引用本文

康守强, 周月, 王玉静, 谢金宝, MIKULOVICH Vladimir Ivanovich. 基于改进SAE和双向LSTM的滚动轴承RUL预测方法. 自动化学报, 2022, 48(9): 2327−2336 doi: 10.16383/j.aas.c190796

Kang Shou-Qiang, Zhou Yue, Wang Yu-Jing, Xie Jin-Bao, Mikulovich Vladimir Ivanovich. RUL prediction method of a rolling bearing based on improved SAE and Bi-LSTM. Acta Automatica Sinica, 2022, 48(9): 2327−2336 doi: 10.16383/j.aas.c190796

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190796

关键词

滚动轴承，稀疏自动编码器，无监督特征提取，双向长短时记忆网络，剩余使用寿命预测 

摘要

针对稀疏自动编码器(Sparse auto encoder, SAE)采用sigmoid激活函数容易造成梯度消失的问题, 用一种新的Tan函数替代原有的sigmoid函数; 针对SAE采用Kullback-Leibler (KL) 散度进行稀疏性约束在回归预测方面的局限性, 以dropout机制替代KL散度实现网络的稀疏性. 利用改进SAE对滚动轴承振动信号进行无监督深层特征自适应提取, 无需人工设计标签进行有监督微调. 同时, 考虑到滚动轴承剩余使用寿命(Remaining useful life, RUL)预测方法一般仅考虑过去信息而忽略未来信息, 引入双向长短时记忆网络(Bi-directional long short-term memory, Bi-LSTM)构建滚动轴承RUL的预测模型. 在2个轴承数据集上的实验结果均表明, 所提基于改进SAE和Bi-LSTM的滚动轴承RUL预测方法不仅可以提高模型的收敛速度而且具有较低的预测误差.

文章导读

滚动轴承是旋转机械设备的重要组成部件, 如果在轴承失效前可准确地预测出剩余使用寿命(Remaining useful life, RUL), 便可及时采取预防措施, 从而可以避免造成重大经济损失和人员伤亡事故[1-2].

特征提取是进行滚动轴承RUL预测的重要前提. 近年来, 深度学习凭借其卓越的非线性函数自动映射能力在滚动轴承特征提取领域得到广泛应用[3]. 文献[4]提出一种改进的深度信念网络, 直接以滚动轴承原始振动信号作为网络输入, 经过逐层抽象表示, 挖掘出原始振动信号深层本质特征. 文献[5-7]利用卷积神经网络特有的局部卷积、权值共享和降采样等结构特性直接从滚动轴承振动信号中自动提取数据局部抽象信息, 实现对振动信号特征的深层挖掘. 上述研究虽利用深度学习方法简化了复杂的特征提取过程且挖掘出了振动信号深层本质特征, 但是网络模型仍需大量标签数据进行有监督微调, 而实际应用中标签数据匮乏且难以获取.

稀疏自动编码器(Sparse auto-encoder, SAE)作为深度学习模型的一种, 因其独特的无监督特征学习能力, 可实现大量无标签数据特征的有效表达[8], 为滚动轴承特征提取提供了新的解决思路. 目前稀疏自动编码器已被成功推广到各种标记数据有限的应用场合[9]. 然而传统的SAE采用sigmoid作为激活函数容易造成梯度消失问题, 且采用Kullback-Leibler (KL)散度[10]进行稀疏性约束在滚动轴承特征提取方面存在局限性.

在特征提取的基础上, 进行滚动轴承RUL预测是最终目标. 由于循环神经网络在时间序列处理方面具有优越性, 因此本文在获取轴承性能退化特征值的基础上, 将长短时记忆网络(Long short-term memory, LSTM)作为轴承性能退化曲线构建方法. 利用LSTM构建轴承性能退化曲线的方法是整合“ 过去”的信息, 辅助处理当前信息. 然而, 本文考虑到滚动轴承的衰退过程实际上是一个在时间上具有前后依赖关系的连续变化过程, 当前信息的处理也有必要整合“未来”的信息[11]. 文献[11]将双向长短时记忆网络(Bi-directional long short-term memory, Bi-LSTM)用于负荷的短期预测并取得很好的实验效果. 文献[12]将Bi-LSTM应用于视频描述, 用以全面保留全局时间和视觉信息. 由此可以证实Bi-LSTM在时间序列处理上具有可行性和优越性.

综上, 本文对SAE的激活函数进行改进, 提出一种新的Tan函数替代原有的sigmoid激活函数, 并采用dropout机制对网络进行稀疏性约束. 利用改进SAE对滚动轴承振动信号进行无监督自适应特征提取, 并将提取出的深层特征作为滚动轴承的性能退化特征. 同时, 通过引入Bi-LSTM以实现滚动轴承过去和未来信息的充分利用从而完成滚动轴承当前寿命预测. 最后利用一次函数对当前寿命进行拟合, 实现对滚动轴承的RUL预测.

本文提出一种基于改进SAE和Bi-LSTM的滚动轴承RUL预测方法. 首先对SAE进行改进, 其次利用改进SAE对滚动轴承振动信号进行深层特征提取, 最后结合Bi-LSTM网络实现滚动轴承的RUL预测, 得到以下结论:

1)针对传统的SAE采用sigmoid作为激活函数容易造成梯度消失问题, 用一种新的Tan函数替代原有的sigmoid函数; 针对SAE采用KL散度进行稀疏性约束在滚动轴承特征提取方面的局限性, 以dropout机制替代KL散度实现其稀疏性. 利用改进SAE对滚动轴承振动信号进行无监督特征自适应提取, 从而得到具有一定趋势能够表征轴承退化趋势的深层特征.

2)针对标准LSTM按时间顺序处理序列, 仅考虑过去信息而忽略未来信息的问题, 引入Bi-LSTM网络, 其同一输出连接两个具有相反时间的LSTM网络, 分别获取输入序列的过去数据信息和未来数据信息. 同时, 为得到更好的预测结果, 利用Adam算法和dropout技术优化Bi-LSTM预测模型.

3)本文方法经过2个数据集实验验证, 结果表明, 相比传统的SAE模型, 改进SAE模型具有更高收敛速度且提取的深层特征结合Bi-LSTM模型在滚动轴承RUL预测方面更具优越性, 同时与其他2个文献相比预测误差降低了25%以上, 得分提高了0.313以上.

对于滚动轴承RUL预测有超前预测 (Eri>0) 和滞后预测 (Eri<0)两种结果, 在工业生产生活中对设备进行超前预测带来的风险低于滞后预测. 因此, “超前预测”比“滞后预测”更具实用意义. 本文虽然在一定程度上提高了预测准确度, 但是也加剧了“滞后预测”的问题, 因此, RUL预测模型的优化将会是下一步研究工作的重点.

作者简介

康守强

哈尔滨理工大学电气与电子工程学院教授. 2011年获白俄罗斯国立大学博士学位. 主要研究方向为非平稳信号处理, 故障诊断, 状态评估与预测技术和模式识别. E-mail: kangshouqiang@163.com

周月

哈尔滨理工大学电气与电子工程学院硕士研究生. 主要研究方向为振动信号处理. E-mail: zhouyue_student@163.com

王玉静

哈尔滨理工大学电气与电子工程学院教授. 2015年获哈尔滨工业大学博士学位. 主要研究方向为非平稳信号处理, 故障诊断, 状态评估与预测技术和模式识别. 本文通信作者E-mail: mirrorwyj@163.com

谢金宝

哈尔滨理工大学电气与电子工程学院副教授. 2012年获白俄罗斯国立大学博士学位. 主要研究方向为计算机视觉和自然语言处理. E-mail: jbxpost@163.com

MIKULOVICH Vladimir Ivanovich

白俄罗斯国立大学教授. 1975年获白俄罗斯国立大学博士学位. 主要研究方向为非平稳信号处理, 故障诊断, 状态评估与预测技术和模式识别. E-mail: falcon@tut.by