基于CNN-LSTM-LOF的过程故障预测模型

摘要

在现代工业过程中，故障预测可以及时预测设备的潜在故障，减少事故的发生以及降低经济损失，因此故障预测对于过程系统至关重要。由于过程系统的复杂性以及运行数据集分布不均，使用正常数据集离线预测运行状态的方法没有较好的泛用性，且不太准确。针对以上问题，将卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合，用于提取设备运行数据的特征，在线预测之后的运行状态；随后将预测结果送入在离线状态下训练好的局部异常因子(LOF)模型中，计算预测出时间序列的异常值；最后将异常值与离线状态下训练出的故障阈值进行比较，大于阈值则认为存在潜在故障。将模型用于田纳西-伊斯曼(TE)时间序列进行验证，并与传统的故障预测方法进行比较，实验结果表明：本文所提模型对于多故障以及单故障预测相比传统故障预测方法均具有更好的效果，可以提前1个采样窗口检测到数据异常，有应用于工业故障预测的潜力。

关键词

故障预测 / 田纳西-伊斯曼过程 / 长短期记忆 / 局部异常因子算法 / 卷积神经网络