SPHT-LSTM：一种新型工业设备状态预测方法

为什么保持设备健康很重要

从钢厂到风电场，现代工业依赖那些期望多年无故障运行的机器。当关键齿轮箱、轴承或电池意外失效时，可能导致昂贵的停机甚至危险事故。本文提出了一种利用已有传感器数据来监控这类设备的新方法，目标是在更早阶段发现问题，并以计划性维护替代对故障的被动反应。

聆听漫长而嘈杂的历史

工业设备持续产生振动、电流等传感器信号流。这些读数随时间形成非常长且波动的曲线，充满噪声和细小起伏。隐藏其中的是轴承开始剥落、齿轮啮合面磨损或电池容量下降的微弱迹象。传统方法要么依赖难以为复杂系统构建的简化物理模型，要么依赖在超长序列和微弱早期信号面前力不从心的数据驱动模型。作者关注这一空白：如何将压倒性的噪声历史转化为关于设备健康的清晰、有用线索。

将磨损压缩为一条简单曲线

研究的第一个想法是一个新的健康指标，称为平均性能退化（Mean Performance Degradation，MPD）。该方法不是把每一个传感器读数都输入模型，而是将整个运行寿命划分为多个时间块。对每个时间块，计算其平均行为以及与全局参考的偏离程度。该偏离值成为更短“退化曲线”上的一点，用来追踪设备如何偏离健康状态。这一步滤除了高频噪声，减少了待处理数据量，并使相位变化——例如从正常运行转向早期损伤——更明显。

两种展望未来的视角

在这一压缩曲线上，作者构建了名为SPHT-LSTM的双通道预测模型。一条分支称为“叠加通道”，集中于缓慢的长期趋势：反映整体磨损的渐进漂移。另一条称为“进展通道”，着重短时突发和局部波动，捕捉小而突然的变化。每个分支结合了两种强大的深度学习工具：擅长处理时间序列的LSTM单元，以及擅长发现序列中远距离关系的Transformer模块。通过将两条分支分开，系统可以专门化：一条成为平滑漂移的专家，另一条成为尖锐波动的专家。

让更可靠的“声音”发言

由于设备老化并非平稳可预测，模型并不简单地对两条分支取平均值。相反，它持续基于滑动窗口内的预测误差评估各分支近期表现。在每一步中，模型选择近期误差更低的分支作为官方预测。这类似于一个简单的裁判，更倾向于听取在当前条件下表现更佳的专家。当早期损伤细微且局部时，短期分支往往占优；当退化变得稳定且明显时，长期分支接管。作者还在时域和频域上分析了预测，以确认这些变化与已知故障模式相匹配。

将方法付诸检验

团队在三类数据上测试了他们的方法。首先，他们使用了著名的运行至失效（run-to-failure）轴承信号，其中轴承运行直至损坏。其次，他们考察了电池老化数据，将内阻和充电行为的变化与容量损失联系起来。第三，他们分析了钢厂热轧机上的真实齿轮箱振动数据。在这三种情况下，MPD 都提供了清晰的退化曲线，双通道预测器能够标记系统进入早期故障阶段以及退化加速的时刻。与经典神经网络和标准Transformer相比，SPHT-LSTM 降低了预测误差，并更准确地标示进入危险阶段的转折点。

对真实工厂的意义

对非专业人士来说，主要结论很直接：该方法为工厂操作员提供了更清晰的早期预警信号。通过将杂乱的传感器历史压缩为直观的退化曲线，然后使用两位协作的“专家”来预测该曲线的走向，该方法在所测场景中能正确识别约九成的早期微弱故障，并对快速失效阶段的识别率更高。这种前瞻性可支持基于状态的维护：当健康指标越过阈值时进行保养，而不是按固定日历安排。从实际意义上讲，这可能意味着更少的意外故障、更合理的维护资源使用，以及更安全、更可靠的工业运行。

引用: Hu, B., Zhang, Y., Guo, J. et al. SPHT-LSTM: a novel industrial equipment condition prediction method. Sci Rep 16, 13865 (2026). https://doi.org/10.1038/s41598-026-43263-8

关键词: 预测性维护, 设备健康监测, 时间序列预测, 深度学习模型, 故障检测