基于LSTM网络的综合射频模块温度的预测研究

RGB_lamp

摘要∶随着电子产品及集成电路的快速发展，其电子产品的故障预测研究引起了高度重视，但准确预测其使用寿命难度还是很大，目前针对电子产品主要采用状态监控和健康管理，从而实现状态的预测。以此为出发点，构建综合射频模块温度的状态预测模型，该预测模型首先将设备的时域特征数据转换为有监督的样本数据集，然后建立原始参数集、预测模型的训练集和测试集，接着建立LSTM深度学习网络结构，进行参数调整设置并运行模型，最后获得预测值和观测值的误差曲线；采用该方法在某典型任务场景中进行了应用验证，获得综合射频模块的温度预测的准确度为98.7%，达到了较好的预测效果和精度。
故障预测与健康管理（PHM，prognostic and health management）现已成为军事系统实现高效系统级维护和降低寿命周期成本的关键因素之一。早在20世纪70年代，美军就开始关注到武器装备的故障诊断和预测的重要军事意义，并大力推广基于状态的维修（CBM，condition baSED maintenance），即"视情维修"。他们强调要在武器装备的研制初期就要充分考虑装备的测试性和维修性，要求装备研制与故障诊断和预测能力同步设计，然后通过获取武器装备的技术状态信息作为对装备进行保障的决策依据。2002年11月，负责后勤和物资准备的美国国防部副部长发布了一项名为“基于状态的维修增强”（CBM＋）的政策。CBM＋代表了将新系统和旧系统的非计划修复性设备维护转变为基于必要证据安排预防性维护和预测性维护的努力。2005年，一项对11个CBM项目的调查突出了将“电子产品故障预测”作为最需要的维修相关特性或应用之一，而不考虑成本，这一观点也得到了航空电子行业的认同。美国国防部5000.2《国防采办政策文件》规定，"项目经理应通过负担得起的集成的嵌入式诊断和预测、嵌入式培训和测试、序列化物资管理、自动识别技术和迭代技术更新，优化战备状态”。因此，任何出售给美国国防部的系统都需要具备故障预测能力。
1 h/ s5 t" _2 Z' n故障预测与健康管理，是指通过传感器、内建自测试（BIT）等方式监测各种参数，并实时评估和预测产品或装备在实际环境中的可靠性。它包括两层含义∶
+ X" s* l2 `6 W" b1）参数监测，即对装备的性能参数或工作载荷的在线/离线监测；
0 B8 C5 V) Z5 G( |+ G8 R2）健康评估，即持续评估装备是否存在退化以及退化状态，确定装备能正常工作的时间。
健康状态的实时感知代表了一种方法的转变，即借助各种先进传感与监测技术，实现装备状态参数信息的全面感知，并基于失效物理分析、智能推理算法等方法完成对装备健康状态的评估和预测，从而一方面促进装备从传统的基于事件的维修向基于状态（视情）维修的转变，另一方面促进装备的智能化。
5 E- ?5 b/ ]4 f& C/ tPHM技术的第一个成功案例是美国F-35飞机的自主式保障系统。该系统通过对健康状态参数的监控，在低虚警率的故障预测技术的支持下实现了故障隔离、健康趋势预测和维修决策辅助，大幅提高了飞机的战略值勤能力，并降低了维护维修成本。经过前期大量的基础研究和应用推广，目前故障预测与健康管理技术已经从方案设计阶段发展到工程验证阶段。从国内外公开发表的资料看，故障预测与健康管理系统应用已经遍及航空、航天、舰船、汽车、桥梁、重型机械、工业过程、半导体制造、核电站、大型水坝等众多领域。
8 u$ P$ @( z5 o7 Z. p; x
" c" O9 H! _0 I6 l; P7 P1 S& a1、故障预测方法
. N5 S  n  q" T/ d; Q故障预测是PHM技术的重点和难点。故障预测模型是基于相关敏感参数的时间相关数据，通过拟合、回归、预测等方式，结合故障/失效阈值，预测故障/失效的发生趋势。如果可以评估电子设备相对于预期正常工作状态时的偏离或退化程度，则能够利用这些此信息来实现以下目标，即（a）提供故障预警；（b）减少非计划维修，延长维护周期，并通过及时维护来保持效能；（c）通过降低检查成本、停机时间和库存备件来降低设备的寿命周期成本；（d）提高质量，并协助对已部署和未来新研系统设计和后勤保障。
- o  ~* Q- k# z# S/ J- Q故障预测从基本技术路径上可分为基于模型的故障预测和基于数据驱动的故障预测（不含融合方法）。基于模型的故障预测是将失效物理结合起来，并量化各种负载和运行条件下的退化过程特征。基于物理的健康评估方法可以分为PoF方法和系统建模方法两种。通常，PoF模型是特定于系统/组件的，例如裂纹扩展模型、旋转机械模型、磨损模型、气体路径模型和电化学模型。PoF方法核心是监测可能导致性能或物理退化的寿命周期载荷和相关的系统响应，然后从退化特征变量中提取特征，使用PoF模型进行损伤评估和RUL计算。系统建模方法假设系统可以由一个模型来描述，该模型可以说明系统过度退化的随机行为。例如状态空间模型可以将一个物理系统转化为一组与一阶微分方程相关的输入、输出和状态变量。在失效评估数学模型可用的情况下，估计和滤波技术是系统建模方法中使用的主要工具，例如Kalman滤波器（KF）、扩展Kal-man滤波器（EKF）、集合Kalman滤波器、无损Kalman 滤波器（UKF）、粒子滤波器（PF）和基于状态观测器的方法等。基于物理方法（包括PoF方法和系统建模方法）的局限性主要在于模型通常是特定于某个对象的，因此其可重用性是有限的。数据驱动方法用于识别当前退化状态的特征，并在很少的物理理解可用时，使用可用的历史数据（监测数据）预测未来健康状态。目前，基于数据驱动的方法主要分为机器学习（ML）/人工智能（AI）和统计建模两种。其中，机器学习作为计算机科学和人工智能的一个分支，旨在建立能够从数据中学习的系统，而不是显式的程序设计结构。而统计建模是数学的一个分支，它用来发现变量之间的关系以评估结果。数据驱动方法的特点是直接从可用数据导出模型，依赖于统计特征，相当于“黑盒模型”。因此，识别这些特征是开发数据驱动方法的关键过程。基于数据驱动的方法有两个主要优点∶第一个是获取方便，这些模型可以简单地量化时间和退化状态之间的关系，而不需要或只需要极少关于系统的知识，实现成本低。另一个是性能的提高，通过使用强大的机器学习技术，数据驱动方法可以在很大程度上减少模型错误。有时，这些模型会拓宽认知复杂性退化过程。
目前在故障预测体系架构、故障模型、故障预测方法、PHM系统集成等方面都取得了一些研究成果，不少研究成果已经得到不同程度的工程应用。但在电子设备的故障预测方面，想要准确预测其使用寿命难度还是很大，目前针对电子产品主要采用状态监控和健康管理，主要实现状态的预测，随着工业部门开始关注零部件故障模式与机理分析，并积累大量失效数据后，对故障的预测能力将会大大增强。
通过对国内外文献调研，常用的预测方法包括时间序列法、灰色模型（G11和G21）、自回归滑动平均模型AR-MA、指数模型、LSTM（long short-tern memory network，长短时记忆网络）、高阶回归、线性模型、二次模型、多参数融合模型、循环神经网络、深度前馈神经网络，门控单元网络等。针对分析对象的复杂性，也有混合算法模型，包括LSTM-BP网络模型*，BP-LM-PSO-GA*模型，LSSVM-HMM  等，不同算法特点不同，适用的信号类型也不同。
* l# V, Z2 U6 M1 j1 N在分析大规模数据时，相比于支持向量机模型和BP神经网络模型，具有记忆功能的人工递归/循环神经网络（如长短时记忆神经网络）具有较大的优势，因此本文采用长短时记忆网络（LSTM，long short-tern memory net-work）对综合射频模块的温度进行状态预测，并给出预测的准确度。
$ l6 u# I8 X" K" u& _
2、长短时记忆网络（LSTM）
LSTM是改进版的循环神经网络，通过在隐含层增加三个控制开关分别是来克服常规循环神经网络（RNN，re-current neural network）处理较长序列时的梯度爆炸或梯度消失的问题。因此利用循环神经网络，基于时域监测数据进行的复杂故障预测具有一定的优势。长短时记忆网络是一种特殊结构的RNN，可以实现学习长时间的依赖D4。使用LSTM 网络，可以轻松实现当任务仅需要查看当前时间点信息的时候，就不需要额外提供其他时间点的信息，这样就能够当预测的目标点与其相关的上文信息的点的间隔较小的时候，RNN 网络可以有效的利用过去的知识。
# g, o2 M% @; u1 t% d% y: G- B图1为LSTM结构图151，LSTM与RNN具有一致的链式结构，但其重复的模块却有着明显不同。LSTM关键位置在于单元，顺着传递线从起始到末尾运行，中间存在线性的交互，信息可以直接顺着它传递而不改变。LSTM 利用门（gate）的结构来对每个单元添加或丢弃信息。LSTM网络的单元具有三种类型的门∶遗忘门、输入门和状态门。其中最关键的就是遗忘门，这三个门通过下面的三个函数来控制信息的流入和流出（或者说是通过和不通过）。

! `' ?  o7 Y6 U0 `7 K: i
# ?! u' B- P9 L, I+ b
/ Y, M0 I+ i# A- B
) z- r+ [: k% S/ L

风吹过后

多看看增长见识，学习学习。

VIC56

恩，不错，确实张知识了，支持楼主