引用本文

赵志宏, 张然, 孙诗胜. 基于关系网络的轴承剩余使用寿命预测方法. 自动化学报, 2023, 49(7): 1549−1557 doi: 10.16383/j.aas.c211195

Zhao Zhi-Hong, Zhang Ran, Sun Shi-Sheng. Bearing remaining useful life prediction based on relation network. Acta Automatica Sinica, 2023, 49(7): 1549−1557 doi: 10.16383/j.aas.c211195

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c211195

关键词

轴承，剩余使用寿命，健康指标，关系网络，元学习 

摘要

针对轴承全寿命周期数据获取困难、训练样本少的问题, 提出一种基于关系网络的轴承剩余使用寿命(Remaining useful life, RUL)预测方法. 关系网络是一种基于度量的元学习方法, 在少量训练样本下, 具有快速学习新任务的优点. 设计了一种基于关系网络的轴承健康评估模型, 利用关系网络的嵌入模块提取轴承状态特征, 利用关系模块度量轴承状态特征之间的相似性, 基于相似性构建轴承健康指标(Health indicator, HI); 对健康指标进行Savitzky-Golay滤波平滑处理, 降低振荡对预测结果的影响; 最后利用线性函数对健康指标进行拟合, 得到轴承RUL预测值. 为验证所提方法的有效性, 在PHM2012轴承实测数据集上进行实验. 结果表明, 所得健康指标能够反映轴承的退化趋势, 所得RUL预测结果与空间卷积长短期记忆神经网络 (Convolutional long short-term memory neural network, ConvLSTM)、Transformer、循环神经网络(Recurrent neural network, RNN)、卷积神经网络(Convolutional neural network, CNN) + 长短期记忆网络 (long short-term memory network, LSTM )、编码器−解码器(Encoder-decoder) + 注意力机制 (Attention mechanism)方法相比, 误差百分比分别减少了1.67%, 3.40%, 9.02%, 13.71%, 30.48%. 该方法在少量训练样本的基础上可以取得较好的预测结果, 具有一定的应用价值.

文章导读

轴承是机械设备中必不可少的零部件之一, 广泛应用于各个工业领域, 其健康状态直接影响了机械设备的安全性与可靠性. 轴承在长期运转过程中, 极易发生各种故障, 一旦发生故障, 轻则造成经济损失, 重则危害人类生命安全. 因此实现轴承故障预测与健康管理(Prognostics and health management, PHM)显得尤为重要[1]. 目前, 针对轴承的PHM技术主要包括实时状态监测[2]、故障诊断[3]、剩余寿命预测[4] 等. 其中, 构建能够描述轴承真实健康状态、量化退化趋势的健康指标(Health indicator, HI), 并实现剩余寿命预测是PHM的关键技术之一.

过去几年中, 很多学者致力于轴承剩余使用寿命(Remaining useful life, RUL)预测方法的研究, 这些方法大致分为两大类: 基于模型驱动的方法和基于数据驱动的方法. 基于模型驱动的方法通过构建一个可以精确描述轴承退化过程的物理或数学模型来实现轴承RUL预测, 主要包括粒子滤波[5]、艾林模型[6]、韦布尔分布[7]等方法. 构建过程不仅需要经过一系列测量后的实际工程系统的参数, 还需要广泛的先验知识. 基于模型的方法虽然有助于预测机械退化的总体趋势, 但是在实际工业应用中, 特别是对于复杂的机械设备, 很难用简单的物理或数学模型精确地模拟其退化趋势. 随着智能传感技术与机器学习技术的快速发展, 工业生产中采集了大量的状态监测数据, 使得数据驱动的方法快速发展. 基于数据驱动的RUL预测方法根据大量轴承历史数据对退化特征进行建模, 主要分为3个步骤: 1) 数据采集; 2)健康指标构建; 3) RUL预测. 其中, 构建符合轴承退化趋势的健康指标是预测RUL的核心, 直接影响预测准确性. Yang等[8]采用自组织映射(Self organizing maps, SOM)融合特征构建健康指标, 并引入缩放参数统一失效阈值, 最后利用粒子滤波器预测RUL. Hong等[9]采用小波包−经验模态分解进行特征提取, 然后利用SOM进行特征融合, 所得健康指标能够有效表示性能退化, 实现轴承RUL预测. 以上方法相较于均方根、峰值、熵等单一特征可以更有效地表示轴承退化趋势, 实现RUL预测. 但仍然需要手工选取特征, 依赖专家经验.

随着Hinton等[10]提出深度学习理论以来, 一些学者利用深度神经网络强大的特征提取能力构建健康指标实现RUL预测. Guo等[11]选取6个相似性特征与8个经典时频特征相结合, 形成原始特征集, 然后利用单调性和相关性度量选择最敏感的故障特征, 通过循环神经网络(Recurrent neural network, RNN)构建健康指标实现轴承RUL预测. Chen等[12]提出了一种基于编码器−解码器(Encoder-decoder)和注意力机制(Attention mechanism)的RNN来构建健康指标, 然后通过线性回归方法预测RUL. 王久健等[13] 提出一种空间卷积长短期记忆神经网络(Convolutional long short-term memory neural network, ConvLSTM)的健康指标构建方法, 并利用粒子滤波器更新双指数寿命模型, 实现RUL预测. 康守强等[14]通过改进稀疏自动编码器(Sparse auto encoder, SAE)对轴承振动信号进行无监督深层特征自适应提取, 将其作为轴承的性能退化特征, 并利用双向长短期记忆网络(Bi-directional long short-term memory network, Bi-LSTM)预测轴承RUL. 虽然深度学习方法在该领域中取得一定进展, 但依赖大量数据进行训练, 存在鲁棒性与泛化性较差的问题, 难以应用于工程实践. 元学习[15]能利用已学习的信息, 快速适应未学习的新任务, 使用少量训练样本即可得到较好的模型参数, 为解决上述问题提供了新视野. 因此, 元学习逐渐成为故障诊断领域中热门的研究方向之一. 元学习主要包括学习度量空间、学习初始化和学习优化器等方法, 其中基于度量的元学习方法主要包含孪生网络[16]、匹配网络[17]、原型网络[18]以及关系网络[19]等方法. 孪生网络、匹配网络、原型网络均使用固定的距离度量方式实现小样本分类, 如欧氏距离、余弦距离等. 而Sung等[19] 提出的关系网络由嵌入函数与关系函数组成, 其中, 嵌入函数用于提取样本特征, 关系函数为卷积网络, 用于计算样本特征之间的相似性, 从而实现小样本分类. 由于关系网络是对度量方式进行直接学习, 实现对样本间距离的更准确的表达, 避免了人为选取度量方式的弊端. 起初, 关系网络应用于图像识别[20-21]任务中, 随着进一步的发展, 很多学者将关系网络用于机械设备故障诊断中. Wu等[22]通过机械故障诊断迁移学习任务验证了关系网络在小样本学习中的优势. 吕枫等[23]利用关系网络设计了一种伪标签学习策略, 进行样本集扩充, 实现半监督学习机械故障诊断.

目前, 尚未见到利用关系网络进行寿命预测的论文, 本文利用元学习方法在少量训练样本下可以快速学习新任务的优点, 利用关系网络度量的特性, 通过度量轴承运行状态与初始状态之间的相似性来进行剩余寿命预测, 提高寿命预测的准确性. 综上所述, 本文提出一种利用关系网络构建健康指标并进行RUL预测的方法. 首先通过关系网络的嵌入模块提取特征, 然后将初始状态特征与运行状态特征进行拼接, 通过关系模块计算两者的相似性, 完成健康指标构建. 最后对健康指标进行Savitzky-Golay滤波平滑处理, 并采用线性函数拟合方法预测轴承RUL. 实验结果表明, 基于关系网络模型所得的健康指标能够准确表示轴承性能退化趋势, 所得RUL预测结果与ConvLSTM、Transformer、RNN、卷积神经网络(Convolutional neural network, CNN) + 长短期记忆网络(Long short-term memory network, LSTM)、Encoder-decoder + Attention mechanism等方法相比, 误差百分比分别减少了1.68%, 3.41%, 9.03%, 13.72%, 30.49%, 体现出关系网络在解决小样本问题中的优越性.

本文的其余部分结构如下: 第1节介绍了关系网络等相关知识; 第2节介绍了关系网络模型的结构以及基于关系网络的剩余寿命预测方法; 第3节在实测轴承全寿命周期数据集上验证所提方法的有效性, 并与其他方法进行对比; 第4节概述了本文所得结论和对未来的展望.

图 1  关系网络结构

图 2  关系网络模型结构

图 3  基于关系网络的轴承RUL预测流程

针对轴承剩余寿命预测问题, 本文提出一种基于关系网络的RUL预测方法, 并在轴承数据集上进行实验. 主要结论如下.

1)关系网络的方法可以应用于轴承剩余使用寿命预测, 其中的关系得分可以用来表示轴承的健康状况. 由于轴承的全寿命数据很难得到, 关系网络体现出在解决小样本问题上的优越性, 取得较好的寿命预测效果, 可以更好地应用于工程实践.

2)关系网络中的嵌入模块可有效提取轴承的健康状态特征, 与其他度量方式相比, 关系模块可以更加准确地度量特征间的相似性.

3)对于缓慢退化型与突然失效型两种退化趋势, 本文所构建健康指标均能够反映轴承运行过程中的退化趋势.

4)本文所得RUL预测结果接近真实寿命值, 所得误差百分比均值为24.24%, 与其他RUL预测方法相比, 本文方法的误差均值更低.

为比较关系网络的性能, 本文嵌入模块采用了基本的卷积神经网络结构, 进一步研究工作可以采用其他嵌入模块结构, 更好地提取轴承状态特征, 提高轴承剩余寿命预测的准确性. 由于在实际工业生产中轴承振动数据获取困难, 因此本文所提方法在实际轴承数据集中的效果需要进一步验证.

作者简介

赵志宏

石家庄铁道大学教授. 2012年获得北京交通大学博士学位. 主要研究方向为机械故障诊断, 机器学习, 信号处理和动力学分析.E-mail: hb_zhaozhihong@126.com

张然

石家庄铁道大学信息科学与技术学院硕士研究生. 主要研究方向为故障诊断, 状态评估与预测, 大数据分析. 本文通信作者. E-mail: sjz_zhangran@126.com

孙诗胜

石家庄铁道大学信息科学与技术学院硕士研究生. 主要研究方向为故障诊断, 状态评估与预测, 大数据分析. E-mail: lxr_sunshisheng@126.com