基于LSTM模型的工业过程数据的故障预测
摘要
随着众多工业领域的快速发展，其设备系统等日益复杂化和智能化，传统的“事后
维修”和“定时维护”等方法依然会对工作人员的生命安全和机械设备等造成巨大的损
失，究其原因，此类方法无法对设备、系统和部件的状态进行准确的分析和判断，已经
难以满足现代的实际需求。为了确保设备在使用过程中能够可靠安全的运行，解决基于
数据驱动的复杂工业过程的故障预测问题具有重大的意义，针对这一问题，在人工神经
网络的基础上，提出了一种新的基于多变量时序数据的故障预测模型。
首先，本文对于时间序列的概念及其特征进行了详细的描述，为下文基于数据驱动
的实验方法提供了基础。通过调整GAN网络的生成器，使门控循环神经网络与自编码
器相结合，建立了可以更好的生成针对多元时间序列的人工样本数据扩充模型（GRU-
BEGAN），提高了人工样本的质量，为多元时间序列预测模型提供了充足的故障样本数
据。
其次，根据扩充后的数据量和对时间序列特征提取等需要，本文使用基于循环神经
网络的Deep-BiLSTM模型，该模型不仅可以在保证最大限度地对采样数据空间特征和
时间特征提取的前提下，进一步提高网络结构的长期依赖性，同时也在输出层结合前一
时刻（forward）和后一时刻（backward）的相关数据信息，进而提高预测精度，并达到
多步预测的效果。在预测模型中针对工业过程的实际需要，提出了Deep-BiLSTM的损
失函数W-MAE，可以在模型的整体精度不变甚至是提高的情况下，提高对于工作人员
而言关注价值更高的数据点。
最后，使用本文所提出的数据扩充模型和数据预测模型，对田纳西-伊斯曼、KJH仿
真系统数据和核电站热工水力系统数据分别进行了具体的问题具体的分析，并完成已知
瞬态工况和未知瞬态工况的数据预测实验，通过结合单变量过程监控的方法（拉依达准
则）对数据预测结果进行了故障监测，最终达到故障预测的目的。
关键词：故障预测;数据驱动；长短期记忆循环神经网络；状态监测；生成对抗网络
基于LSTM模型的工业过程数据的故障预测
ABSTRACT
Withtherapiddevelopmentofmanyindustrialfields,itsequipmentsystemsarebecoming
moreandmorecomplicatedandintelligent.Traditionalmethodssuchaspost-maintenance
andregularmaintenancewillstillcausehugelossestothelifesafetyofstaffandmechanical
equipment.Thereasonisthatsuchmethodscannotaccuratelyanalyzeandjudgethestatusof
equipment,systemsandcomponents,anditisdifficulttomeettheactualneedsofmoderntimes.
Inordertoensurethereliableandsafeoperationoftheequipmentduringuse,itisofgreat
significancetosolvetheproblemoffaultpredictionbasedondata-drivencomplexindustrial
processes.Inviewofthisproblem,onthebasisofartificialneuralnetwork,anewfault
predictionmodelbasedonmultivariatetimeseriesdataisproposed.
Firstly,thecon