引用本文

康守强, 邢颖怡, 王玉静, 王庆岩, 谢金宝, MIKULOVICH Vladimir Ivanovich. 基于无监督深度模型迁移的滚动轴承寿命预测方法. 自动化学报, 2023, 49(12): 2627−2638 doi: 10.16383/j.aas.c200890

Kang Shou-Qiang, Xing Ying-Yi, Wang Yu-Jing, Wang Qing-Yan, Xie Jin-Bao, MIKULOVICH Vladimir Ivanovich. Rolling bearing life prediction based on unsupervised deep model transfer. Acta Automatica Sinica, 2023, 49(12): 2627−2638 doi: 10.16383/j.aas.c200890

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200890

关键词

滚动轴承，不同工况，模型迁移，状态识别，剩余使用寿命 

摘要

针对实际中某种工况滚动轴承带标签振动数据获取困难, 健康指标难以构建及寿命预测误差大的问题, 提出一种基于无监督深度模型迁移的滚动轴承剩余使用寿命(Remaining useful life, RUL)预测方法. 该方法首先对滚动轴承全寿命周期振动数据提取均方根(Root mean square, RMS)特征, 并引入新的自下而上(Bottom-up, BUP)时间序列分割算法将特征序列分割为正常期、退化期和衰退期3种状态; 对振动信号经快速傅里叶(Fast Fourier transform, FFT)变换后的幅值序列进行状态信息标记, 并将其输入到新增卷积层的全卷积神经网络(Full convolutional neural network, FCN)中, 提取深层特征, 得到预训练模型; 提出将预训练模型的梯度作为一种“特征”与传统预训练模型特征一起参与目标域网络训练过程, 从而得到状态识别模型; 利用状态概率估计法结合状态识别模型建立滚动轴承寿命预测模型. 实验验证所提方法无需构建健康指标, 可实现无监督条件下不同工况滚动轴承剩余寿命预测, 并获得较好的效果.

文章导读

滚动轴承是易受损部件之一[1], 其剩余使用寿命(Remaining useful life, RUL)与设备运行状态息息相关, 通过对滚动轴承进行寿命预测能够避免因轴承失效导致的停机维修、人员伤亡等问题, 具有重要意义[2-3].

剩余寿命预测是指根据设备的历史退化趋势, 预测出设备从当前时刻到最终失效的时间间隔[4]. 现有的设备剩余寿命预测方法可分为3类[5]: 基于机理模型的方法、数据驱动的方法和两种方法相结合的方法. 文献[6]利用Paris-Erdogan模型描述滚动轴承性能退化趋势, 获得较好效果. 然而, 在实际工作中滚动轴承工况会随着时间发生变化, 很难建立精确的机理模型. 采用数据驱动的方法建立预测模型可直接从历史输入数据中提取有用的信息构建模型, 受其他因素影响较小, 是一种较为有效的建模方法.

现阶段, 基于数据驱动预测剩余使用寿命的方法主要分为基于退化趋势建模及建立回归模型. 文献[7]利用全参数动态学习深度信念网络对滚动轴承进行剩余寿命预测, 具有较高的预测精度. 文献[8]利用皮尔逊相似度法对轴承数据进行相似度分析, 并采用改进隐马尔科夫退化模型完成滚动轴承自适应预测, 具有较小的预测误差. 文献[9]利用卷积神经网络级联Catboost构建改进的深度森林, 完成滚动轴承剩余寿命预测, 很好地表征了轴承的退化过程. 上述数据驱动方法需要找到剩余寿命和性能退化过程之间的对应关系, 但在实际工作中, 剩余寿命预测对象一般具有多退化量及非线性退化过程, 较难找到准确对应关系, 导致很难构建健康指标、准确设定失效阈值, 使得剩余寿命预测方法的结果受到较大影响.

假若先进行状态识别则可避免上述问题. 目前, 已有许多学者针对滚动轴承状态识别方法进行研究. 文献[10-11]分别提出多目标优化改进经验模态分解、阶数统计滤波器结合快速奇异频谱分解提取浅层故障特征的方法, 有效地解决了轴承状态识别问题. 浅层特征提取方法已广泛应用在滚动轴承状态识别等方面, 但依赖信号预处理技术及专家经验.

深度学习网络可自动提取高维数据的深层特征, 近几年在机械状态识别领域得到了广泛应用[12]. 文献[13]利用深度学习中的去噪堆叠式自动编码器进行特征提取, 实现轴承故障诊断, 获得了较好效果. 文献[14]利用集合经验模态分解–希尔伯特包络谱结合深度信念网络, 有效实现变负载下滚动轴承故障诊断. 文献[15]提出多输入层卷积神经网络, 可将谱分析数据在模型任意位置输入, 有效解决了滚动轴承故障诊断问题.

在实际工作中, 滚动轴承的工况常常是变化的, 带有标签的样本数据量过少, 同时训练数据与测试数据分布不一定相同, 导致基于深度学习的状态识别方法效果并不理想. 迁移学习可以解决样本数据不充裕及数据分布不同的问题, 故在机械状态识别领域得到一定应用. 文献[16]提出一种利用域自适应模块辅助状态识别模块学习域不变特征的方法, 取得了较好的轴承故障分类效果. 文献[17]提出一种深度域适应方法, 有效地解决了齿轮在多种工作条件下的故障诊断问题. 然而, 域适应方法存在特征映射困难的问题, 导致分类效果不理想, 而模型迁移不存在此类问题. 模型迁移是通过参数传递的形式将源域中的相关知识迁移到目标领域的方法. 文献[18]提出一种基于神经网络的智能故障诊断方法, 首先从大量数据中学习特征并调整源域网络的参数, 得到预训练模型, 然后将预训练模型中参数传递给目标域网络, 实现不同工作条件下滚动轴承故障诊断, 并获得较高的准确率. 模型迁移方法一般只使用传统预训练特征且只考虑高级特征, 但并不是所有高级特征都对目标域训练起到积极作用, 而模型的梯度则可能包含有用的特征信息, 因此将模型的梯度作为一种“特征”并传递给目标域, 理论上可提升模型迁移的效果.

然而, 在实际生产中有些数据集缺少甚至没有标签, 导致很难建立有效模型, 为了克服这种局限性, 可使用状态退化严重性信息(例如健康、轻度、中度等)标记未标记的原始数据. 文献[19]提出一种基于状态持续时间的转辙机故障预测方法, 利用K-means聚类方法对转辙机健康状态进行划分. 但聚类算法的划分结果实质上是随机的, 且机械设备的工作环境对划分结果影响较大[20]. 文献[21]提出一种离线和在线机器健康评估方法, 利用自下而上(Bottom-up, BUP)的时间序列分割方法划分所选特征序列, 以区分转辙机的健康状态.

综上, 针对滚动轴承工况种类繁多且某种工况数据不含标签导致寿命预测误差大的问题, 对传统剩余使用寿命预测方法进行改进, 提出一种新的智能寿命预测方法.

1)该方法引入自下而上时间序列分割算法, 将均方根(Root mean square, RMS)特征分割为不同退化状态子序列, 同时在快速傅里叶变换(Fast Fourier transform, FFT)幅值序列上标记退化状态信息, 构建不同域数据集.

2)利用新增卷积层的全卷积神经网络(Full convolutional neural network, FCN)训练源域数据以获取预训练模型, 同时提出将模型的梯度“特征”及传统预训练模型特征传递到目标域数据(无标签)训练过程中, 以达到改进无监督深度模型迁移策略及构建状态识别模型的目的.

3)提出将状态概率估计法与状态识别模型相结合构建预测模型, 无需构建健康指标即可实现无监督条件下不同工况滚动轴承的剩余寿命预测.

图 1  FCN网络结构

图 2  新增卷积层的FCN网络

图 3  无监督模型迁移过程示意图

1)针对传统聚类方法的划分结果受机械设备工作环境影响较大的问题, 本文引入一种新的自下而上时间序列分割算法, 对滚动轴承特征序列进行分割, 将特征序列划分为具有相似特征的子序列, 保证了滚动轴承退化状态划分的准确性.

2)滚动轴承因受环境、工况等因素影响, 难以获取到大量有标签的数据, 本文利用新增卷积层的FCN网络进行特征提取, 并将梯度作为另一种“特征”传递给目标域, 完成对不同工况滚动轴承的无监督状态识别, 解决了有标签训练数据少、训练与测试数据分布差异大导致分类准确率低的问题, 平均准确率达到99.43%, 相对于其他方法平均准确率提高至少10%.

3)针对滚动轴承剩余寿命预测中健康指标难构建以及寿命预测误差大的问题, 本文结合无监督模型迁移及状态概率估计法对滚动轴承剩余寿命进行预测, 避免了构建健康指标, 预测误差至少提高13%且多数轴承为超前预测, 具有更好的预测效果.

在验证本文所提方法有效性的过程中, 对PHM 2012数据库中的振动数据进行了充分实验验证, 但尚未对此数据库之外的实际滚动轴承数据进行剩余使用寿命预测的实验, 这将是今后的重要研究内容.

作者简介

康守强

哈尔滨理工大学测控技术与通信工程学院教授. 2011 年获得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, 模式识别. E-mail: kangshouqiang@163.com

邢颖怡

哈尔滨理工大学测控技术与通信工程学院硕士研究生. 主要研究方向为振动信号处理. E-mail: whale_x@sina.com

王玉静

哈尔滨理工大学测控技术与通信工程学院教授. 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, 模式识别. E-mail: mirrorwyj@163.com

王庆岩

哈尔滨理工大学测控技术与通信工程学院副教授. 2018年获哈尔滨工业大学博士学位. 主要研究方向为信号处理, 遥感图像智能解译, 模式识别. E-mail: wangqy@hrbust.edu.cn

谢金宝

海南师范大学物理与电子工程学院副教授. 2012年获得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. 本文通信作者. E-mail: xjbpost@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, 模式识别. E-mail: falcon@tut.by