基于卷积神经网络-长短期记忆网络的时间序列健康状态预测在深海矿物提升泵海上试验中的应用

《Signals》：CNN-LSTM-Based Time Series Health Condition Prediction for Deep-Sea Mineral Lifting Pump in Offshore Tests

　　

作为深海采矿系统的核心动力设备，深海矿物提升泵在高静水压力、复杂海洋环境及固体颗粒介质耦合的恶劣服役条件下连续运行，其运行状态呈现显著的强非线性、时变波动与局部突变特征。因此，针对深海矿物提升泵的时间序列健康状态预测，对实现预测性维护及保障海上试验与采矿作业安全性具有重要工程意义。研究人员以南海西沙海域500米级海上试验为工程背景，选取轴功率、泵效率、电机绕组温度与出口径向振动四项关键健康特征参数，构建混合CNN-LSTM时间序列预测模型。通过综合模型评价指标与消融对比实验分析所提模型的多步超前预测性能。结果表明，CNN-LSTM模型在单步预测中取得最优综合评价指标，对时间序列数据的拐点与幅值波动具备优良跟踪能力；虽预测精度随预测步数增加逐渐下降，但模型仍可有效表征泵运行状态演化趋势，整体预测性能显著优于单一模型。该研究为海上试验中深海矿物提升泵的健康评估、早期故障预警与维护优化提供模型支撑与技术参考。

研究背景方面，全球深海矿产资源开发加速，深海矿物提升泵作为深海采矿输送系统的核心动力组件，承担海底浆体混合物长距离大流量输送任务，其运行健康状态决定采矿装备的安全与效率。受深海封闭环境与水下监测设施布置限制，现场试验无法采用岸基泵的高频连续采样，仅能获取定间隔时间序列监测数据，且波浪运动等多因素耦合使关键状态参数呈现明显时序特性、非线性波动与局部突变，传统机理分析、经典机器学习（如径向基函数神经网络(RBFNN)）及单一深度学习模型难以准确刻画动态演化规律，无法满足复杂海况下长期多步状态预测需求。为此，研究人员以南海西沙海域500米级智能深海矿物多相输送装备首次海上试验为对象，该泵样机连续稳定运行56小时，最大流量356.8 m³/h，最高泵效率72.4%，矿粒体积浓度11.7%，依托“长源”号船完成测试。研究人员选取轴功率(SP)、泵效率(PE)、电机绕组温度(MWT)、出口径向振动(ORV)四项指标，构建轻量级CNN-LSTM混合时间序列预测模型，开展单步与多步预测研究，验证其在真实海上稀疏噪声样本下的优越性，并为边缘侧预测性维护提供支撑。论文发表于《Signals》。

关键技术方法上，研究人员采用两阶段策略：先在岸基固液两相流实验室可控矿物循环试验台按GB/T 12785-2014采集样机数据，再以海上试验第二段24小时循环测试（实际27小时16分、109个有效样本、采样间隔15分钟）为真值验证集；数据按7:3划分训练集与测试集并归一化；以贝叶斯优化自动寻优学习率、隐层神经元数、dropout等超参数；模型前端用一维卷积层提取局部特征并池化降噪，后端接单层LSTM捕捉时序依赖，引入L2正则与dropout抑制过拟合；评价采用决定系数(R²)、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)；预测采用滚动递归策略，同模型迭代推演至3步、5步。

研究结果部分，“挑战与贡献”指出深海泵海上监测样本稀疏含噪、多相流耦合突变，研究人员提出三点贡献：面向稀疏噪声样本经贝叶斯优化的轻量CNN-LSTM、基于真实气液固多相流海试数据的多步验证、岸基训练—海上验证两阶段策略。“数据来源与预处理”明确四项参数分别表征水力性能（泵效率）、结构可靠性（出口径向振动）与湿定子电机健康（轴功率、电机绕组温度），采样间隔15分钟即单步15分钟。“模型描述”分别阐述CNN局部特征提取、LSTM门控记忆机制、RBFNN对照结构，以及CNN-LSTM前端卷积降维后端LSTM时序建模的128.6k参数、0.34 GFLOPs轻量设计，在树莓派4B上单样本推理18.7毫秒、吞吐53样本/秒，适配边缘硬件。“消融研究与预测结果”显示单步预测中CNN-LSTM在四项参数上R²均超0.95，对泵效率与电机绕组温度拐点、轴功率与振动幅值波动跟踪最佳，优于CNN、LSTM、RBFNN；“多步预测”表明精度随步数增长退化，5步时泵效率R²=0.0974、电机绕组温度MAPE=40.709%，但整体趋势仍可辨识。

讨论部分总结，CNN分支从低频海试信号提取局部突变噪声特征，优化单层LSTM捕捉长期退化趋势，二者互补克服单模型去噪弱或长序列拟合不足的缺陷；模型性能优势与15分钟稀疏采样、波浪干扰及多指标耦合突峰的海试信号特性直接对应；研究补充了模型核心优势、轻微应用局限及对现场预测性维护的工程含义。结论部分翻译如下：为准确监测深海矿物提升泵健康状态，研究人员选取四项特征指标并建立超参数全局优化的轻量CNN-LSTM混合模型；岸基数据验证其可行性，对比实验证其实单步精度与趋势拟合优于单一CNN、LSTM、RBFNN且体量紧凑适边缘部署；预测性能依步长而异，模型短期可靠，5步因递归误差累积与信号非线性显著退化（如泵效率R²=0.0974、电机绕组温度MAPE=40.709%），故该模型最适合低功耗边缘设备实时健康监测，5步输出仅作粗略趋势参考而非精确预报；本研究证实CNN-LSTM在稀疏含噪海试泵数据上预测满意但有局限，数据集缺风暴涌浪与海洋环境特征记录，未来工作将构建优化故障预警阈值并融合海洋环境特征与多源信号的模型。