文献阅读《Fault diagnosis and remaining useful life estimation of aero engine using LSTM neural ...

文献阅读《Fault diagnosis and remaining useful life estimation of aero engine using LSTM neural network》

摘要 故障定位准确（SVM）和RUL在复杂的操作条件、混合故障和强噪声下使用预测LSTM同时进行故障分类RUL预测

1.面对发动机的高复杂性，传统的维护方法无法准确快速地定位故障RUL预测

2.使用物理方法使研发变得昂贵和困难
2在基于数据的方法中使用MLP和RBF，传统RNN预测航空发动机RUL
三、使用标准RNN所有layer共享共同权值，形成深度前馈网络，导致长期依赖无法解决(长期依赖是指输出基础离输出时间太远，可能导致梯度消失或梯度爆炸)
44针对确定的错误RUL预测需要对不同故障模式的训练进行多重估计，使预测系统变得复杂，难以适应真实情况
下一步是使用这些挑战LSTM建立适用于多故障和混合故障的模型RUL此时此刻预测和简化每个故障的可能性RHM系统为维修计划提供更全面的信息

想回答的问题	解决手段
长期依赖	LSTM
同时(多分类)故障预测和RUL回归预测	两个输出层，一个RUL预测
防止过拟合	正则化
证明RUL评估的表现	评估相对误差和不对称评分
确保成本函数在RUL平衡故障诊断	输出标准化，剩余寿命最小化

4.图表及其含义
Figure1. LSTM内部结构和原理
Figure2(a) 服务时间不同传感器的变化
Figure2(b) 不同操作情况在服役时间的变化
Figure3. 网络结构完整，mask layer使所有序列长度一致，x_t经过LSTM_t输出RUL_t和Fault_t
Figure4-7. 四个问题的预测结果

5.实验结果表明，在不同的故障和操作条件下可以准确预测RUL(未说明如何定位故障)

6.结果是什么意思？有缺点？SVM作用不明确
1??LSTM成功学习了自动预测寿命的方法
2?? 寿命越接近终止，相关误差越小，不对称评分越低，提供准确的预测信息
3?? LSTM GRU Adaboost 中，LSTM最突出的表现， Adaboost降低模型泛化能力，过分关注噪声
4?? 故障诊断 使用SVM检测异常点，LSTM能区分单故障还是多故障
5?? 在没有风扇故障的情况下，也评估了风扇故障的可能性，
(1)训练样本偏差
(2)风扇故障与高压压缩机故障有关

7.本文解决了利用深度神经网络准确预测混合退化下不同操作条件和意外故障的剩余寿命的问题
未来工作：有标签的培训数据有助于使用量化指标来评估表现，
使用更多的故障数据进行数据倾斜预测，也可以通过更多的人工标记数据提供商或稀缺样本来完成。