据采集模块，用于采集舰船装备的实时特征参数时间序列，以及包含多种故障模式及相应特征参数的历史数据，并分别形成第一样本数据集和第二样本数据集；

30、一级预测模块，用于将第一样本数据集输入lstm网络模型中，预测特征参数的演化趋势，获得未来一段时间内的特征参数预测值；

31、模型构建模块，用于构建bp-rf诊断模型，并利用第二样本数据集训练和测试bp-rf模型，得到bp-rf诊断优化模型；

32、二级预测模块，将特征参数预测值作为bp-rf诊断优化模型的输入值，分析特征参数与故障模式之间的映射关系，对故障类型进行预测。

33、另外，本发明还公开了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中：

34、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-5中任一项所述的基于lstm和bp-rf的舰船装备故障预测方法的步骤。

35、本发明还公开了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于lstm和bp-rf的舰船装备故障预测方法的步骤。

36、与现有技术相比，本发明的有益效果为：

37、1、本发明基于lstm网络模型有效地对舰船装备多个反映故障状态的参数进行特征分析，捕捉特征参数的时序规律，预测舰船装备特征参数的变化趋势，进而推测故障可能发生的时间节点，基于对未来时刻的特征参数预测结果，利用bp-rf诊断模型充分挖掘特征参数与故障模式之间的复杂映射关系，对故障类型进行预测。本发明的bp-rf诊断模型能够将bp神经网络的非线性关系处理能力和rf的集成学习能力相结合，提升了特征学习和抗干扰能力，其准确率和分数分别为96.67%和96.70%，同时交叉验证的标准差也较小，能够准确且稳定地诊断舰船装备的故障类型。

38、2、本发明提出的bp-rf诊断模型相比于其他现有诊断模型，在故障模式诊断的准确性和稳定性方面均具有显著优势，结合时间序列预测结果进一步证明了其在舰船装备故障类型预测方面的优越性，能够为舰船装备的作战使用和维修保障决策提供可靠支撑。

39、3、本发明提出的lstm网络模型与bp-rf诊断模型的集成框架，其数据驱动的特征分析和处理逻辑可为其他具有时序监测数据的舰船装备提供参考，为其他相似领域的故障预测提供思路借鉴。