基于LSTM的旋转机械健康状态的预测方法和装置

技术领域

本公开一般涉及机械检测技术领域，具体涉及旋转机械健康状态检测技术领域，尤其涉及一种基于LSTM的旋转机械健康状态的预测方法和装置。

背景技术

设备故障自动识别是工业互联网领域中一个重要的研究领域。一般大型设备中包含有许多中小型的旋转机械部件，准确地预测这些中小型旋转机械的健康状态对大型设备的健康稳定运行不可或缺。

相关技术中，通常在旋转机械设备上安装传感器，用于监测特定参数。然后，在对设备进行诊断时，故障诊断工程师们通过观测多个参数、分析并整合这些参数所传达出来的信息，从而对设备的健康状态进行准确的评估。一般来说，观测的参数越多，这些参数所反映出的设备健康状态越准确。但是，这严重增加了工程师们的工作难度，一定程度上降低了监测效率。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种基于LSTM的旋转机械健康状态的预测方法和装置，使用深度学习模型无需人工参与即可对旋转机械进行准确的健康状态预测。

第一方面，本申请实施例提出了一种基于LSTM的旋转机械健康状态的预测，包括：

获取旋转机械的当前状态参数；

将所述当前状态参数输入至LSTM时间序列预测模型，得到预测出的所述旋转机械的下一时间段的预测状态参数；

将所述预测状态参数输入至LSTM自编码模型中，得到所述预测状态参数对应的预测特征向量；

根据所述预测特征向量和参考特征向量，确定所述旋转机械的健康状态。

在一些实施例中，所述参考特征向量为将所述旋转机械正常状态下的状态参数输入至所述LSTM自编码模型得到的，所述根据所述预测特征向量和所述参考特征向量，确定所述旋转机械的健康状态，包括：

根据所述预测特征向量与所述参考特征向量，确定所述旋转机械的退化间距；

根据所述退化间距确定所述旋转机械的健康状态。

在一些实施例中，所述根据所述预测特征向量与所述参考特征向量，确定所述旋转机械的退化间距，包括：

分别计算所述预测特征向量与每个所述参考特征向量的距离；

计算所述距离的平均值，将所述平均值作为所述退化间距。

在一些实施例中，所述根据所述退化间距确定所述旋转机械的健康状态，包括：

若所述退化间距的变化趋势在预设回差区间范围内，则确定所述旋转机械处于正常状态；

若所述退化间距的变化趋势大于第一预设阈值，则确定所述旋转机械处于中期故障状态；

若所述退化间距的变化趋势大于第二预设阈值，则确定所述旋转机械处于晚期故障状态；

其中，所述退化间距的变化趋势为所述退化间距的斜率，所述第二预设阈值大于所述第一预设阈值。

在一些实施例中，所述LSTM时间序列模型包括一个LSTM层和一个全连接层。

在一些实施例中，所述LSTM时间序列模型采用均方误差函数作为损失函数。

在一些实施例中，所述LSTM自编码模型训练时采用的优化函数为：

其中，

第二方面，本申请实施例提供了一种基于LSTM的旋转机械健康状态的预测装置，包括：

获取模块，用于获取旋转机械的当前状态参数；

预测模块，用于将所述当前状态参数输入至LSTM时间序列预测模型，得到预测出的所述旋转机械的下一时间段的预测状态参数；

编码模块，用于将所述预测状态参数输入至LSTM自编码模型中，得到所述预测状态参数对应的预测特征向量；

确定模块，用于根据所述预测特征向量和参考特征向量，确定所述旋转机械的健康状态。

第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如本申请实施例描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例描述的方法。

本申请提出的基于LSTM的旋转机械健康状态的预测方法，利用无监督的深度学习模型，可直接根据传感器检测到的原始数据对旋转机械下一个时间段的健康情况进行预测。无需操作人员进行特征提取、人工打标签等数据预处理操作，大大减少了操作的操作复杂度，大大节约了旋转机械健康预测的成本，具有较高的泛化性。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本申请实施例的一种基于LSTM的旋转机械健康状态的预测方法的流程图；

图2为本申请实施例的另一种基于LSTM的旋转机械健康状态的预测方法的流程图；

图3为本申请实施例中获取退化间距的原理示意图；

图4为本申请实施例中退化间距的曲线示意图；

图5为本申请实施例中振动直流量的滤波示意图；

图6为本申请实施例中振动交流量的滤波示意图；

图7为本申请实施例中温度的滤波示意图；

图8为本申请实施例中振动直流量的预测结果示意图；

图9为本申请实施例中振动交流量的预测结果示意图；

图10为本申请实施例中温度的预测结果示意图；

图11为本申请实施例的一种基于LSTM的旋转机械健康状态的预测装置的结构示意图；

图12示出了适于用来实现本申请实施例的电子设备或服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

相关技术中，为了改善由于同时观测大量参数而导致的工作难度增加和监测效率降低的问题，一些方法根据观测的多个参数构造出某个特定的指标来反映设备的运行状态。类似这样的方法首先对设备的健康指标加入动态权重系数，具体地，先通过专家打分确定静态权重，然后根据实验数据的变化趋势利用指数函数（根据实验数据确定）对权重进行建模，在建模的过程中静态权重不断修正，最后通过模型对实时监测到的运行数据计算出其动态权重系数，并计算其与标准正常状态的系数（由正常状态下的实验数据得到）之间的差距，将该差距作为设备的健康指标。这种方法相比于机械地观测多个参数很大程度上提高了监测的效率和准确率，但是仍然存在一些问题，例如，建模和对比实验所用的数据集均为实验数据集，因此模型的泛化性较低，以及，静态权重一般根据经验值或某种机制通过专家打分确定，整个建模过程的可靠与否认为因素占比较大。

针对上述方法的缺陷，越来越多的研究者开始使用人工智能方法。主要是模糊综合评价法，但是这种方法一般不能对传感器采集的原始数据进行处理，必须通过特征值提取后才能进行处理。但是特征值的提取需要不同领域的专家根据经验和知识设计特定的算法实现，技术门槛很高。另外，此种方法需要采集设备正常运行的数据和大量故障数据，但是故障数据往往是比较难采集的，因此该种方法在实际应用中具备一定的局限性。

图1为本申请实施例的一种基于LSTM的旋转机械健康状态的预测方法的流程图。

其中，需要说明的是，本实施例的基于LSTM的旋转机械健康状态的预测方法的执行主体为基于LSTM的旋转机械健康状态的预测装置，基于LSTM的旋转机械健康状态的预测装置可以由软件和/或硬件的方式实现，该实施例中的基于LSTM的旋转机械健康状态的预测装置可以配置在电子设备中，也可以配置在用于对电子设备进行控制的服务器中，该服务器与电子设备进行通信进而对其进行控制。

其中，本实施例中的电子设备可以包括但不限于个人计算、平台电脑、智能手机等设备，该实施例对电子设备不作具体限定。

如图1所示，基于LSTM的旋转机械健康状态的预测方法，包括以下步骤：

步骤101，获取旋转机械的当前状态参数。

需要说明的是，旋转机械的当前状态参数可通过设置在旋转机械上的传感器进行采集，当前状态参数可包括但不限于用于表达旋转机械动态振动信息的状态参数、用于表达旋转机械振动平衡位置的状态参数和用于表达旋转机械温度的状态参数。可选的，用于表达旋转机械动态振动信息的状态参数可为旋转机械的振动交流量，例如旋转机械的交流电流等，用于表达旋转机械振动平衡位置的状态参数可为振动直流量，例如旋转机械的直流电流等，以及用于表达旋转机械温度的状态参数可为轴承温度。

步骤102，将当前状态参数输入至LSTM时间序列预测模型，得到预测出的旋转机械的下一时间段的预测状态参数。

其中，LSTM时间序列预测模型是一种基于LSTM（Long-short Term Memory，长短期记忆网络）的深度学习模型，利用旋转机械的完整生命周期的状态参数进行训练后，能够实现对状态参数的有效预测，即，预测出旋转机械的下一时间段的预测状态参数。

需要说明的是，LSTM时间序列模型属于一种特殊的RNN（Recurrent NeuralNetwork，递归神经网络），非常适合完成基于时间序列数据的分类、处理和预测任务，因为RNN具有有限的短期记忆的优势。其中，LSTM长短期记忆网络主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。

步骤103，将预测状态参数输入至LSTM自编码模型中，得到预测状态参数对应的预测特征向量。

其中，LSTM自编码模型（LSTM Auto-Encoder）包括编码器和解码器两部分，其中，编码器部分采用固定长度的中间向量对输入的时间序列进行编码，解码器部门则根据中间向量标识重构出原始序列，是一种无监督学习模型。本申请对完整的（包含编码器和解码器）模型进行训练，并将训练完成的模型中的编码器取出单独使用，以得到编码器的输出结果预测特征向量。

步骤104，根据预测特征向量和参考特征向量，确定旋转机械的健康状态。

其中，参考特征向量为将旋转机械正常状态下的状态参数输入至LSTM自编码模型得到的。

也就是说，本申请在获取到旋转机械的当前状态参数后，先利用LSTM时间序列预测模型对旋转机械的状态参数进行预测，然后利用LSTM自编码模型和预测状态参数确定旋转机械的预测特征向量，最后根据预测特征向量与参考特征向量之间的差异，实现对旋转机械的健康状态的预测。

由此，本申请利用无监督的深度学习模型，可直接根据传感器检测到的原始数据对旋转机械下一个时间段的健康情况进行预测。无需操作人员进行特征提取、人工打标签等数据预处理操作，大大减少了操作的操作复杂度，大大节约了旋转机械健康预测的成本，具有较高的泛化性。

在一些实施例中，参考特征向量为将旋转机械正常状态下的状态参数输入至LSTM自编码模型得到的。具体地，可利用与当前监测的旋转机械同品牌、同型号的旋转机械在正常状态下的监测参数获取参考特征向量。

如图2所示，根据预测特征向量和参考特征向量，确定旋转机械的健康状态，包括：

步骤201，根据预测特征向量与参考特征向量，确定旋转机械的退化间距。

其中，参考特征向量与时间对应。

作为一个可行实施例，根据预测特征向量与参考特征向量，确定旋转机械的退化间距，包括：分别计算预测特征向量与每个参考特征向量的距离，计算距离的平均值，将平均值作为退化间距。

举例来说，如图3所示，在对已知为正常状态的旋转机械进行参考特征编码时，可将正常状态的状态参数按照预设时间长度进行分段，得到时间段，然后将每个时间段的状态参数依次输入至LSTM自编码模型中，得到与每个时间段对应的参考特征向量

然后，分别计算预测特征向量

步骤202，根据退化间距确定旋转机械的健康状态。

在一些实施例中，根据退化间距D确定旋转机械的健康状态，包括：

（1）若退化间距的变化趋势在预设回差区间范围内，则确定旋转机械处于正常状态；

（2）若退化间距的变化趋势大于第一预设阈值，则确定旋转机械处于中期故障状态；

（3）若退化间距的变化趋势大于第二预设阈值，则确定旋转机械处于晚期故障状态。

其中，退化间距的变化趋势为退化间距的斜率，第二预设阈值大于第一预设阈值。

也就是说，如图4所示，旋转机械在正常状态下，退化间距的数值基本不变，偶尔因为环境变化影响或传感器偏差造成的异常，也不会超过预设的误差范围（回差区间）。

随着旋转机械被持续使用，磨损逐渐加大，计算出的退化间距也会逐渐增加，即，预测特征向量逐渐偏离参考特征向量，退化间距随时间变化的斜率逐渐增大，当退化间距的变化趋势大于第一预设阈值，即，斜率大于第一预设阈值，则确定旋转机械处于中期故障状态，即，旋转机械出现稳定的损耗；

当旋转机械的损耗逐渐严重，预测特征向量呈严重偏离参考特征向量的状态，且偏差以较快的速度（快于中期故障状态）增加，此时，退化间距随时间的斜率急增，增大到大于第二预设阈值，确定旋转机械处于晚期故障状态。

需要说明的是，第一预设阈值和第二预设阈值是用户预先设定的阈值，具体地，可以是通过有限次实验获取的阈值，也可以是通过有限次计算机仿真得到的阈值。

作为一个具体实施例，旋转机械为压缩机，由于压缩机运行在实际工业生产环境中运行，传感器采集到的原始数据中含有大量的噪声，因此，需要对传感器数据进行平滑滤波处理，有效提高数据的处理效率，并且能够使得训练过程更加高效，训练得到的神经网络模型更加可靠。其中，由于传感器采集到的原始数据是时域数据，优选的，采用Savitzky-Golay滤波器进行滤波。该滤波器在时域内基于局域多项式最小二乘法对数据进行拟合，在滤除噪声的同时可以确保信号的形状、宽度不变，最大限度地保留了原始信号的特征。该滤波器可根据实际情况选择滤波的窗口长度和拟合多项式的次数，在本实施例中，优选为窗口长度101，多项式拟合次数为3，振动直流量、振动交流量和温度的平滑效果分别如图5-7所示。从图中可以看出，平滑后的曲线不仅符合原始数据的变化趋势，还能够去除很多尖端噪声。另外，从图中可以看出整个生命周期中振动直流量一直保持缓慢下降趋势，在t接近9000时，振动交流量从在一定范围内稳定波动变为有小幅度的上升趋势，而此时温度也在一定范围内稳定波动，这说明压缩机的高压缸进入到了中期故障阶段；在t接近14000时，温度从稳定波动变成急剧上升，这说明压缩机的高压缸进入晚期故障阶段。

对原始数据进行平滑滤波后，还需要进一步处理，以用于训练LSTM时间序列预测模型和LSTM自编码模型。

具体地，将全周期的原始数据以10个时间点作为一个时间段进行数据分割，优选的，为了使网络更好地预测出下一个时间段的数据，可采用利用前3个时间段的当前状态参数预测下一个时间段的预测状态参数，即，利用t-2、t-1和t三个时间段对应的当前状态参数作为一个训练样本，将t+1时间段的数据作为该训练样本的标签，利用滑窗思想将全周期的原始数据制作成训练样本-标签对数据集，进行对LSTM时间序列预测模型的训练。

应当说明的是，本申请中采用轻量级的LSTM时间序列预测模型，具体地，进需要一层LSTM层和一层全连接层进行级联，以实现较高准确率的预测能力。

可选的，LSTM时间序列预测模型的损失函数为均方误差函数，表达式为：

其中，n为训练样本的个数，

在搭建完成LSTM时间序列预测模型并确定损失函数后，使用反向传播梯度下降的方法对LSTM时间序列预测模型进行训练，优选的，使用基于自适应梯度和动量的Adam优化算法进行训练。申请人利用训练好的LSTM时间序列预测模型对测试集进行预测测试，得到如图8-10所示的预测结果。从图中可以看出，预测结果能够较好的贴合原始曲线。

本申请使用到的另一个模型——LSTM自编码模型，可以自适应的学习输入数据的隐含特征，可实现输入数据的降维和特征提取。

具体地，可以从平滑后的全周期原始数据中截取出正常状态数据，作为LSTM自编码模型的训练集（正常数据样本）。为了学习到正常样本状态空间，将训练集作为LSTM自编码模型的训练数据。例如，分别截取三个参数（振动直流量、振动交流量和温度）的正常数据，并将同一时间段的三个参数连接（拼接）起来，作为一个训练样本，这样每个时间段都可以得到一个包含三个参数的训练样本，例如：

Sample=concatenate（temp，ax，ac）

其中，temp为温度参数，ac为直流量，ac为交流量，concatenate为向量的拼接操作。

LSTM自编码模型被构造为自监督学习模型，所以训练数据集创建好后无需人工进行标注即可进行训练。其输入和输出均为原始时间序列，则其学习过程的误差即为重构误差，该重构误差

其中，

模型训练优化函数为：

其中，

可选的，对三个参数分别截取了长度为10000的正常数据，利用该正常数据样本训练LSTM自编码模型，样本中一个时间序列的长度为10的3通道数据，隐藏状态位的特征空间向量长度为5，同样使用反向传播梯度下降的方法训练该神经网络，优选的，使用基于自适应梯度和动量的Adam优化算法。

此时，完成利用与待监测的旋转机械相同的旋转机械数据，对LSTM模型（LSTM时间序列预测模型和LSTM自编码模型）进行训练的过程。

进一步地，在将LSTM自编码模型训练完成后，先将正常数据样本

获取实际待监测的旋转机械的监测参数——传感器的实时检测结果，同样将三个传感器的检测结果按照时间段进行拼接，即，10个时间点作为一个时间段，并将三个参数进行拼接得到一个数组，将得到的数组输入至训练好的LSTM时间序列预测模型中，得到预测出的下一个时间段的预测状态参数。

将预测状态参数输入至LSTM自编码模型中，得到下一个时间段的预测特征向量

其中，n为正常样本特征空间A中的样本数，

然后根据退化间距D的斜率确定旋转机械当前所处的状态。

应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。

综上所述，本申请提出的基于LSTM的旋转机械健康状态的预测方法，利用无监督的深度学习模型，可直接根据传感器检测到的原始数据对旋转机械下一个时间段的健康情况进行预测。无需操作人员进行特征提取、人工打标签等数据预处理操作，大大减少了操作的操作复杂度，大大节约了旋转机械健康预测的成本，具有较高的泛化性。

图11为本申请实施例的一种基于LSTM的旋转机械健康状态的预测装置的结构示意图。

如图11所示，基于LSTM的旋转机械健康状态的预测装置10，包括：

获取模块11，用于获取旋转机械的当前状态参数；

预测模块12，用于将当前状态参数输入至LSTM时间序列预测模型，得到预测出的旋转机械的下一时间段的预测状态参数；

编码模块13，用于将预测状态参数输入至LSTM自编码模型中，得到预测状态参数对应的预测特征向量；

确定模块14，用于根据预测特征向量和参考特征向量，确定旋转机械的健康状态。

在一些实施例中，参考特征向量为将旋转机械正常状态下的状态参数输入至LSTM自编码模型得到的，确定模块14，用于：

根据预测特征向量与参考特征向量，确定旋转机械的退化间距；

根据退化间距确定旋转机械的健康状态。

在一些实施例中，确定模块14，用于：

分别计算预测特征向量与每个参考特征向量的距离；

计算距离的平均值，将平均值作为退化间距。

在一些实施例中，确定模块14，用于：

若退化间距的变化趋势在预设回差区间范围内，则确定旋转机械处于正常状态；

若退化间距的变化趋势大于第一预设阈值，则确定旋转机械处于中期故障状态；

若退化间距的变化趋势大于第二预设阈值，则确定旋转机械处于晚期故障状态；

其中，退化间距的变化趋势为退化间距的斜率，第二预设阈值大于第一预设阈值。

在一些实施例中，LSTM时间序列模型包括一个LSTM层和一个全连接层。

在一些实施例中，LSTM时间序列模型采用均方误差函数作为损失函数。

在一些实施例中，LSTM自编码模型训练时采用的优化函数为：

其中，

应当理解，装置10中记载的诸单元或模块与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置10及其中包含的单元，在此不再赘述。装置10可以预先实现在电子设备的浏览器或其他安全应用中，也可以通过下载等方式而加载到电子设备的浏览器或其安全应用中。装置10中的相应单元可以与电子设备中的单元相互配合以实现本申请实施例的方案。

在上文详细描述中提及的若干模块或者单元，这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

需要说明的是，本申请实施例的基于LSTM的旋转机械健康状态的预测装置中未披露的细节，请参照本申请上述实施例中所披露的细节，这里不再赘述。

综上所述，本申请提出的基于LSTM的旋转机械健康状态的预测装置，利用无监督的深度学习模型，可直接根据传感器检测到的原始数据对旋转机械下一个时间段的健康情况进行预测。无需操作人员进行特征提取、人工打标签等数据预处理操作，大大减少了操作的操作复杂度，大大节约了旋转机械健康预测的成本，具有较高的泛化性。

下面参考图12，图12示出了适于用来实现本申请实施例的电子设备或服务器的计算机系统的结构示意图，

如图12所示，计算机系统包括中央处理单元（CPU）1201，其可以根据存储在只读存储器（ROM）1202中的程序或者从存储部分1208加载到随机访问存储器（RAM）1203中的程序而执行各种适当的动作和处理。在RAM1203中，还存储有系统的操作指令所需的各种程序和数据。CPU1201、ROM1202以及RAM1203通过总线1204彼此相连。输入/输出（I/O）接口1205也连接至总线1204。

以下部件连接至I/O接口1205；包括键盘、鼠标等的输入部分1206；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分1207；包括硬盘等的存储部分1208；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1209。通信部分1209经由诸如因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质1211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1210上，以便于从其上读出的计算机程序根据需要被安装入存储部分1208。

特别地，根据本申请的实施例，上文参考流程图图2描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1209从网络上被下载和安装，和/或从可拆卸介质1211被安装。在该计算机程序被中央处理单元（CPU）1201执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以为的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作指令。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个连接表示的方框实际上可以基本并行地执行，他们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作指令的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、预测模块、编码模块和确定模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，获取模块，还可以被描述为“获取旋转机械的当前状态参数”。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或多个程序，当上述程序被一个或者一个以上的处理器用来执行描述于本申请的基于LSTM的旋转机械健康状态的预测方法。

综上所述，本申请提出的基于LSTM的旋转机械健康状态的预测方法和装置，利用无监督的深度学习模型，可直接根据传感器检测到的原始数据对旋转机械下一个时间段的健康情况进行预测。无需操作人员进行特征提取、人工打标签等数据预处理操作，大大减少了操作的操作复杂度，大大节约了旋转机械健康预测的成本，具有较高的泛化性。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。