基于退化阶段识别与 LSTM-fine-tune 的 氧气浓缩器多阶段退化预测

退化预测是装备健康管理的重要技术途径,近年来,大量时间序列预测方法在退化预测中得到应用。 然而,众多大型装 备由于结构复杂,功能多样,在退化过程中存在明显的阶段性,采用单一的模型对不同阶段的退化进行预测将会出现明显的精 度降低,针对不同阶段对模型重新训练也会带来时间和算力的损失。 针对多阶段退化的问题,引入了迁移学习的思想,提出了 一种退化阶段识别与 LSTM-fine-tune 结合的多阶段退化预测方法,采用退化数据对 LSTM 模型训练,之后对部分网络参数进行 冻结,在识别到装备出现新的退化阶段后,利用新阶段的退化数据对模型进行微调,以快速匹配不同阶段的数据。 为验证模型 的有效性,本文以氧气浓缩器为例进行模型应用。 结果表明,本文方法能够有效识别氧气浓缩器 3 个阶段的退化,每个阶段的 预测均方差分别为 0. 507、8. 976 和 0. 375,远低于不分段直接预测的均方误差 76. 87,在训练时间上,对比于每个阶段重新训练 时间大幅缩短,在训练精度上,明显优于维纳过程、Lstar 等传统方法。