مقارنة بين طرق التنبؤ بالتسلسل الزمني للعمر المتبقي للمكونات الرئيسية للرافعات الجسرية — التنفيذ الهندسي وتقييم دقة النماذج الأربعة: LSTM/GRU/Prophet/ARIMA
📌 天车关键部件RUL时序预测方法对比
以天车减速机输入轴承为预测对象，在克鲁德重工KL-PM-2024项目振动数据库（60台天车×24个月、累计145万条振动记录）上对比ARIMA（MAPE=19.8%）、Prophet（17.5%）、LSTM（14.3%）、GRU（15.1%）四类时序预测模型的剩余寿命预测精度。LSTM以双层128隐藏单元+Attention机制取得最优精度，但GRU以仅LSTM 73%的训练时间达到相近精度，是工程部署性价比最优选择。本文提供完整的特征工程方法、模型结构和训练评估流程。
天车关键部件（减速机轴承、电机轴承、车轮轴承）的剩余寿命预测（Remaining Useful Life, RUL）是预测性维护中最核心的技术环节。RUL预测的精度直接影响维护计划和备件库存的优化效果。本文以天车减速机输入轴承（SKF 6308深沟球轴承）为预测对象，在KL-PM-2024项目振动数据库（60台天车×24个月滚动采集，采样频率10kHz，每日提取特征17维，累计145万条记录）上，系统对比了四类主流时序预测模型的工程实现方法和预测精度。实验平台：Intel Xeon Gold 6348 + NVIDIA A10 (24GB) + PyTorch 2.1.0 / Prophet 1.1.5 / statsmodels 0.14.1。源代码及标注数据集可申请获取。
实验数据与特征工程
实验数据来自60台天车减速机输入轴承（SKF 6308）的24个月退化跟踪数据。振动传感器安装在轴承座垂直方向（PCB 352C33，采样频率10kHz，每24小时采集一次6.4秒=65,536点数据）。共145万条记录，其中80%为训练集（48台×24月）、20%为测试集（12台×24月）。
特征提取流程：原始振动→小波去噪（db4，3层）→FFT频谱（Hanning窗，4096点，50%重叠）→统计特征（有效值Vrms、峰值、峰峰值、峭度、歪度、脉冲因子、裕度因子、峰值因子）→频域特征（BPFI/BPFO幅值、齿轮啮合频率边频）→17维特征向量→归一化（Min-Max，范围[0,1]）→滑动窗口构建（窗口长度30天，预测窗口30天）。
四模型介绍与实现
ARIMA（自回归移动平均模型，statsmodels 0.14.1实现）：对17维特征逐维进行ADF检验确定差分阶数d（多数特征d=1），通过ACF/PACF图确定p和q（p=2~5, q=1~3），AIC准则选最优参数。ARIMA本质上是一维时间序列模型，无法直接利用多变量之间的交叉信息。
Prophet（Meta开源，1.1.5实现）：将振动特征按时间序列分解为趋势项+周期项+节假日效应项。设置changepoint_prior_scale=0.05、seasonality_prior_scale=10、seasonality_mode=”additive”。Prophet的优点是自动处理缺失值和异常值，对工业数据的噪声容忍度高。
LSTM（PyTorch 2.1.0实现）：双层LSTM+Attention，隐藏层128维，输入17维×30天时间步，输出未来30天的退化曲线。训练参数：Adam优化器，lr=0.001，Batch=64，Epoch=100，EarlyStopping patience=10，Dropout=0.3。损失函数MSE+MAE混合损失（权重0.7:0.3）。
GRU（同PyTorch实现）：双层GRU+Attention，结构与LSTM一致仅替换单元格类型。GRU参数门控结构更简单（更新门+重置门 vs LSTM的遗忘门+输入门+输出门），参数总量约为LSTM的75%。训练速度比LSTM快约27%。
精度对比与评估
| النموذج | MAPE(30天) | RMSE(天) | 训练时间 | تأخير الاستدلال | 是否多变量 | 数据需求 |
|---|---|---|---|---|---|---|
| ARIMA | 19.8% | 7.2天 | ＜1分钟 | ＜1ms | 否（逐维建模） | ≥200条 |
| Prophet | 17.5% | 6.4天 | ~2分钟 | ＜5ms | 否（逐维建模） | ≥100条 |
| GRU | 15.1% | 5.5天 | ~22分钟 | ＜3ms | 是 | ≥5,000条 |
| LSTM | 14.3% | 5.2天 | ~30分钟 | ＜3ms | 是 | ≥5,000条 |
评估结论：在MAPE指标上LSTM最优（14.3%），GRU以15.1%紧随其后，但GRU训练时间仅为LSTM的73%（22min vs 30min）。Prophet以17.5%排名第三，但无需GPU且容错性最好（自动处理缺失值和异常值），适合工业场景快速部署。ARIMA以19.8%排名最末，且仅支持单变量建模（实际需运行17个独立模型再集成），不推荐用于多传感器场景。
工程部署建议
基于上述对比，给出以下工程部署建议：①数据量＜1,000条且计算资源有限→选Prophet（MAPE≈17.5%，无需GPU，容错性好）；②数据量≥5,000条且预测精度优先→选LSTM（MAPE=14.3%最优，需GPU训练）；③数据量≥5,000条但推理设备资源受限（边缘计算/Jetson）→选GRU（MAPE=15.1%，模型体积仅为LSTM的75%，推理更快）；④ARIMA仅作为基准模型参考，不建议在生产环境中单独使用。
混合策略推荐：在克鲁德重工已部署的预测维护项目中，采用Prophet做快速异常检测（在线运行） + LSTM做精确RUL预测（离线批量计算）的双模型方案。Prophet在30天内MAPE≈17.5%，当预测RUL≤45天时触发LSTM进行精算，LSTM精算后MAPE≈14.3%，综合平衡了计算成本和预测精度。
实际案例验证
在某钢铁企业热轧车间6台32t桥式天车的预测维护项目（项目编号KL-PM-2024-017）中，部署了Prophet+LSTM双模型方案。经过14个月的实际运行验证：Prophet对减速机轴承退化趋势的早期预警（RUL＞60天）MAPE=18.2%，LSTM对短期预测（RUL≤30天）MAPE=13.8%。系统共提前预警了12次轴承退化事件，其中11次与实际情况吻合（准确率91.7%），平均提前预警天数为23天。相比传统定期更换策略（每18个月固定更换），预测性维护减少不必要的更换操作约35%，备件库存周转率提升40%。
الأسئلة الشائعة
问：为什么GRU训练时间比LSTM短但精度接近？
答：GRU将LSTM的三个门（遗忘门/输入门/输出门）简化为两个门（更新门/重置门），参数量减少约25%。在天车振动退化数据这种中等复杂度的时序任务上，GRU的简化门控结构足以捕捉退化趋势，不会显著损失表达能力。但LSTM的额外参数在处理突变工况（如负载突变导致的振动跳变）时仍有一定优势。
问：Prophet的预测精度是否可以进一步提升？
答：可以。Prophet在默认参数下MAPE=17.5%，通过以下优化可将MAPE降至约16.0%：①手动指定趋势变化点位置（基于维修/停机记录）；②seasonality_prior_scale从10调至20以增加周期项的灵活性；③添加额外的回归因子（如日平均负载率、环境温度）。这些优化需结合具体的设备运行数据。
问：LSTM/GRU模型如何部署到边缘设备？
答：将PyTorch训练好的模型导出为TorchScript格式（或ONNX），使用TensorRT优化后部署到NVIDIA Jetson系列。以Jetson Orin NX（16GB）为例：INT8量化后模型体积约3.2MB（原FP32约28MB），推理延迟约0.5ms/样本，功耗约10W。如需部署到ARM Cortex-A系列CPU上，推荐将模型量化为TFLite INT8格式，推理延迟约15ms/样本。
问：数据量不足5,000条时如何选择模型？
答：数据量不足时可考虑迁移学习：使用克鲁德重工公开的预训练LSTM模型（在60台天车数据上训练）作为起点，用目标设备少量数据（500~1,000条）进行微调（Fine-tune），仅训练最后两层全连接层。微调后MAPE可达~16.5%，远优于从零训练的LSTM（数据不足时MAPE＞25%）。Prophet在数据量≥100条时即可产生可用结果（MAPE≈19%），是小样本场景的首选。
