基于VMD-BiLSTM-Attention 的抽水蓄能機(jī)組性能劣化趨勢(shì)預(yù)測(cè)

方 娜，李新新，馬森源，劉錚光

（1. 湖北工業(yè)大學(xué) 太陽(yáng)能高效利用及儲(chǔ)能運(yùn)行控制湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430068；2. 湖北工業(yè)大學(xué) 新能源及電網(wǎng)裝備安全監(jiān)測(cè)湖北省工程研究中心，湖北 武漢 430068）

0 引 言

抽水蓄能機(jī)組是一種復(fù)雜系統(tǒng)，其運(yùn)行受到水力、機(jī)械和電磁等多種因素的影響。伴隨投運(yùn)時(shí)間的增加和工況頻繁啟停轉(zhuǎn)換的影響，結(jié)構(gòu)疲勞和劣化的問題日益突出［1］。這些問題的累積，可能導(dǎo)致機(jī)組水力不均和效率降低，從而對(duì)機(jī)組的正常運(yùn)行產(chǎn)生安全隱患［2］。因此，為保證機(jī)組在各種工況下都能正常運(yùn)行，需對(duì)機(jī)組進(jìn)行及時(shí)準(zhǔn)確的趨勢(shì)預(yù)測(cè)。

一般來(lái)說(shuō)，現(xiàn)有的預(yù)測(cè)方法主要為基于物理模型和基于數(shù)據(jù)驅(qū)動(dòng)兩種［3，4］。隨著監(jiān)測(cè)系統(tǒng)的不斷完善，越來(lái)越多的監(jiān)測(cè)數(shù)據(jù)被用來(lái)挖掘研究機(jī)組的運(yùn)行狀態(tài)，基于數(shù)理分析的趨勢(shì)預(yù)測(cè)成為了研究的熱點(diǎn)［5-7］。機(jī)組的振擺信號(hào)中蘊(yùn)含著豐富的狀態(tài)信息，通過(guò)建模分析能有效的評(píng)估機(jī)組的劣化趨勢(shì)。文獻(xiàn)［8］構(gòu)建了基于最小二乘曲面原理的健康狀態(tài)模型，獲得機(jī)組輸入?yún)?shù)和輸出參數(shù)之間的映射關(guān)系；文獻(xiàn)［9］采用自回歸滑動(dòng)平均模型，對(duì)抽水態(tài)和發(fā)電態(tài)下的機(jī)組上導(dǎo)軸承和上機(jī)架振擺進(jìn)行了預(yù)測(cè)，驗(yàn)證了該方法在機(jī)械振動(dòng)趨勢(shì)預(yù)測(cè)上的有效性。文獻(xiàn)［10］提出了一種機(jī)組劣化趨勢(shì)預(yù)測(cè)模型，該模型利用自編碼器進(jìn)行壓縮并進(jìn)行多尺度特征提取，充分考慮了工況參數(shù)和振擺之間的關(guān)系，盡可能保留有效信息，并關(guān)注劣化趨勢(shì)序列的整體和局部波動(dòng)。文獻(xiàn)［11］針對(duì)水電機(jī)組信號(hào)非平穩(wěn)非線性的特點(diǎn)，利用VMD，結(jié)合CNN 出色的局部特征提取能力和長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM 對(duì)時(shí)序特征的良好表現(xiàn)，提出一種基于VMD-CNN-LSTM 的混合神經(jīng)網(wǎng)絡(luò)趨勢(shì)預(yù)測(cè)方法，該方法在確保預(yù)測(cè)準(zhǔn)確性的同時(shí)，可以縮短預(yù)測(cè)時(shí)間，提高預(yù)測(cè)效率。

為準(zhǔn)確預(yù)測(cè)抽水蓄能機(jī)組未來(lái)劣化趨勢(shì)，本文深入分析機(jī)組現(xiàn)有的大量狀態(tài)監(jiān)測(cè)數(shù)據(jù)，探究監(jiān)測(cè)數(shù)據(jù)與機(jī)組狀態(tài)間的關(guān)聯(lián)，提出一種基于VMD-BiLSTM-Attention 的趨勢(shì)預(yù)測(cè)模型。首先，建立基于Bagging 算法的健康狀態(tài)模型；其次，根據(jù)健康狀態(tài)模型計(jì)算出機(jī)組劣化趨勢(shì)序列；然后，利用VMD 算法對(duì)趨勢(shì)序列進(jìn)行有效分解，再借助深度神經(jīng)網(wǎng)絡(luò)良好的非線性特征提取能力，分別針對(duì)各模態(tài)分量建立BiLSTM-Attention 模型進(jìn)行趨勢(shì)預(yù)測(cè)；最后疊加重構(gòu)各分量的預(yù)測(cè)結(jié)果即為機(jī)組最終的趨勢(shì)預(yù)測(cè)結(jié)果。

1 基本原理

1.1 Bagging算法

Bagging 算法最初由Leo Breiman 于1994 年提出，是并行式集成學(xué)習(xí)的最著名代表，也是最早、最基本的集成技術(shù)之一。Bagging算法的思想是讓該學(xué)習(xí)算法訓(xùn)練多輪，每輪訓(xùn)練都是從初始訓(xùn)練集中隨機(jī)有放回的采樣，得到T個(gè)訓(xùn)練數(shù)據(jù)集，形成若干個(gè)弱學(xué)習(xí)器，每個(gè)學(xué)習(xí)器相互之間是并行的關(guān)系，可以同時(shí)獨(dú)立完成訓(xùn)練，最終將多個(gè)弱學(xué)習(xí)器結(jié)合，進(jìn)行加權(quán)平均處理，得到最終的模型輸出［12］。

相較于其他算法，Bagging的優(yōu)點(diǎn)主要在于通過(guò)結(jié)合多個(gè)學(xué)習(xí)器，降低泛化誤差，獲得更好的泛化性能。同時(shí)，集成學(xué)習(xí)一般都是以弱學(xué)習(xí)器集成來(lái)得到一個(gè)強(qiáng)學(xué)習(xí)器，以便獲得更好的性能，有效降低結(jié)果的方差，提升模型的預(yù)測(cè)準(zhǔn)確率［13］。

1.2 變分模態(tài)分解算法

VMD 是2014 年提出的一種完全非遞歸、自適應(yīng)的模態(tài)分解方法［14］。它通過(guò)求解優(yōu)化頻域變分問題，將強(qiáng)非線性和非平穩(wěn)的復(fù)雜序列分解為不同頻率且相對(duì)平穩(wěn)的子序列［15］，克服了LMD、EMD 等經(jīng)典算法在信號(hào)出現(xiàn)階躍性跳動(dòng)時(shí)易出現(xiàn)的模態(tài)混疊和端點(diǎn)效應(yīng)問題［16］。通過(guò)迭代變換尋求最優(yōu)解，將非平穩(wěn)信號(hào)分解為一系列標(biāo)準(zhǔn)正交模態(tài)函數(shù)，具體原理如下：

以各模態(tài)分量的估計(jì)帶寬之和最小為目標(biāo)，構(gòu)造求解約束變分問題最優(yōu)解。約束變分問題模型如下：

式中：δ(t)為狄拉克函數(shù)；y(t)為原始信號(hào)；ωk為各模態(tài)分量uk(t)的中心頻率。

為求解約束變分的最優(yōu)解，引入Lagrange算子λ(t)和二次罰因子α，將約束問題轉(zhuǎn)化為非約束問題，并保證了約束的嚴(yán)格性。

式中：L(·)為增廣拉格朗日函數(shù)；α用以保證信號(hào)重構(gòu)的完整性；為二次懲罰項(xiàng)；λ(t)用以保證約束的嚴(yán)格性。

1.3 長(zhǎng)短期記憶網(wǎng)絡(luò)

LSTM 是一種具有特定構(gòu)造的時(shí)間序列卷積神經(jīng)網(wǎng)絡(luò)，可以深度挖掘時(shí)間序列中復(fù)雜的時(shí)序變化規(guī)律，將短時(shí)和長(zhǎng)時(shí)間的記憶融合，有效地解決了RNN僅具有短時(shí)、長(zhǎng)時(shí)間的依賴性，并考慮到時(shí)間序列的時(shí)序性與非線性的關(guān)系，克服了在建模過(guò)程中常常遇到的梯度消失/爆炸的問題［17，18］。由于其特殊的結(jié)構(gòu)設(shè)計(jì)，使得其在學(xué)習(xí)時(shí)間序列中的長(zhǎng)期和短期相關(guān)信息方面具有良好的表現(xiàn)能力，在預(yù)測(cè)領(lǐng)域得到了廣泛的應(yīng)用［19］。其結(jié)構(gòu)單元圖如圖1所示，計(jì)算過(guò)程如下：

圖1 LSTM結(jié)構(gòu)單元示意圖Fig.1 Schematic diagram of LSTM structural unit

式中：it、Wi為輸入門的值及權(quán)重系數(shù)；ft、Wf為遺忘門的值及權(quán)重系數(shù)；ot、Wo為輸出門的值及權(quán)重系數(shù)；σ和tanh 為sigmoid激活函數(shù)；xt為當(dāng)前時(shí)刻輸入；ht-1為前一時(shí)刻輸出；ct為狀態(tài)更新值；為候選向量；ht為最后的輸出結(jié)果。

1.4 注意力機(jī)制

注意力機(jī)制（Attention Mechanism，AM）是機(jī)器學(xué)習(xí)中一種處理數(shù)據(jù)的方法，源于專家學(xué)者對(duì)人類視覺的研究而提出［20］。人在某些特殊時(shí)刻會(huì)集中精力于某些特殊領(lǐng)域，減少或忽略對(duì)其他領(lǐng)域的關(guān)注，以獲取更多有用信息，抑制或摒棄其他的無(wú)用信息，其核心思想是通過(guò)巧妙合理的分配，忽略無(wú)用信息并放大有用信息［21］。Attention 機(jī)制的原理亦是如此，通過(guò)對(duì)特征向量賦予不同的權(quán)重，集中注意力來(lái)突出關(guān)鍵特征，從而得到更好的效果，其結(jié)構(gòu)如圖2 所示。其中，xt(t∈[1，n])表示BiLSTM 網(wǎng)絡(luò)的輸入，ht(t∈[1，n])對(duì)應(yīng)于每一個(gè)輸入通過(guò)BiLSTM得到的隱藏層輸出，y為引入Attention 機(jī)制的BiLSTM 的輸出值。

圖2 Attention機(jī)制結(jié)構(gòu)Fig.2 Attention mechanism structure

2 基于VMD-BiLSTM-Attention 的劣化趨勢(shì)預(yù)測(cè)模型

文中提出的VMD-BiLSTM-Attention 劣化趨勢(shì)預(yù)測(cè)模型的預(yù)測(cè)流程如圖3 所示，主要包含3 個(gè)步驟：①建立基于Bagging的健康狀態(tài)模型；②構(gòu)建劣化趨勢(shì)序列；③劣化趨勢(shì)預(yù)測(cè)。

圖3 劣化趨勢(shì)預(yù)測(cè)流程圖Fig.3 Deterioration trend prediction flow chart

2.1 基于Bagging的機(jī)組健康狀態(tài)模型

通過(guò)對(duì)抽蓄機(jī)組歷史監(jiān)測(cè)資料中不同工況條件下的工作水頭(H)、有功功率(P)、導(dǎo)葉開度(G)和轉(zhuǎn)速(S)進(jìn)行深入分析，建立起以Bagging 算法為基礎(chǔ)的機(jī)組健康狀態(tài)模型。實(shí)施流程如下：

（1）標(biāo)準(zhǔn)健康狀態(tài)建模。選取與機(jī)組運(yùn)行狀態(tài)有較強(qiáng)關(guān)聯(lián)性的敏感特性參數(shù)(H，P，G，S)等作為Bagging模型的輸入，結(jié)合大量歷史監(jiān)測(cè)數(shù)據(jù)建立標(biāo)準(zhǔn)健康狀態(tài)模型，然后將抽蓄機(jī)組歷史狀態(tài)監(jiān)測(cè)數(shù)據(jù)(F)如擺度信號(hào)作為輸出，獲得運(yùn)行參數(shù)(H，P，G，S)與狀態(tài)監(jiān)測(cè)數(shù)據(jù)間的映射關(guān)系：

式中：t為機(jī)組運(yùn)行時(shí)間。

（2）構(gòu)建機(jī)組健康性能指標(biāo)。機(jī)組部件性能水平會(huì)隨著服役年限的增加而逐漸降低，此時(shí)振擺的實(shí)測(cè)值V(t)往往會(huì)偏離同工況參數(shù)下健康值相互間的非線性映射關(guān)系。因此，為對(duì)機(jī)組的健康性能進(jìn)行量化，本文將實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)輸入到機(jī)組投運(yùn)初期的數(shù)據(jù)構(gòu)建的健康狀態(tài)模型中，以提取機(jī)組運(yùn)行過(guò)程中健康性能指標(biāo)序列。具體而言，將機(jī)組運(yùn)行工況參數(shù)數(shù)據(jù)(H，P，G，S)作為健康模型輸入，然后將該工況下計(jì)算得到的理論標(biāo)準(zhǔn)值F(t)作為構(gòu)建模型健康性能指標(biāo)的參考依據(jù)，并依據(jù)式（7）定義健康性能指標(biāo)HPI：

式中：t為機(jī)組運(yùn)行時(shí)間；性能指標(biāo)取大于0部分。

2.2 VMD-BiLSTM-Attention 預(yù)測(cè)模型

由于提取的HPI 序列在時(shí)頻域中不斷地變化，具有較強(qiáng)的非線性和非平穩(wěn)性，傳統(tǒng)的預(yù)測(cè)方法在處理這些復(fù)雜信號(hào)時(shí)效果欠佳，為提高對(duì)復(fù)雜信號(hào)趨勢(shì)預(yù)測(cè)的準(zhǔn)確性，需考慮新的解決辦法。本文綜合VMD 在信號(hào)分解、BiLSTM 在時(shí)序預(yù)測(cè)和注意力機(jī)制在特征提取上各自的優(yōu)勢(shì)，提出基于VMD-BiLSTMAttention 的預(yù)測(cè)模型，能很好的泛化和預(yù)測(cè)高維非線性問題。將劣化趨勢(shì)序列輸入到預(yù)測(cè)模型中，得出機(jī)組未來(lái)健康的發(fā)展趨勢(shì)，具體步驟如下：

首先，對(duì)原始序列進(jìn)行VMD 分解，得到K個(gè)具有獨(dú)立頻率和帶寬的模態(tài)分量，如圖4所示。

圖4 變分模態(tài)分解Fig.4 Variational modal decomposition

其次，構(gòu)建K個(gè)子分量的BiLSTM-AM 預(yù)測(cè)模型，結(jié)構(gòu)如圖5所示。

圖5 BiLSTM-Attention模型結(jié)構(gòu)Fig.5 BiLSTM-Attention model structure

按時(shí)間順序?qū)⑿蛄袛?shù)據(jù)輸入到BiLSTM 層。BiLSTM 會(huì)學(xué)習(xí)輸入?yún)?shù)的特征，Attention層則對(duì)每個(gè)BiLSTM 層進(jìn)行權(quán)重分配，以捕捉重要信息。最后，疊加重構(gòu)各分量預(yù)測(cè)結(jié)果，即為機(jī)組最終的趨勢(shì)預(yù)測(cè)結(jié)果。

本文選用Adam 優(yōu)化算法更新網(wǎng)絡(luò)參數(shù)，選用均方誤差（Mean Square Error，MSE）作為損失函數(shù)，即：

式中：yi為真實(shí)值；為預(yù)測(cè)值；n為樣本個(gè)數(shù)。

2.3 模型評(píng)價(jià)指標(biāo)

為了綜合評(píng)估模型的優(yōu)劣并衡量預(yù)測(cè)結(jié)果的準(zhǔn)確性，本研究采用了多個(gè)評(píng)價(jià)指標(biāo)。主要選用的指標(biāo)包括均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、平均絕對(duì)百分比誤差（MAPE）和決定系數(shù)（R2）［23］。RMSE反映了預(yù)測(cè)值與實(shí)際值之間的偏差程度，MAE則衡量了預(yù)測(cè)值與實(shí)際值之間的平均差異，而MAPE則考慮了相對(duì)誤差的影響。此外，R2可以幫助我們?cè)u(píng)估模型對(duì)數(shù)據(jù)的擬合程度，從而更好地理解預(yù)測(cè)結(jié)果的可靠性。具體公式如下：

式中：yi為趨勢(shì)序列真實(shí)值為模型預(yù)測(cè)值；N為數(shù)據(jù)個(gè)數(shù)。

3 算例仿真分析

3.1 數(shù)據(jù)來(lái)源

機(jī)組設(shè)備的劣化趨勢(shì)對(duì)其進(jìn)行精準(zhǔn)的趨勢(shì)預(yù)測(cè)，制定科學(xué)合理的檢修計(jì)劃，節(jié)省非計(jì)劃?rùn)z修費(fèi)用和安全穩(wěn)定運(yùn)行具有重大的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。本文選取某水電站2號(hào)機(jī)組數(shù)據(jù)進(jìn)行仿真分析，以上導(dǎo)軸承X/Y向擺度來(lái)反映機(jī)組設(shè)備軸系穩(wěn)定性的健康狀況。根據(jù)電站運(yùn)行報(bào)告，2019 年1 月15 日至2019年3 月15 日期間運(yùn)行良好，以此階段數(shù)據(jù)來(lái)訓(xùn)練和驗(yàn)證健康模型，推導(dǎo)出2019 年3 月16 日至2019 年9 月15 日的劣化趨勢(shì)序列，訓(xùn)練并測(cè)試機(jī)組劣化趨勢(shì)預(yù)測(cè)模型。

3.2 建立健康狀態(tài)模型

為驗(yàn)證機(jī)組健康狀態(tài)模型的有效性，選取機(jī)組正常運(yùn)行時(shí)采集的數(shù)據(jù)并建立了Bagging 健康狀態(tài)模型，該模型能夠有效地映射機(jī)組運(yùn)行參數(shù)(H，P，G，S)和振動(dòng)之間的關(guān)系。選用機(jī)組2019 年1 月15 日至2019 年3 月15 日的數(shù)據(jù)樣本建立健康模型并訓(xùn)練。為驗(yàn)證Bagging 模型的擬合能力，采用K鄰近、線性回歸和Bagging構(gòu)建健康狀態(tài)模型，并進(jìn)行對(duì)比分析。

不同模型評(píng)價(jià)指標(biāo)如表1 所示，其擬合結(jié)果如圖6 所示。從表1 中可知，Bagging 模型輸出值與真實(shí)值之間的RMSE分別為4.274、3.977，MAE分別為1.475、1.743，MAPE分別為18.937%、22.272%，決定系數(shù)R2為0.971、0.974。

表1 各模型評(píng)價(jià)指標(biāo)Tab.1 Each model evaluation index

圖6 基于Bagging算法的擬合結(jié)果Fig.6 Fitting results based on Bagging algorithm

由表1 和圖6 可知，基于Bagging 的健康狀態(tài)模型真實(shí)值與預(yù)測(cè)值基本吻合，表明Bagging 模型可從現(xiàn)有數(shù)據(jù)序列中挖掘機(jī)組運(yùn)行參數(shù)與上導(dǎo)軸承擺度之間的關(guān)聯(lián)。其擬合精度較高，表明基于Bagging 的健康模型能較好地刻畫機(jī)組部件的運(yùn)行特性。

3.3 劣化趨勢(shì)序列生成

本研究選取了2019 年3 月16 日至2019 年9 月15 日的數(shù)據(jù)，以機(jī)組運(yùn)行參數(shù)(H，P，G，S)作為健康模型的輸入，在實(shí)際監(jiān)測(cè)振動(dòng)數(shù)據(jù)V(t)給定的情況下，計(jì)算出標(biāo)準(zhǔn)健康狀態(tài)下的上導(dǎo)軸承振擺值F(t)?；谏鲜鲇?jì)算結(jié)果，依據(jù)式（7）計(jì)算上導(dǎo)軸承的劣化趨勢(shì)序列，并得出其隨服役年限的增加而逐漸出現(xiàn)劣化的結(jié)論。如圖7 所示，機(jī)組設(shè)備的劣化趨勢(shì)呈現(xiàn)出波動(dòng)上升的趨勢(shì)，這與實(shí)際生產(chǎn)情況相符，表明Bagging 模型可以生成可靠的劣化趨勢(shì)序列。然而，該劣化趨勢(shì)序列呈現(xiàn)非平穩(wěn)和非線性的特征，且存在大量的局部波動(dòng)，這為準(zhǔn)確的預(yù)測(cè)帶來(lái)了嚴(yán)峻挑戰(zhàn)。

圖7 上導(dǎo)軸承劣化趨勢(shì)序列Fig.7 Upper guide bearing deterioration trend sequence

3.4 劣化趨勢(shì)預(yù)測(cè)

為準(zhǔn)確預(yù)測(cè)機(jī)組設(shè)備劣化趨勢(shì)，根據(jù)所得劣化趨勢(shì)序列，利用VMD-BiLSTM-Attention 預(yù)測(cè)模型對(duì)上導(dǎo)軸承劣化趨勢(shì)進(jìn)行預(yù)測(cè)。選用前80%的劣化序列用于模型訓(xùn)練，后20%用于測(cè)試，以檢驗(yàn)所提模型的有效性。

采用VMD 將原始序列分解為4 個(gè)模態(tài)分量，如圖8 所示。而后，將各模態(tài)分量置于對(duì)應(yīng)的BiLSTM-Attention 模型中預(yù)測(cè)，疊加各分量的預(yù)測(cè)結(jié)果，獲得上導(dǎo)軸承最終預(yù)測(cè)結(jié)果，如圖9所示。

圖8 VMD分解結(jié)果Fig.8 VMD decomposition results

圖9 各模型的預(yù)測(cè)結(jié)果Fig.9 Prediction results of each model

為了驗(yàn)證所提模型的優(yōu)越性，分別建立RNN、LSTM、BiLSTM、BiLSTM- Attention、VMD-LSTM、VMD-BiLSTM 和VMDBiLSTM-Attention 對(duì)劣化趨勢(shì)進(jìn)行預(yù)測(cè)并比較，結(jié)果如表2 所示。表2中給出了上導(dǎo)軸承X/Y向擺度的RMSE、MAE、MAPE和R2的預(yù)測(cè)結(jié)果，由表2 可知，文中所提模型的RMSE、MAE、MAPE和R2分別為0.005、0.008，0.004、0.007，1.881、3.291 和0.980、0.985，結(jié)果表明本文所提方法更為精準(zhǔn)。

表2 各預(yù)測(cè)模型評(píng)價(jià)指標(biāo)Tab.2 Each prediction model evaluation index

為對(duì)各模型預(yù)測(cè)效果有更直觀的認(rèn)識(shí)，采用誤差分布箱線圖來(lái)反映各模型預(yù)測(cè)性能上的差異，如圖10 所示。由圖10 可知，前4種未使用VMD 分解的模型預(yù)測(cè)的結(jié)果誤差分布范圍較廣，且不在0 附近均勻分布，多存在異常值，表明這4 種模型的預(yù)測(cè)結(jié)果變化較大，預(yù)測(cè)結(jié)果的穩(wěn)定性較差；后3 種使用了VMD分解的模型預(yù)測(cè)的結(jié)果誤差分布范圍較小且更加集中，誤差中位數(shù)多接近于0，表明使用VMD 分解能夠有利于處理復(fù)雜時(shí)間序列的預(yù)測(cè)問題。

圖10 各模型預(yù)測(cè)誤差箱線圖Fig.10 Boxplot of prediction error of each model

綜上所述，通過(guò)對(duì)比分析各模型的預(yù)測(cè)誤差分布，并結(jié)合本文提出的多維度評(píng)價(jià)指標(biāo)進(jìn)行全面分析，發(fā)現(xiàn)基于VMDBiLSTM-Attention 模型的預(yù)測(cè)精度高且表現(xiàn)穩(wěn)定，較其他模型更為優(yōu)秀，驗(yàn)證了本文模型在預(yù)測(cè)機(jī)組設(shè)備性能水平方面的卓越性。

4 結(jié) 論

本研究提出了一種基于VMD-BiLSTM-Attention 的機(jī)組劣化趨勢(shì)預(yù)測(cè)模型，該模型能夠很好地應(yīng)對(duì)機(jī)組劣化趨勢(shì)規(guī)律受運(yùn)行條件影響具有隨機(jī)和時(shí)變特點(diǎn)的挑戰(zhàn)。通過(guò)仿真分析，得出以下結(jié)論：

（1）Bagging健康模型能很好地挖掘機(jī)組工況參數(shù)與振擺之間的映射關(guān)系，且擬合精度高，表明其可在較高置信水平下表征機(jī)組部件的運(yùn)行特性。

（2）VMD 在非線性信號(hào)分解方面表現(xiàn)突出，將經(jīng)VMD 分解后的劣化趨勢(shì)序列作為BiLSTM 模型的輸入，序列的時(shí)序性和非線性關(guān)系都能得到較好的分析。

（3）結(jié)合Attention 機(jī)制，突出關(guān)鍵特征，進(jìn)一步提高了所提模型預(yù)測(cè)的精準(zhǔn)度，表明模型可較好的實(shí)現(xiàn)機(jī)組性能劣化趨勢(shì)的準(zhǔn)確預(yù)測(cè)。