引用本文

刘雨蒙, 郑旭, 田玲, 王宏安. 基于时序图推理的设备剩余使用寿命预测. 自动化学报, 2024, 50(1): 76−88 doi: 10.16383/j.aas.c230014

Liu Yu-Meng, Zheng Xu, Tian Ling, Wang Hong-An. Remaining useful life estimation of facilities based on reasoning over temporal graphs. Acta Automatica Sinica, 2024, 50(1): 76−88 doi: 10.16383/j.aas.c230014

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c230014

关键词

剩余使用寿命，时序图推理，图神经网络，深度推理网络 

摘要

剩余使用寿命(Remaining useful life, RUL)预测是大型设备故障预测与健康管理(Prognostics and health management, PHM)的重要环节, 对于降低设备维修成本和避免灾难性故障具有重要意义. 针对RUL预测, 首次提出一种基于多变量分析的时序图推理模型(Multivariate similarity temporal knowledge graph, MSTKG), 通过捕捉设备各部件的运行状态耦合关系及其变化趋势, 挖掘其中蕴含的设备性能退化信息, 为寿命预测提供有效依据. 首先, 设计时序图结构, 形式化表达各部件不同工作周期的关联关系. 其次, 提出联合图卷积神经网络(Convolutional neural network, CNN)和门控循环单元 (Gated recurrent unit, GRU)的深度推理网络, 建模并学习设备各部件工作状态的时空演化过程, 并结合回归分析, 得到剩余使用寿命预测结果. 最后, 与现有预测方法相比, 所提方法能够显式建模并利用设备部件耦合关系的变化信息, 仿真实验结果验证了该方法的优越性.

文章导读

随着高新技术的发展和生产工艺的进步, 一大批科技含量高、结构复杂的设备已经投入到我国工业等领域. 但设备中某些部件在运行过程中由于疲劳磨损、腐蚀、老化等原因, 设备性能的退化将无法避免, 一旦因性能退化造成设备失效, 可能会引起事故和不必要的人员伤亡, 造成灾难性的后果以及重大的经济损失[1-2]. 剩余使用寿命(Remaining useful life, RUL)预测作为设备故障预测与健康管理(Prognostics and health management, PHM)的关键技术之一[3-5], 可以在设备性能退化初期对其RUL进行精确的预测, 为运维人员的预防性维修和备件订购等活动提供指导性依据[6], 较大程度上减少不必要的停机时间, 避免事故的发生, 进而有效保障设备的安全性和可靠性, 并提高任务的完成率[4, 6].

当前, 对RUL预测技术的分类包括基于机理模型的预测方法、基于数据驱动的预测方法以及基于机理模型和数据混合驱动的预测方法[7-8]. 传统的以专家经验为主的机理模型RUL预测方法通过设备的失效机理, 结合设备先验知识构建数学模型, 并利用实时采集的监测数据, 实现对设备的RUL预估[9]. 常见的用于RUL预测的机理模型包括Paris模型、Forman模型以及在两个模型基础上进行各种改进的模型[10]. 但随着设备或系统的结构复杂性变高以及设备运行环境的多样性, 故障模式和失效机理也变得更为复杂, 导致难以建立精确的机理模型.

近年来, 随着传感器技术的革新, 获取设备的状态监测数据变得愈发容易[11-12]. 这也给数据驱动的RUL预测方法提供了契机, 可以缓解机理模型对复杂设备建模困难的问题[13-14]. 同时, 由于深度学习技术迅速发展, 在各个领域的数据分析任务中都展示出超越性. 采用深度学习的RUL预测方法可以不依赖设备或系统的机理知识, 实现退化特征的自动提取, 进而实现端到端的RUL预测[15]. 目前, 普遍采用的深度学习方法进行RUL预测主要包括以下几类: 卷积神经网络(Convolutional neural network, CNN)、循环神经网络(Recurrent neural network, RNN)、时间卷积网络(Temporal convolutional network, TCN)及Transformer模型[16].

具体而言, 卷积神经网络基于不同大小的感受野组合, 学习同一时间段内不同感知节点间的关联关系, 从中发现设备退化状态, 进而预测其RUL[17]. Babu等[18]首次提出基于CNN的RUL预测模型, 通过卷积层和池化层来捕获传感器信号特征, 结合多层感知机(Multilayer perceptron, MLP) 对轴承RUL进行预测. Li等[19]进一步采用时间维度的卷积层和池化层自动学习多维时间序列特征, 并利用前馈神经网络对RUL进行预测. 卷积神经网络能够关注不同传感器节点间的关联关系, 发现其退化特征信息, 但对时序特征的提取能力不足, 不利于预测设备RUL这一具有显著时序特性的任务.

为此, 大量研究人员[20-21]采用RNN模型或长短时记忆网络 (Long short-term memory, LSTM)[22-25]等改进方法进行设备的RUL预测. 例如, Zheng等[22]提出了LSTM-FNN模型用于预测航空发动机RUL, 模型在LSTM层上新增了一个前馈神经网络用于提升模型预测性能. 康守强等[25]提出了SAE-LSTM滚动轴承RUL预测模型, 利用改进SAE对滚动轴承振动信号实现无监督的特征提取, 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. 然而, LSTM或者门控循环单元 (Gated recurrent unit, GRU)等循环神经网络模型处理较长历史数据效率较低. 针对此类问题, 部分研究人员[26-28]利用TCN中的因果卷积来学习更深层的特征, 获得更大的感受野, 以便模型能够更好地学习序列的时间相关性. 如Chen等[26]采用TCN对航空发动机RUL进行预测, 性能得到了提升.

为了更好捕获时间序列数据中的长期依赖关系, 并自主发现设备发生退化的关键时间点, 部分学者[29-31]采用Transformer模型实现对设备的RUL预测. 例如, Mo等[29]提出了一种基于预训练模型的预测框架, 以Transformer模型中的编码器作为模型主干, 通过自注意力机制, 挖掘不同传感器的感知数据规律关联, 以及与RUL的关联关系, 实验结果表明该方法能够显著降低预测误差. 然而, Transformer模型仍未能利用设备在运行过程中的各部件的状态变化趋势, 其具体体现为无法学习不同传感器关联关系的变化规律. 从而为图神经网络特别是基于时序图神经网络的RUL预测模型提供了动机.

综上所述, 当前深度学习模型主要关注各传感器局部时间范围的关联, 未考虑在一个较长周期内各传感器之间的关联关系模式及其影响、变化情况. 实际上, 不同传感器节点之间的感知数据存在一定的关联, 如正关联、负关联、传递关联等. 而在设备运行的不同阶段, 关联性也会随之改变, 预示着设备性能的退化. 以飞行器工作为例, 在其运行早期, 相近的部件之间可以保持振动模式的一致性、传递性; 而随着工作架次的累积、部件的老化和结合部的松动, 这种一致性会逐步减弱, 并预示着潜在的设备故障的出现. 为此, 利用不同传感器节点间关联关系的模式规律、演变趋势, 同样能够反映出设备的稳定性变化, 进而为设备RUL预测提供更加充分的佐证.

为此, 本文提出一种基于多变量分析的时序图推理模型(Multivariate similarity temporal knowledge graph, MSTKG), 能够充分利用传感器运行状态耦合关系及其变化趋势, 挖掘其中蕴含的设备性能退化信息, 用于设备RUL精确预测. 通过构建多个连续时间切片内的传感器节点关系图, 并基于连续的图结构进行表示学习, 充分发现设备各部件间的状态时空关联, 刻画不同传感器节点间关联关系的变化过程. 该模型能够预测未来时刻的节点属性、关联以及整体信息, 从而作为设备RUL预测的分析依据.

本文主要贡献如下:

1) 提出一种基于图推理的剩余使用寿命预测框架, 能够利用不同传感器关联关系的变化趋势, 发现设备性能退化, 从而预测RUL;

2) 设计一个时序图卷积神经网络, 通过聚合不同传感器节点的特征值, 实现节点关系的表征学习, 该结果可以用于寿命预测、节点相关性预测等多个任务;

3) 基于基线数据的大量实验分析表明, 所提出的方法能够更加准确地预测设备的RUL.

本文内容组织如下: 第1节介绍RUL预测的任务描述和问题定义; 第2节介绍用于感知数据表示和RUL预测的多变量分析时序图推理模型; 第3节介绍实验设置与结果分析; 第4节为本文总结.

图 1  MSTKG模型结构图

图 2  DTW示意图

图 3  FD001 1号发动机传感器监测数据

本文提出了一种基于多变量分析的时序图推理模型的设备RUL预测方法. 该模型以设备各部分传感器节点的感知数据为输入, 分别从传感器工作状态的关联及演化关系、传感器原始感知数据的变化趋势等角度, 估计设备可以健康工作的剩余时长. 模型首先将不同传感器的感知数据划入多个时间窗口, 并针对每个窗口构建节点关联图, 构成时序图序列. 随后, 采用图卷积神经网络学习传感器节点特征, 并通过门控循环单元实现不同时间窗口间节点状态的传递. 在预测部分, 解码得到的时序图特征通过多层映射回归分析, 预测其对应的RUL估计值. 基于基准数据的实验结果表明, 所提出的模型能够提升预测的精度, 特别是针对工况较复杂的设备.

作者简介

刘雨蒙

中国科学院软件研究所高级工程师. 2017年获得美国南加利福尼亚大学硕士学位. 主要研究方向为数据挖掘, 数据库技术. E-mail: yumeng@iscas.ac.cn

郑旭

电子科技大学计算机科学与工程学院副教授. 2018年获得美国佐治亚州立大学计算机科学系博士学位. 主要研究方向为物联网, 人工智能. 本文通信作者. E-mail: xzheng@uestc.edu.cn

田玲

电子科技大学计算机科学与工程学院教授. 2010年获得电子科技大学博士学位. 主要研究方向为人工智能. E-mail: ruan052@126.com

王宏安

中国科学院软件研究所研究员. 1998年获得中国科学院软件研究所博士学位. 主要研究方向为人机交互, 实时智能. E-mail: hongan@iscas.ac.cn