基于機(jī)器學(xué)習(xí)的軸承RUL預(yù)測(cè)方法綜述

鄒旺 吉暢

摘要：隨著工業(yè)物聯(lián)網(wǎng)和大數(shù)據(jù)的發(fā)展，機(jī)器學(xué)習(xí)技術(shù)在制造業(yè)受到廣泛的關(guān)注。目前機(jī)器學(xué)習(xí)因其強(qiáng)大的數(shù)據(jù)處理能力，在軸承剩余使用壽命預(yù)測(cè)（RUL）被廣泛應(yīng)用。精確的剩余使用壽命預(yù)測(cè)對(duì)于設(shè)備的安全運(yùn)行、維護(hù)決策起著至關(guān)重要的作用。該文針對(duì)機(jī)器學(xué)習(xí)的軸承剩余使用壽命預(yù)測(cè)方法進(jìn)行了綜述，根據(jù)模型結(jié)構(gòu)將其分為基于經(jīng)典的機(jī)器學(xué)習(xí)方法和基于深度學(xué)習(xí)的方法，并分析主要方法的優(yōu)缺點(diǎn)，為后續(xù)的研究提供幫助。

關(guān)鍵詞：軸承;剩余使用壽命預(yù)測(cè);機(jī)器學(xué)習(xí)

中圖分類號(hào)：TH165.3? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）19-0074-03

剩余使用壽命（Remaining Useful Life，RUL）預(yù)測(cè)作為PHM技術(shù)的重要任務(wù)之一，是通過監(jiān)測(cè)設(shè)備關(guān)鍵部件的運(yùn)行狀態(tài)，當(dāng)設(shè)備關(guān)鍵部件的使用壽命達(dá)到閾值時(shí)，減少該設(shè)備的載荷，幫助工作人員盡早制定合適的維護(hù)計(jì)劃，防止意外停機(jī)或事故的發(fā)生。軸承作為工業(yè)生產(chǎn)中使用最廣泛的零件，如航空航天、石油化工、機(jī)械制造、交通運(yùn)輸?shù)戎匾I(lǐng)域[1-3]。軸承性能的退化和失效會(huì)造成設(shè)備發(fā)生故障而導(dǎo)致停機(jī)，停機(jī)檢修和維護(hù)會(huì)產(chǎn)生高額的成本[4-5]。統(tǒng)計(jì)表明，90%的旋轉(zhuǎn)機(jī)械故障是由于軸承故障引起，30%的軸承故障發(fā)生在內(nèi)外圈上[6]。軸承作為機(jī)械設(shè)備的重要部件，對(duì)于設(shè)備正常運(yùn)行起著至關(guān)重要作用，近年來，它的剩余壽命預(yù)測(cè)引起廣大學(xué)者的研究。

隨著工業(yè)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展PHM領(lǐng)域也進(jìn)入了大數(shù)據(jù)時(shí)代，從關(guān)鍵部件運(yùn)行狀態(tài)大數(shù)據(jù)中挖掘出有價(jià)值的信息并提供決策，對(duì)于保障設(shè)備安全、可靠運(yùn)行至關(guān)重要，而機(jī)器學(xué)習(xí)具有強(qiáng)大的數(shù)據(jù)處理能力，在PHM領(lǐng)域受到了越來越多的關(guān)注，是當(dāng)前RUL預(yù)測(cè)主流方法。因此，本文側(cè)重于綜述基于機(jī)器學(xué)習(xí)的軸承壽命預(yù)測(cè)方法，并對(duì)未來可能的研究方向進(jìn)行了展望。

1基于經(jīng)典的機(jī)器學(xué)習(xí)方法

1.1支持向量機(jī)

SVM是一種機(jī)器學(xué)習(xí)工具，用于數(shù)據(jù)分析和模式識(shí)別，主要用于分類和回歸。它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，克服了人工神經(jīng)網(wǎng)絡(luò)的額外學(xué)習(xí)問題。該方法的軸承剩余使用壽命預(yù)測(cè)架構(gòu)如圖1所示。Chen等人[7]為了應(yīng)對(duì)小樣本軸承狀態(tài)監(jiān)控?cái)?shù)據(jù)的挑戰(zhàn)，提出了一種基于相對(duì)特征和多變量支持向量機(jī)（MSVM）的RUL模型，通過相對(duì)均方根來描述軸承性能退化，并進(jìn)行相關(guān)性分析以選擇輸入到MSVM的敏感特征，該模型考慮多種變量的影響，盡可能挖掘出小樣本數(shù)據(jù)的潛在價(jià)值。Satishkumar等人[8]利用決策樹算法提取統(tǒng)計(jì)特征并選擇最能夠描述軸承過程退化的特征，使用該特征構(gòu)建基于支持向量機(jī)的回歸模型，該回歸模型建立在收益相關(guān)系數(shù)0.961的SVR模型基礎(chǔ)上，與現(xiàn)有模型相比效果最佳。董紹江等人[9]通過利用粒子群算法改進(jìn)多個(gè)支持向量機(jī)的模型進(jìn)行軸承壽命預(yù)測(cè)，并將多個(gè)SVM模型的誤差加權(quán)來實(shí)現(xiàn)準(zhǔn)確的RUL預(yù)測(cè)。該方法利用粒子群算法優(yōu)化SVM模型參數(shù)選取，通過實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了該模型的有效性。徐洲常等[10]為了準(zhǔn)確評(píng)估軸承的退化趨勢(shì)和預(yù)測(cè)軸承的剩余壽命，提出一種利用DEGWO算法優(yōu)化改進(jìn)的回歸型支持向量（SVR），實(shí)驗(yàn)結(jié)果證明了所提方法的預(yù)測(cè)結(jié)果與其他算法優(yōu)化SVR的預(yù)測(cè)結(jié)果相比，具有更高的預(yù)測(cè)精度。

基于支向量機(jī)的方法能夠解決一些零部件剩余使用壽命問題，但還存在一些缺陷：如隨著樣本集的增大，將帶來過擬合、模型訓(xùn)練速度慢等問題;對(duì)核函數(shù)和參數(shù)的選擇特別敏感，一旦數(shù)據(jù)中某個(gè)信息丟失，預(yù)測(cè)精度無法保證。

1.2神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是一種模擬人腦的神經(jīng)系統(tǒng)對(duì)復(fù)雜信息進(jìn)行處理的一種數(shù)學(xué)模型[11]，常用于處理分類、回歸等問題，被廣泛應(yīng)用在多個(gè)學(xué)科，模型結(jié)構(gòu)如圖2所示，作為設(shè)備RUL的常用方法。Mahamad等人[12]提出一種基于人工神經(jīng)網(wǎng)絡(luò)的軸承RUL 預(yù)測(cè)方法，該方法使用時(shí)間和擬合測(cè)量Weibull風(fēng)險(xiǎn)率的均方根 （RMS） 與峰度作為模型輸入，有效提高了軸承的預(yù)測(cè)精度。Tian[13]提出一種基于故障和停機(jī)狀態(tài)監(jiān)歷史信息的人工神經(jīng)網(wǎng)絡(luò)方法（ANN）RUL預(yù)測(cè)，通過使用故障和所有停機(jī)歷史狀態(tài)數(shù)據(jù)以及獲得最佳壽命值對(duì)ANN模型進(jìn)行訓(xùn)練，將訓(xùn)練好的模型用于設(shè)備軸承RUL預(yù)測(cè)。奚立峰等人[14]開發(fā)了一套球軸承剩余預(yù)測(cè)壽命預(yù)測(cè)體系，其中預(yù)測(cè)模型采用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。

基于神經(jīng)網(wǎng)絡(luò)的方法相比于傳統(tǒng)預(yù)測(cè)法方法具有更高的預(yù)測(cè)精度、模型訓(xùn)練速度快、適應(yīng)性強(qiáng)等優(yōu)點(diǎn)，但是還存在收斂速度慢，容易陷入局部最優(yōu)解，導(dǎo)致預(yù)測(cè)精度無法保證等問題。

1.3其他

除了上述綜述的常用經(jīng)典機(jī)器學(xué)習(xí)方法外，許多其他應(yīng)用于軸承剩余壽命預(yù)測(cè)，帶來不同特點(diǎn)。Gao等人[15]提出了一種基于貝葉斯理論的軸承RUL預(yù)測(cè)新方法，該方法首先通過構(gòu)建合適的健康指標(biāo)（HI），然后利用Metropolis-Hastings（MH）算法根據(jù)實(shí)時(shí)方位數(shù)據(jù)更新貝葉斯模型的參數(shù)，實(shí)現(xiàn)軸承RUL的實(shí)時(shí)預(yù)測(cè)。張星輝等人[16]提出了一種基于混合高斯輸出貝葉斯信念網(wǎng)絡(luò)模型的設(shè)備狀態(tài)識(shí)別與RUL預(yù)測(cè)方法，該方法通過50組軸承壽命仿真數(shù)據(jù)和3組全生命周期實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了該模型的有效性，為設(shè)備健康管理提供了科學(xué)依據(jù)。李海浪等[17]人為了解決單一特征無法完成反映軸承剩余壽命問題，提出一種基于特征聚類和評(píng)價(jià)的軸承RUL的方法，該方法與其他單一的特征評(píng)價(jià)方法和初始特征直接預(yù)測(cè)RUL方法相比具有更高的預(yù)測(cè)精度，并且適用于不同工況條件下。

2基于深度學(xué)習(xí)的方法

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)分支，其性能優(yōu)于傳統(tǒng)的淺層機(jī)器學(xué)習(xí)方法，在語音識(shí)別、圖像識(shí)別、文本識(shí)別、故障檢測(cè)本等領(lǐng)域表現(xiàn)出良好的性能。具有代表性的卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短記憶、深度置信網(wǎng)絡(luò)等深度學(xué)習(xí)模型在軸承壽命預(yù)測(cè)方法上已經(jīng)得到了廣泛的實(shí)踐。以下部分綜述了深度學(xué)習(xí)算法在軸承剩余壽命預(yù)測(cè)方面的應(yīng)用。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為主要的深度學(xué)習(xí)模型之一，由于其強(qiáng)大的特征學(xué)習(xí)能力，在計(jì)算機(jī)視覺、自然語音處理、語音識(shí)別等領(lǐng)域得到廣泛的應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)模型由卷積層、池化層和全連接層組成，如圖3所示。Zhou等人[18]為了提取原始軸承信號(hào)的時(shí)間序列特征并更有效地預(yù)測(cè)剩余使用壽命（RUL，提出了一種并行多通道循環(huán)卷積神經(jīng)網(wǎng)絡(luò)（PMCRCNN）來預(yù)測(cè)軸承RUL。該網(wǎng)絡(luò)模型的前端是并行多通道卷積單元，用于從時(shí)間序列數(shù)據(jù)中學(xué)習(xí)和整合全局和局部特征，模型的后端是循環(huán)卷積層，用于對(duì)不同退化特征下的時(shí)間依賴關(guān)系進(jìn)行建模，與現(xiàn)有CNN和RNN相比所提方法預(yù)測(cè)精度更高。Yang等人[19]針對(duì)多種失效模式引起的不同軸承失效行為可能導(dǎo)致特征分布不一致，從而影響預(yù)測(cè)模型的性能問題，提出了一種可遷移卷積神經(jīng)網(wǎng)絡(luò)（TCNN）來學(xué)習(xí)域不變特征，在所提出的方法中，使用卷積神經(jīng)網(wǎng)絡(luò)來提取退化特征，然后將多核最大平均差異整合到優(yōu)化目標(biāo)中，以減少分布差異。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是用于處理時(shí)間序列問題的神經(jīng)網(wǎng)絡(luò)模型，該模型使用循環(huán)隱藏狀態(tài)保留上一時(shí)刻的狀態(tài)信息，因此很適合處理序列信息，RNN模型結(jié)構(gòu)如圖4所示。Liang等人[20]提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的健康指標(biāo)（RNN-HI），用于軸承的 RUL 預(yù)測(cè)。長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）中的一種改進(jìn)結(jié)構(gòu)，克服RNN模型梯度消失或爆炸問題。與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)相比，LSTM 具有記憶能力，能夠使收集到的信息流在網(wǎng)絡(luò)內(nèi)部繼續(xù)流動(dòng)。Wang等人[21]利用長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)實(shí)現(xiàn)了滾動(dòng)軸承振動(dòng)信號(hào)的時(shí)間序列預(yù)測(cè)。

深度置信網(wǎng)絡(luò)（DBN）由多個(gè)中間層的受限玻爾茲曼機(jī)（RBM）組成的神經(jīng)網(wǎng)絡(luò)模型，如圖5所示，通過采用逐層訓(xùn)練的方式為整個(gè)網(wǎng)絡(luò)賦予較好的權(quán)重，解決了多層感知機(jī)容易造成局部最優(yōu)的問題。

馮兆熙等人[22]提出一種基于DBN的軸承RUL預(yù)測(cè)方法，實(shí)驗(yàn)結(jié)果表明，該方法與SVR、PCA-DBN相比進(jìn)一步提高了預(yù)測(cè)精度。DEUTSCH等人[23]將DBN方法成功應(yīng)用在剩余壽命預(yù)測(cè)當(dāng)中，用于預(yù)測(cè)齒輪和軸承的壽命預(yù)測(cè)。Ren等人[24]通過結(jié)合深度自動(dòng)編碼器和深度神經(jīng)網(wǎng)絡(luò)，提出一種新的基于深度學(xué)習(xí)的軸承 RUL 預(yù)測(cè)方法，該方法實(shí)現(xiàn)自動(dòng)選擇特征和減少預(yù)測(cè)網(wǎng)絡(luò)參數(shù)的數(shù)量以避免過擬合。Han等人[25]為了最大限度地減少軸承壽命評(píng)估中的人為干擾， 提出了一種將SAE與LSTM相結(jié)合的預(yù)測(cè)方法， 該方法使用凱斯西儲(chǔ)大學(xué)（CWRU）公開的軸承數(shù)據(jù)集進(jìn)行了驗(yàn)證。

相比于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)在軸承RUL預(yù)測(cè)中大大提高了預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性，但該方法還有一些局限性：①深度學(xué)習(xí)模型依賴樣本數(shù)量的大小，換句話說，數(shù)據(jù)量越大，訓(xùn)練出的模型準(zhǔn)確性越高，對(duì)于大量軸承全生命數(shù)據(jù)的收集是一項(xiàng)艱巨的任務(wù)。②深度學(xué)習(xí)模型復(fù)雜，模型訓(xùn)練計(jì)算量極大，模型越復(fù)雜，參數(shù)選擇不當(dāng)易出現(xiàn)局部最優(yōu)，無法保證預(yù)測(cè)的準(zhǔn)確性。

3未來展望

通過對(duì)基于機(jī)器學(xué)習(xí)的軸承剩余使用壽命預(yù)測(cè)方法的綜述發(fā)現(xiàn)現(xiàn)有預(yù)測(cè)方法存在的一定局限性，特別是恒定工況的公開數(shù)據(jù)集，難以適用實(shí)際的運(yùn)行條件。此外，如要實(shí)現(xiàn)全生命周期的準(zhǔn)確預(yù)測(cè)，需要大量的早期運(yùn)行狀態(tài)數(shù)據(jù)，確保深度學(xué)習(xí)模型得到足夠訓(xùn)練。因此，本研究未來的挑戰(zhàn)如下。

（1）實(shí)驗(yàn)條件下的軸承全生命周期運(yùn)行狀態(tài)數(shù)據(jù)無法取代實(shí)際工況狀態(tài)數(shù)據(jù)，軸承運(yùn)行狀態(tài)數(shù)據(jù)采集過程中應(yīng)考慮多工況、復(fù)雜環(huán)境等條件;

（2）需要進(jìn)一步研究如何通過不同的優(yōu)化技術(shù)來降低機(jī)器學(xué)習(xí)方法的計(jì)算復(fù)雜度，進(jìn)一步提高復(fù)雜工況下的預(yù)測(cè)精度;

（3）預(yù)測(cè)模型算法需要提高訓(xùn)練速度，加快學(xué)習(xí)過程，保障在實(shí)際實(shí)時(shí)監(jiān)控系統(tǒng)中壽命預(yù)警響應(yīng)更加迅速。

4 結(jié)論

隨著人工智能技術(shù)的不斷發(fā)展，特別是機(jī)器學(xué)習(xí)已成為智能預(yù)測(cè)算法的強(qiáng)大工具。本文回顧了基于經(jīng)典機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的軸承剩余壽命預(yù)測(cè)方法，分析了主要方法的優(yōu)勢(shì)和不足，并對(duì)機(jī)器學(xué)習(xí)在軸承剩余壽命預(yù)測(cè)中的應(yīng)用提出了未來展望。

參考文獻(xiàn)

[1] 周瓊，李正美，張而耕.渦輪泵軸承壽命預(yù)測(cè)及研究進(jìn)展[J].應(yīng)用技術(shù)學(xué)報(bào)，2017，17（4）：352-357.

[2] 宋宏智，李力，楊興寬，等.高速機(jī)車軸承故障診斷與剩余壽命預(yù)測(cè)的發(fā)展及展望[J].軸承，2020（3）：61-67.

[3] Saufi S R，Ahmad Z A B，Leong M S，etal.An intelligent bearing fault diagnosis system：a review[J].MATEC Web of Conferences，2019，255：06005.

[4] 鐘秉林，黃仁.機(jī)械故障診斷學(xué)[M].3版.北京：機(jī)械工業(yè)出版社，2007.

[5] Li W H，Chen Z Y，He G L.A novel weighted adversarial transfer network for partial domain fault diagnosis of machinery[J].IEEE Transactions on Industrial Informatics，2021，17（3）：1753-1762.

[6] Shuang L，Meng L.Bearing fault diagnosis based on PCA and SVM[C]//2007 International Conference on Mechatronics and Automation.August5-8，2007，Harbin.IEEE，2007：3503-3507.

[7] Chen X F，Shen Z J，He Z J，et al.Remaining life prognostics of rolling bearing based on relative features and multivariable support vector machine[J].Proceedings of the Institution of Mechanical Engineers，Part C：Journal of Mechanical Engineering Science，2013，227（12）：2849-2860.

[8] Satishkumar R，Sugumaran V.Estimation of remaining useful life of bearings based on support vector regression[J].Indian Journal of Science and Technology，2016，9（10）：1-7.

[9] 董紹江，王軍，徐向陽(yáng)，等.基于多SVM誤差加權(quán)的軸承剩余壽命預(yù)測(cè)[J].制造技術(shù)與機(jī)床，2017（12）：103-106，111.

[10] 徐洲常，王林軍，劉洋，等.采用改進(jìn)回歸型支持向量機(jī)的滾動(dòng)軸承剩余壽命預(yù)測(cè)方法[J].西安交通大學(xué)學(xué)報(bào)，2022，56（3）：197-205.

[11] SIMON H. Neural network ：A comprehensive foundation[M].New Jersey：Prentice Hall PTR，1994.

[12] Mahamad A K，SaonS，HiyamaT.Predicting remaining useful life of rotating machinery based artificial neural network[J].Computers &Mathematics With Applications，2010，60（4）：1078-1087.

[13] Tian Z G，Wong L，Safaei N.A neural network approach for remaining useful life prediction utilizing both failure and suspension histories[J].Mechanical Systems and Signal Processing，2010，24（5）：1542-1555.

[14] 奚立峰，黃潤(rùn)青，李興林，等.基于神經(jīng)網(wǎng)絡(luò)的球軸承剩余壽命預(yù)測(cè)[J].機(jī)械工程學(xué)報(bào)，2007，43（10）：137-143.

[15] Gao T H，Li Y X，Huang X Z，et al.Data-driven method for predicting remaining useful life of bearing based on Bayesian theory[J].Sensors，2020，21（1）：182.

[16] 張星輝，康建設(shè)，趙勁松，等.基于混合高斯輸出貝葉斯信念網(wǎng)絡(luò)模型的設(shè)備退化狀態(tài)識(shí)別與剩余使用壽命預(yù)測(cè)方法研究[J].振動(dòng)與沖擊，2014，33（8）：171-179.

[17] 李海浪，鄒益勝，曾大懿，等.一種基于特征聚類和評(píng)價(jià)的軸承壽命預(yù)測(cè)新方法[J].振動(dòng)與沖擊，2022，41（5）：141-150.

[18] Zhou J M，Gao S，Li J H，etal.Bearinglife prediction method based on parallel multichannel recurrent convolutional neural network[J].Shock and Vibration，2021，2021：1-9.

[19] Yang B Y，Liu R N，Zio E.Remaining useful life prediction based on a double-convolutional neural network architecture[J].IEEE Transactions on Industrial Electronics，2019，66（12）：9521-9530.

[20] GuoL，Li N P，JiaF，et al.A recurrent neural network based health indicator for remaining useful life prediction of bearings[J].Neurocomputing，2017，240：98-109.

[21] Wang F T，Liu X F，Deng G，et al.Remaininglifeprediction method for rolling bearing based on the long short-term memory network[J].Neural Processing Letters，2019，50（3）：2437-2454.

[22] 馮兆熙，邱度金，孔令駒，等.基于深度置信網(wǎng)絡(luò)的軸承剩余使用壽命預(yù)測(cè)[J].電子測(cè)量與儀器學(xué)報(bào)，2021，35（10）：124-129.

[23] Deutsch J，He D.Using deep learning-based approach to predict remaining useful life of rotating components[J].IEEE Transactions on Systems，Man，and Cybernetics：Systems，2018，48（1）：11-20.

[24] Ren L，Sun Y Q，Cui J，et al.Bearing remaining useful life prediction based on deep autoencoder and deep neural networks[J].Journal of Manufacturing Systems，2018，48：71-77.

[25] Han T，Pang J C，Tan A C C.Remaining useful life prediction of bearing based on stacked autoencoder and recurrent neural network[J].Journal of Manufacturing Systems，2021，61：576-591.

收稿日期：2022-03-25

基金項(xiàng)目：貴州省教育廳青年人才成長(zhǎng)項(xiàng)目（ 黔教合KY字[2020]121，黔教合KY字[2020]114），六盤水師范學(xué)院科學(xué)研究計(jì)劃項(xiàng)目（LPSSYZK202004）

作者簡(jiǎn)介：鄒旺（1993—），男，實(shí)驗(yàn)師，碩士，主要研究方向?yàn)橹悄苤圃?、機(jī)械健康狀態(tài)管理與預(yù)測(cè)等;吉暢（1991—），女，通信作者，講師，工程師，碩士，主要研究方向?yàn)楣收显\斷、參數(shù)辨識(shí)等。