基于LSTM-WPHM模型的風機軸承故障報警與壽命預測方法*

馬明駿 趙海心 姜孝謨 成驍彬

(1.大連理工大學運載工程與力學學部 2.大連理工大學能源與動力學院，工業裝備結構分析國家重點實驗室，工業裝備數字孿生遼寧省重點實驗室)

0 引言

風電機組通常建造在如近海、草原和山區等偏遠地帶，受天氣變化影響，其運行存在很大的隨機性，且工況多變，加之自然環境極端惡劣，導致機組故障頻發，運行成本居高不下[1]。對于在陸上偏遠地區或海上的機組，維修時運輸和吊裝風機部件需要耗費較長時間，這使得機組停機時間長，維護成本高，降低了風機發電量和可靠性[2]，從而降低了風場的實際經濟效益。因此，如何降低風電機組運營和維護成本是風電廣泛應用和進一步發展的重大挑戰[3]。剩余運行壽命預測可實現機組故障的早期預警和失效時間預估，幫助工作人員提前制定合理的維護計劃，減少風機因故障導致的非正常停機，因而成為降低風電機組運維成本的有效手段。

軸承是傳動鏈系統的關鍵部件之一，承擔風機運行時的載荷傳遞。風機軸承在惡劣環境下運行，受變轉速和變工況的影響，存在比其它工業軸承更高的故障率[4]。因此，對風機軸承開展壽命預測研究，實現軸承的故障預測，并制定出合理有效的維護策略，有助于降低風電機組的運維成本，提高風場的經濟效益。

軸承壽命預測可分為基于物理機理和基于數據驅動的兩類方法。前者根據失效機理建立相應的數學模型來描述軸承退化模式，并預測出剩余壽命，常用的方法包括基于裂紋擴展[5-6]和疲勞損傷[7-8]等機理模型。此類方法建模復雜，計算時間長，側重于理論和試驗研究，適用于軸承單一故障的壽命預測研究。后者基于海量歷史數據，構建軸承壽命與關鍵變量之間的函數映射關系，實現對剩余壽命的預測，其預測精度依賴于數據和模型質量。此類方法通?？煞譃榛诟怕式y計、機器學習和人工智能的三類方法。第一類方法根據大量軸承歷史壽命數據，建立可靠性模型來預測軸承壽命，其中威布爾（Weibull）分布作為一種普適性的概率分布函數[9]，常應用于軸承的可靠性建模和分析[10]，來描述部件的不同失效模式。但該方法僅能反映軸承壽命的一般分布規律，對其在復雜運行工況下進行壽命預測時，會產生較大的偏差。第二和第三類方法都是根據軸承運行多變量監測數據，構建軸承壽命與多個關鍵變量的非線性關系來實現壽命預測。第二類方法通?；诒壤L險、加速失效、邏輯回歸和支持向量機等機器學習模型[11-14]來實現軸承壽命預測，這種方法在壽命預測領域發展相對比較成熟，適用性非常廣泛。其中威布爾比例風險模型（Weibull Proportional Hazards Model，WPHM）[15]可對設備在不同狀態下進行可靠性建模分析，被廣泛應用于不同工業領域[16-18]。而第三類方法通?；诟鞣N人工神經網絡和深度學習模型[19-21]，此類方法在近幾年迅速發展，其中長短期記憶（Long Short Term Memory，LSTM）神經網絡，能考慮多維變量的相關性和時序前后依賴性，自動提取特征進行預測。本文發展一種融合WPHM 模型和LSTM 深度神經網絡的混合方法，實現對風機軸承剩余壽命的準確預測。

目前，基于SCADA 數據的風電機組狀態監測研究已取得不錯的效果[22-23]，而基于SCADA數據的風機剩余壽命預測研究還處于初步階段。在SCADA 數據中，溫度能直觀反映出軸承故障受復雜惡劣的運行環境和復雜工況影響，其表現不明顯，給傳統方法實現壽命預測帶來困難。軸承溫度通常與其它變量存在復雜的非線性關系，若根據健康狀態下的數據，建立軸承溫度與相關變量的映射關系，模擬出軸承溫度在健康狀態下的變化，便能識別出軸承的異常狀態。

LSTM 神經網絡作為循環神經網路（Recurrent Neural Network，RNN）的變體，在時序數據預測建模中表現出極強的適應性和很高的精度，同時解決了RNN的長期記憶能力不足、梯度消失和梯度爆炸等問題，因此在基于SCADA數據的風機狀態監測方面取得了良好的效果[24-25]。但目前這些研究還沒發展用于風電軸承剩余壽命預測。

本文針對風電軸承，發展基于SCADA 多維變量數據的無縫融合LSTM和WPHM的建模方法，實現軸承的故障預警和壽命預測有機結合。利用LSTM 預測模型集成風場環境和風機運行特性對軸承溫度數據的影響，并根據預測得到的軸承運行狀態指標，建立WPHM可靠性模型，實現對風機軸承的可靠性分析。根據分析結果，給出機組故障預警，同時對當前的可靠性變化趨勢進行擬合，預測出機組未來的可靠性變化趨勢，實現機組的剩余壽命預測。本文使用實際海上風場的發電機驅動端軸承運行數據和故障案例，驗證所提出方法的有效性和準確性。

1 軸承剩余壽命預測模型

1.1 LSTM多變量預測模型

風電機組運行環境復雜，存在變轉速、變工況等特性，導致軸承溫度會出現周期性的波動，影響傳統WPHM模型的可靠性分析精度?？紤]到軸承溫度與其它影響因素存在非線性關系，本研究建立LSTM多變量時序預測模型，擬合機組健康狀態下軸承溫度與相關變量的關系，由此預測軸承溫度在健康狀態下的理論值，并以實際值與預測值的殘差作為軸承狀態指標進行可靠性分析，實現更準確的剩余壽命預測。

根據風電領域的工程經驗和專家知識，軸承溫度主要與2 個方面的因素相關，一是與軸承自身轉速相關，轉速受運行工況影響，風速越大，功率越高，軸承轉速就越快其溫度也就高。二是與風機運行環境相關，軸承溫度受晝夜交替、季節變化等外界環境的影響。對于發電機軸承，其溫度還會受繞組溫度的影響。發電機繞組和軸承位置相近，且繞組溫度高于軸承溫度，因此，發電機繞組的熱量會傳遞給軸承，當繞組溫度過高時，會導致軸承溫度升高。

綜上，本研究選取繞組溫度、轉速、風速、有功功率、環境溫度和機艙溫度6 個SCADA 系統變量作為模型輸入，表示為X={x1,x2,…,x6} ，用于預測發電機軸承溫度，表示為y。圖1展示了LSTM-WPHM模型結構和算法流程，其中LSTM 軸承溫度預測模型由2 層LSTM神經網絡，2 層Dropout 層和1 層全連接層組成，每層LSTM后添加的Dropout層，在每次迭代訓練中隨機減掉20%的神經元，以減少模型出現過擬合的概率。

圖1 LSTM-WPHM模型結構和應用流程Fig.1 Architecture and application process of LSTMWPHM

LSTM 神經網絡是一種遞歸神經網絡，其通過引入輸入門、遺忘門和輸出門來實現刪除或增加信息到細胞狀態，對處理長時間序列數據問題上更具優勢[30]。模型中Ct為細胞狀態單元，表征長期記憶，ht為隱層狀態單元，表征短期記憶，ft，it和Ot分別為遺忘門控單元、輸入門控單元和輸出門控單元，代入某個時刻的SCADA變量Xt，ft，it和Ot可表示為：

式中，Wf，Wi和WO為各門控單元的權值矩陣，bf，bi和bO為各門控單元的偏置矩陣。模型中遺忘門是將長期記憶中的不相關信息進行遺忘，保留重要信息，其中遺忘門控單元ft用于調節長期記憶Ct的遺忘程度。輸入門是對短期記憶中的信息進行更新，并從中篩選出重要信息作為候選記憶單元添加進長期記憶，其中輸入門控單元it用于調節候選記憶單元的添加程度，可表示為：

式中，WC為候選記憶單元的權值矩陣，bC為候選記憶單元的偏置矩陣。輸出門是對遺忘門和輸入門的信息進行匯總，更新細胞狀態單元Ct和隱層狀態單元ht，并給出模型輸出yt，表達式如下

式中，符號?表示矩陣乘法運算；ft?Ct-1表示記憶遺忘階段；it?表示記憶更新階段。選取風機軸承健康階段的運行數據，訓練LSTM軸承溫度預測模型，建立軸承溫度與6個影響因素的映射關系。利用LSTM模型預測出軸承正常運行的溫度值，當軸承發生異常時，預測值與實際值會發生較大偏差。因此，本文以預測值與實際值的殘差δ作為表征軸承狀態的指標，計算公式如下：

式中，ytrue和ypre分別為軸承溫度實際值和預測值。

1.2 WPHM軸承可靠性模型

傳統的比例風險模型（Proportional Hazards Model，PHM），又稱Cox 模型，是由英國統計學家D.R.Cox 提出的一種半參數統計回歸模型。該模型假設設備在t時刻的失效率λ(t,X)由兩個影響函數組成，即基線失效率λ0(t)和監測變量X影響的指數函數g(X)。本研究將式（8）得到的軸承狀態指標δ代入模型，得到LSTMPHM的失效率表達為：

式中，λ0(t)為僅與歷史壽命t有關的基線失效率函數，g(δ)=eαδ為影響軸承故障的關鍵變量函數，α為對應的回歸系數，反映狀態指標對機械設備失效的影響程度。相較于傳統PHM 模型，本研究提出的模型通過LSTM 模型融合6 個關鍵變量X={x1,x2,…,x6} 為軸承狀態指標δ，不僅有效地集成了多個關鍵變量的影響，而且極大地簡化了PHM模型參數的估計。

傳統的PHM模型不假定λ0()t的分布形式，僅根據現有數據給出離散型的基線失效率，無法給出隨歷史壽命變化的連續型基線失效率?？紤]到不同機械設備在特定工況下都有其相應的失效分布函數，本研究將可靠性函數中常用的Weibull分布引入式（9），建立全參數統計回歸的LSTM-WPHM 模型，來對機械設備進行更準確地分析，其失效率函數表達式為：

式中，η和β分別為Weibull分布的尺度參數和形狀參數，其中β＜1表示故障發生在早期階段，通常由材料或制造等因素導致；β＞1表示故障發生在老化階段，由設備長時間運行引起的磨損、疲勞和腐蝕等因素導致；β=1表示在運行過程中故障發生是隨機的。

LSTM-WPHM 軸承可靠性模型中的未知參數采用極大似然法進行估計，其對數似然函數為如下：

式中，q為樣本失效個數；n為數據樣本總數。對lnL(β,η,α)中的未知參數β，η和α分別求偏導，并令各偏導數等于零得到非線性方程組，利用BFGS 迭代算法求解該方程組，得到參數估計值，和。

根據可靠性原理，LSTM-WPHM模型的累積失效概率為：

根據式（12）對給定機組進行可靠性分析，計算風機軸承隨運行時間變化的累積失效概率F(t,δ)。累積失效概率能夠表征軸承的故障程度，其數值越大，說明軸承損傷的程度越大。因此，以累積失效概率作為軸承的失效指標，并根據故障機組和健康機組的分析結果，確定出機組的報警閾值Fa和失效閾值Ff，用于機組的故障報警和壽命預測。

1.3 LSTM-WPHM模型故障報警及壽命預測

圖2 為LSTM-WPHM 混合模型對機組故障報警和壽命預測的示意圖。首先通過LSTM 模型融合多維變量數據，計算出軸承狀態指標，然后根據式（12）計算出軸承的累積失效概率F，當F達到報警閾值Fa時，給出機組故障預警，并開始對機組進行壽命預測分析。本研究對F變化趨勢進行曲線擬合，預測機組F未來的變化趨勢，當預測的F值達到失效閾值Ff時，判定軸承完全失效。軸承運行出現報警時，通常認為其出現了早期故障征兆，在沒有維修的情況下，軸承失效概率會隨著運行時長呈現非線性單調上升趨勢。因此，本研究采用指數函數來擬合失效概率趨勢，表達式為：

圖2 故障報警與剩余壽命預測相結合的示意圖Fig.2 Schematic diagram of fault alarming and remaining life estimation simultaneously

式中，t為機組軸承運行時長。當達到失效閾值Ff時，軸承的剩余壽命tRUL為

式中，ta是機組報警時間；tpf是預測出的軸承失效時間。

風電機組運行存在很大的隨機性，這導致風機軸承實際運行壽命也存在較大的不確定性。本研究通過擬合曲線參數估計的置信區間，給出失效指標趨勢變化的上下限，從而得到機組軸承的剩余壽命區間，進而定量化剩余壽命的不確定性。由此，通過LSTMWPHM 混合模型，同時實現對風機軸承運行故障報警和剩余壽命預測的有機結合。

2 算法流程

本文所提出的軸承故障報警和壽命預測相結合的算法流程如圖3所示，具體步驟如下：

圖3 故障報警及壽命預測算法流程Fig.3 Algorithm flow of fault alarm and life prediction

1）數據提?。簭臋C組SCADA系統中提取建模所需的7個相關變量數據作為機組原始數據。

2）數據預處理：對數據中的空缺值和停機數據進行處理，其中對空缺值采用中位數進行填充，對有功功率小于0 或風速小于3m/s 的風機停機數據進行刪除。對不同變量數據進行歸一化處理，使數據映射到0～1之間，以消除變量間的量綱影響。

3）LSTM建模：利用前面所述的LSTM建模方法構建健康狀態下各關鍵變量與軸承溫度的非線性映射關系。

4）狀態指標計算：以LSTM模型給出的軸承溫度預測值和實際值的殘差作為表征軸承運行狀態的指標，以此融合各類因素對軸承溫度的影響。

5）可靠性建模：選取故障機組在故障發生時刻和健康機組在多個不同時刻下的變量數據作為建模數據，根據式（10）建立LSTM-WPHM 混合可靠性模型，并利用極大似然估計方法估計模型參數。

6）可靠性分析：基于LSTM-WPHM模型，根據等式（11）對機組進行可靠性分析，給出機組隨時間變化的累積失效概率。

7）報警閾值確定：通過分析訓練集中故障機組和健康機組的累積失效概率差異，確定報警閾值Fa和失效閾值Ff。

8）機組故障報警：基于LSTM-WPHM 模型對機組的分析結果，根據報警閾值和故障閾值，實現機組的實時監測和多級故障報警。

9）剩余壽命預測：當模型給出機組故障預警時，根據機組的可靠性分析結果，利用式（13）擬合機組的累積失效概率變化趨勢?；跀M合曲線預測機組該指標的未來變化，并根據式（14）計算出機組故障剩余壽命區間，從而實現機組故障報警和壽命預測的有機結合。

10）預測維護：基于LSTM-WPHM得到的故障報警和預測的剩余壽命，提前規劃軸承維修范圍和策略，準備維修資源和備件，實現基于設備運行條件的預測性維護。這樣減少軸承因故障導致的非計劃停機，提高風機軸承的可靠性，減少維修停機時間，降低維修成本。

3 算例驗證

3.1 算例數據

以某海上風場4MW風電機組中的發電機驅動端軸承故障為例，利用24 臺故障機組和75 臺健康機組從2016年到2019年的SCADA數據作為訓練集，24臺故障機組和20 臺健康機組2020 年的SCADA 數據作為測試集，對模型和方法進行驗證。首先從SCADA 系統中提取驅動端軸承溫度、繞組溫度、轉速、風速、有功功率、環境溫度和機艙溫度7 個變量的數據，并根據上述流程，對變量數據進行預處理，包括填充空缺值、刪除停機數據和數據歸一化。同時，對采樣間隔為10 分鐘的原始SCADA 數據進行降頻，通過計算每1 小時內的數據均值，得到采樣間隔為1小時的降頻數據。

3.2 LSTM溫度預測模型

受變轉速、變工況以及環境變化的影響，軸承溫度會呈現周期性的波動。圖4 展示了3 個相關溫度變量的變化趨勢，可以看出驅動端軸承溫度變化趨勢與繞組溫度和環境溫度的趨勢相同，說明驅動端軸承溫度會受到繞組溫度和環境溫度的影響。

圖4 溫度變量變化趨勢Fig.4 Temperature variable trends

選取預處理后的每臺機組至少6 個月的健康運行數據作為訓練集，建立LSTM 軸承溫度預測模型，構建健康狀態下各影響因素與驅動端軸承溫度的映射關系。圖5為訓練集中部分機組的模型訓練過程，可以看出，隨著迭代次數的增加，訓練誤差和驗證誤差均逐漸趨于平穩，說明LSTM模型已經收斂。

圖5 LSTM模型訓練過程Fig.5 Training error of LSTM model

利用非訓練集的健康運行數據對LSTM 模型進行驗證，圖6 為訓練集中99 臺機組的模型決定系數（RSquare，R2）和均方誤差（Mean Squared Error，MSE）分析結果，可以看出，訓練集中97%機組的R2大于0.8，R2的平均值為0.881，91.9%機組的MSE小于0.001，MSE的平均值為0.00067，說明LSTM模型的擬合精度非常高。

圖6 LSTM模型驗證結果Fig.6 Validation results of LSTM model

利用LSTM 模型計算出健康狀態下的驅動端軸承溫度預測值，并以預測值與實際值的殘差作為表征驅動端軸承運行狀態的新指標，來消除驅動端軸承溫度的波動性，進而突顯出驅動端軸承溫度異常。圖7展示了驅動端軸承原始溫度和LSTM 模型計算出的軸承狀態指標數據，可以看出，新的軸承狀態指標相比于原始軸承溫度更為平穩，且能夠更明顯地反映出機組運行過程中的軸承異常。

圖7 驅動端軸承原始溫度和狀態指標Fig.7 Drive-end bearing original temperature and condition indicator

3.3 模型比較

選取訓練集中的24臺故障機組在故障時刻和75臺健康機組在多個任意時刻下的變量數據，分別建立發電機驅動端軸承故障的WPHM模型和LSTM-WPHM模型。表1 為兩種模型的參數估計結果，可以看出，兩種模型的參數β均大于1，α均大于0，說明兩種模型均模擬該故障為退化失效模式，且驅動端軸承溫度越高，故障程度越大，符合軸承故障機理。兩種模型的p值均為0，說明建立的兩種模型均有較高的擬合精度。

表1 模型參數估計結果Tab.1 Parameter estimation results of models

利用得到的WPHM和LSTM-WPHM模型分別對故障機組A和健康機組B進行分析。圖8和圖9分別展示了兩種模型對故障機組A和健康機組B的分析結果，紅色垂直虛線為SCADA系統故障報警時刻，可以看出，兩種模型均能識別出軸承故障，且能捕捉到軸承的失效退化階段，實現機組故障預警，但LSTM-WPHM 模型對機組健康階段計算出的累積失效概率更低，更符合軸承的健康運行狀態，特別是對于健康機組，可以明顯地減少對機組的誤報。

圖8 故障機組A累積失效概率分析結果Fig.8 Cumulative failure probability analysis of faulty unit A

圖9 健康機組B累積失效概率分析結果Fig.9 Cumulative failure probability analysis of healthy unit B

3.4 故障報警與壽命預測

根據式（12）對訓練集中的24臺故障機組和75臺健康機組進行分析，通過對比故障機組和健康機組的分析結果，確定驅動端軸承故障的報警閾值和故障閾值。圖10為訓練集機組累積失效概率分析結果的統計特征散點圖，可以看出，80%故障機組的累積失效概率最大值大于0.5（紅色虛線），而所有健康機組的最大值小于0.2（黃色點劃線）。因此本研究分別選取0.2和0.5作為報警閾值Fa和故障閾值Ff，實現軸承故障的多級報警。從圖10 中還可以看出，全部機組的累積失效概率均值均小于0.05（藍色點線），而大部分健康機組的累積失效概率最大值大于0.05（藍色點線），表明部分健康機組可能已經存在故障的風險，所以本研究選取0.05作為識別軸承可靠性出現異常的閾值，開始捕捉軸承異常變化趨勢，實現軸承故障預測。

圖10 機組累積失效概率分析結果的統計特征Fig.10 Statistical characteristics of cumulative failure probability analysis results for all units

當累積失效概率超過0.2 時，軸承進入失效退化階段，給出軸承故障預警，并根據報警前6 個月的數據對軸承進行壽命預測分析?；谧R別到的軸承異常數據，利用式（13）擬合機組累積失效概率隨運行時間的變化趨勢，預測軸承未來的累積失效概率，利用式（14）估計出軸承的剩余壽命?？紤]到運行過程中機組壽命存在較大的不確定性，本文基于擬合曲線參數估計的99.5%置信區間，給出累積失效概率變化趨勢曲線的上下限，從而給出機組剩余壽命的預測區間。

利用2 臺故障機組C 和D 對提出的故障報警及壽命預測方法進行驗證，圖11 展示了LSTM-WPHM 模型對2 臺故障機組的故障預警和壽命預測分析結果。故障機組C在2019/06/02 16:11發生故障，模型在2019/04/05 22:00 給出機組故障預警，并預測機組在606 小時到1562小時之間發生故障，提前了57天18小時預測出機組故障（圖11a）。故障機組D 在2020/06/02 07:53 發生故障，模型在2020/04/30 22:00給出故障預警，并預測機組在599 小時到963 小時之間發生故障，提前32 天9 小時預測出機組故障（圖11b）。由此說明，本文提出的故障報警和壽命預測相結合算法能夠提前給出預警，并可以準確地預測出機組發生故障前的剩余壽命。

圖11 LSTM-WPHM模型故障報警與壽命預測分析結果Fig.11 Analysis results of LSTM-WPHM fault alarm and life prediction

3.5 算法精度驗證

為進一步驗證所提方法的準確性和有效性，利用上述方法對測試集中的24臺故障機組和20臺健康機組進行故障報警和壽命預測分析。表2 為測試集機組報警結果，可以看出，對24 臺故障機組給出19 次故障報警，其中3 次為機組健康階段的誤報，報警準確率為66.7%，對20 臺健康機組給出7 次誤報，報警準確率為65%?？梢?，機組報警整體準確率為65.9%，準確率較低，且測試集機組報警中的誤報率也相對較高，整體誤報率為25.6%。

表2 測試集機組報警結果Tab.2 Alarm analysis results of test units

針對上述誤報和漏報情況，選取典型機組進行分析。圖12 為測試集中誤報機組的兩個分析案例，對于故障機組E，模型在2020 年3 月給出故障報警，而系統并未發生報警，但從原始軸承溫度可以看出，溫度存在異常，但由于沒有達到系統設置的90℃的報警閾值，所以系統沒有給出警報，因此考慮該誤報為模型識別出的系統漏報。同理，對于健康機組F，模型在2020年10月至11 月給出故障報警，但由于原始軸承溫度并未達到系統報警閾值，所以沒有給出警報。

圖12 誤報機組的分析結果Fig.12 Analysis results of false alarms

測試集中的機組誤報大多為系統未識別出的漏報，若考慮上述情況，測試集的10次誤報中有8個為系統漏報，其中3 個為故障機組，5 個為健康機組，由此重新計算測試集的機組報警結果，如表3 所示，機組報警整體準確率為78.7%，誤報率為4.3%，故障預測平均提前時間為13天7小時。

表3 測試集機組報警結果Tab.3 Alarm analysis results of test units

圖13為測試集中漏報機組的2個分析案例，可以看出，模型未在機組故障時刻給出報警，從原始軸承溫度可以看出，溫度確定超過了系統報警預警，但經模型分析后，軸承狀態指標在故障發生時刻未有明顯變化，原因可能是軸承溫度超限主要受其它因素影響，并不是模型考慮的影響因素或機組自身故障所致。

圖13 漏報機組的分析結果Fig.13 Analysis results of missing alarms

綜上，本文所提出的方法能夠高精度地實現機組的故障報警和壽命預測，同時模型能夠識別出受環境因素影響而導致的系統漏報，說明本文提出的模型和方法具有很高的準確性。

4 結論

針對風機軸承溫度異常監測報警和預測，本文提出一種基于SCADA數據的LSTM-WPHM混合模型。通過引入LSTM 模型，融合關鍵因素對軸承溫度的影響，提高軸承溫度異常的識別精度，并結合給出的軸承狀態指標，發展LSTM-WPHM 模型，提出一種風機軸承故障報警和壽命預測相結合算法，提高風機軸承異常報警、可靠性分析和剩余壽命預測的精度?？紤]風機軸承因多種因素影響導致的運行壽命的不確定性，給出剩余壽命預測區間，以便制定合理的維修計劃。利用實際海上風場SCADA 系統的發電機驅動端軸承數據，通過比較研究，驗證了本文所提模型和方法的有效性和準確性，具體結果如下：

1）以1臺故障機組和1臺健康機組為例，對LSTMWPHM 模型和傳統WPHM 模型進行對比分析，結果表明，LSTM-WPHM模型可以更準確地得到機組可靠性分析結果，并減少機組誤報情況。

2）以測試集中的2臺故障機組為例，對所提出的方法進行驗證，結果表明，該方法能夠基于LSTM-WPHM模型分析結果，根據報警閾值和故障閾值，準確地實現機組故障報警，并根據指標變化趨勢，準確預測出故障發生時間，實現故障報警和壽命預測有機結合。

3）利用測試集中的全部機組對所提出的基于LSTM-WPHM 的方法進行驗證，結果表明，該方法能夠以較高精度實現故障報警和壽命預測，故障報警整體準確率為78.7%，并可以平均提前13天7小時給出故障預測，從而驗證了本文所提方法的準確性和有效性。