基于深度多尺度卷積神經(jīng)網(wǎng)絡(luò)的剩余使用壽命預(yù)測模型①

原建洋 葛陽,2＊ 蔣曉梅,2 鄭明遠(yuǎn)

(1.常熟理工學(xué)院機(jī)械工程學(xué)院 江蘇常熟 215500；2.江蘇省電梯智能安全重點(diǎn)建設(shè)實(shí)驗(yàn)室 江蘇常熟 215500)

隨著傳感器技術(shù)的發(fā)展，越來越多的在線監(jiān)測技術(shù)被應(yīng)用于高可靠性要求的機(jī)械產(chǎn)品上，如核電設(shè)備、航空設(shè)備、汽車產(chǎn)品等。為了降低故障風(fēng)險，應(yīng)依據(jù)采集到的設(shè)備的實(shí)時信息，選擇合適時機(jī)對設(shè)備進(jìn)行預(yù)防性維修，主流的維修策略有“基于狀態(tài)的維修（CBM）”和“故障預(yù)測與健康管理（PHM）”，其關(guān)鍵技術(shù)是通過實(shí)時數(shù)據(jù)識別設(shè)備當(dāng)前的狀態(tài)以及預(yù)測設(shè)備剩余使用壽命（RUL），從而為設(shè)備的維修決策提供依據(jù)。本文提出了一種深度多尺度卷積網(wǎng)絡(luò)結(jié)構(gòu)用于RUL預(yù)測，該網(wǎng)絡(luò)整體由四層卷積運(yùn)算疊加構(gòu)成，其中第一層和第三層為多尺度卷積層，其余兩層為普通卷積層，可以實(shí)現(xiàn)從多個尺度提取輸入數(shù)據(jù)的特征，顯著提高RUL的預(yù)測精度。

1 深度多尺度二維卷積網(wǎng)絡(luò)的構(gòu)建

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是深度學(xué)習(xí)算法研究的熱點(diǎn)之一，CNN局部權(quán)值共享的特殊結(jié)構(gòu)在語音識別和圖像處理方面有著獨(dú)特的優(yōu)越性，權(quán)值共享降低了網(wǎng)絡(luò)的復(fù)雜性，多維向量輸入的圖像可以直接輸入網(wǎng)絡(luò)，避免了特征提取和分類過程中數(shù)據(jù)重建的復(fù)雜度。

典型的CNN結(jié)構(gòu)主要由輸入層、卷積層、池化層、全連接層和輸出層組成：

設(shè)M為CNN的原始輸入矩陣，用Xi表示第i層的特征（X0=M）,若Xi為卷積層，則Xi可表示為

圖1 本文提出的RUL預(yù)測網(wǎng)絡(luò)結(jié)構(gòu)

其中，Wi表示第i層卷積核的權(quán)值，運(yùn)算符“⊙”表示卷積運(yùn)算，卷積輸出與第i層的偏置bi相加后，通過激活函數(shù)R(x)便得到第i層的特征Xi。

池化層通常在卷積層之后，其主要作用一是對特征矩陣進(jìn)行降維，將低層次的局部特征組合為較高層次的特征；二是對特征矩陣進(jìn)行壓縮，簡化網(wǎng)絡(luò)，降低計(jì)算復(fù)雜度。若Xi為池化層，則

其中，P(x)表示池化運(yùn)算，常見的池化運(yùn)算為平均池化和最大池化。

經(jīng)過多個卷積層和池化層交替?zhèn)鬟f后，全連接層將學(xué)到的“分布式特征表示”映射到樣本標(biāo)記空間。深層神經(jīng)網(wǎng)絡(luò)通過多次非線性變換和近似的復(fù)雜非線性函數(shù)，能夠自適應(yīng)地從原始輸入信號中獲取特征信息。

2 RUL估計(jì)的方法的體系結(jié)構(gòu)

圖1是本文提出的用于RUL估計(jì)的方法的體系結(jié)構(gòu)，其包括：

（1）輸入層。為了便于卷積運(yùn)算，以二維格式準(zhǔn)備輸入數(shù)據(jù)樣本。輸入的數(shù)據(jù)維數(shù)是Nt×Nf，其中Nt表示時間序列，Nf是原始特征的數(shù)量。原始特征通常是通過傳感器直接從設(shè)備中采集到數(shù)據(jù)。

圖2 本文提出的RUL預(yù)測網(wǎng)絡(luò)層級框架

（2）卷積層。在網(wǎng)絡(luò)中共堆疊4個卷積層進(jìn)行特征提取，第一個及第三個卷積層為多尺度卷積層，分別采用三種不同尺度的卷積核來提取不同的特征，濾波器的大小分別是7×1、9×1、10×1。第二層和第四層卷積層為單尺度卷積層。濾波器的大小是10×1，所有的卷積層均使用零點(diǎn)填充操作，保持特征映射維數(shù)不變，與輸入的原始特征維數(shù)相同。本文所有卷積層均選用Relu激活函數(shù)，作為非線性單元Relu函數(shù)能夠增加卷積神經(jīng)網(wǎng)絡(luò)的非線性，使卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能夠分段線性。另外，在卷積層加入BN（Batch Normalization）算法可以加快網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)率。在兩個單尺度卷積層后，采用平均池化層來加速收斂，提高預(yù)測精度。

（3）全連接層。全連接層的每一個結(jié)點(diǎn)都與上一層的所有結(jié)點(diǎn)相連，用來把上一層提取到的特征綜合起來。在最后一個特征映射上使用丟棄層來消除過擬合。最后，在所提出的網(wǎng)絡(luò)的末尾加入一個回歸層用來計(jì)算回歸問題的均方誤差損失。還采用了Adam優(yōu)化算法來加速學(xué)習(xí)速度和效果，網(wǎng)絡(luò)層級架構(gòu)如圖2所示。

3 結(jié)語

本文提出了一種用于壽命預(yù)測多層變尺度卷積網(wǎng)絡(luò)，先利用不同尺度卷積從原始特征中提取不同特征，再利用深度連接層將提取的特征融合，作為下一層卷積的輸入，經(jīng)過多層類似結(jié)構(gòu)的卷積運(yùn)算，最后連接回歸層，搭建成學(xué)習(xí)和預(yù)測網(wǎng)絡(luò)。當(dāng)然，本文的研究也存在一些有待改進(jìn)的地方：如多尺度卷積比單尺度卷積運(yùn)算速度慢、預(yù)測結(jié)果的評價指標(biāo)函數(shù)合理性論證不足、一些深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)的最優(yōu)化問題還沒給出等問題，這些問題有待下一步研究完善。