一种基于OCSSA–VMD–CNN–GRU-attention和卡方残差映射的压缩机故障概率预测与预警方法

《Scientific Reports》：A compressor fault probability prediction and early warning method based on OCSSA–VMD–CNN–GRU-attention and chi-square residual mapping

　　

摘要

本研究提出了一种基于Osprey–Cauchy–Sparrow搜索算法（OCSSA）、变分模态分解（VMD）、卷积神经网络（CNN）–门控循环单元（GRU）–注意力机制（Attention）以及卡方残差映射的方法，用于压缩机故障预测与早期预警。该方法适用于具有强噪声、非平稳性、多尺度特征以及有限标注样本的压缩机监测信号。压缩机压力和电机电流作为输入信号，用于描述压力-响应动态和负载状态变化。OCSSA–VMD被用来自适应地分解原始序列，从而提高多尺度特征的分离能力并抑制噪声。随后构建了一个一步式的CNN-GRU-Attention预测器：CNN提取局部时变模式，GRU捕捉时间依赖性，注意力机制则强调对当前预测贡献最大的历史时刻。基于健康状态下的预测残差，建立了一个统计基线。当前偏差通过标准化残差的平方来量化，并通过自由度为1的卡方分布的累积分布函数映射到瞬时故障概率上。进一步应用移动平均算法得到平滑的故障概率曲线，并通过结合动态阈值和连续超限准则实现在线预警。在最终验证中，该方法分别取得了0.4746的均方根误差（RMSE）、0.2147的平均绝对误差（MAE）、0.9879的R2值以及6.54%的平均预测误差百分比（MAPE）。在4月至5月和6月至8月的验证期间，所有报告的故障事件均被成功检测到，平均预警延迟时间为21.25小时。