基于數(shù)據(jù)對(duì)齊的生成性對(duì)抗網(wǎng)絡(luò)軸承剩余壽命預(yù)測(cè)

陳世紅 陳榮軍

1(廣東生態(tài)工程職業(yè)學(xué)院信息工程學(xué)院 廣東 廣州 510520) 2(廣東技術(shù)師范大學(xué)計(jì)算機(jī)科學(xué)學(xué)院 廣東 廣州 510665)

0 引 言

旋轉(zhuǎn)機(jī)械的預(yù)測(cè)與健康管理在提高機(jī)械可靠性、降低維修成本和提高運(yùn)行安全性等方面具有重要的意義[1-2]。在過去的幾年里,機(jī)械設(shè)備的監(jiān)控管理(Prognostics Health Management,PHM)受到了越來越多的重視,特別是在先進(jìn)制造產(chǎn)業(yè),如汽車制造、航空航天工業(yè)等領(lǐng)域[3-4]。作為旋轉(zhuǎn)機(jī)械中的關(guān)鍵部件之一,滾動(dòng)軸承的剩余使用壽命(Remaining Useful Life,RUL)預(yù)測(cè)更是研究的重中之重[5]。

在過去的幾年中,軸承剩余壽命預(yù)測(cè)方法包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和神經(jīng)模糊系統(tǒng)等數(shù)據(jù)驅(qū)動(dòng)方法,因其易于實(shí)現(xiàn)、響應(yīng)速度快和預(yù)測(cè)前景好等優(yōu)點(diǎn)得到了廣泛的發(fā)展,并取得了一系列研究成果[6-8]。梁昱等[9]提出了一種多方位預(yù)測(cè)的集成深度學(xué)習(xí)方法,利用TIR和頻域特征來構(gòu)建軸承的健康指標(biāo)。Pan等[10]提出了一種有效的機(jī)器健康狀態(tài)估計(jì)方法,采用在線動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò),對(duì)軸承健康狀況進(jìn)行預(yù)測(cè)。另外,還有一種基于卷積神經(jīng)網(wǎng)絡(luò)的多尺度特征提取方法[11],利用從振動(dòng)數(shù)據(jù)中學(xué)習(xí)到的特征實(shí)現(xiàn)了軸承剩余壽命預(yù)測(cè)。

盡管在數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方面取得了進(jìn)展,但仍舊存在兩個(gè)問題未被很好地解決:(1) 首次預(yù)測(cè)時(shí)間(First Predicting Time, FPT)的確定。傳統(tǒng)方法中將所收集的數(shù)據(jù)與剩余壽命值之間進(jìn)行直接建模,其對(duì)應(yīng)規(guī)則往往是時(shí)變的,因此失效初始時(shí)刻即首次預(yù)測(cè)時(shí)間的確定將對(duì)預(yù)測(cè)精度影響較大,但是該時(shí)間的確定仍主要依賴于峰度等常規(guī)特征,限制了預(yù)測(cè)精度的提升。(2) 實(shí)體間的數(shù)據(jù)分布差異數(shù)據(jù)驅(qū)動(dòng)方法的成功主要依賴于訓(xùn)練和測(cè)試數(shù)據(jù)來自同一分布的假設(shè)。由于在軸承RUL預(yù)測(cè)問題中,訓(xùn)練和測(cè)試數(shù)據(jù)是在不同條件下收集的。當(dāng)機(jī)器的轉(zhuǎn)速等工作條件相同時(shí),軸承的故障往往是不同的。因此,不同軸承的退化行為不盡相同,導(dǎo)致實(shí)體間存在顯著的數(shù)據(jù)分布差異。因此,限制了數(shù)據(jù)驅(qū)動(dòng)模型的泛化能力。

針對(duì)上述問題,本文研究并提出一種生成性對(duì)抗神經(jīng)網(wǎng)絡(luò)模型,用于數(shù)據(jù)驅(qū)動(dòng)旋轉(zhuǎn)機(jī)械軸承的RUL預(yù)測(cè)。在兩個(gè)旋轉(zhuǎn)機(jī)械數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)驗(yàn)證,數(shù)值結(jié)果表明,該方法相對(duì)于傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)方法能夠有效解決上述問題,并且實(shí)現(xiàn)精度較高的預(yù)測(cè)。

1 理論方法

1.1 問題描述

其次,由于可以獲得訓(xùn)練實(shí)體的FPT,因此可以將每個(gè)軸承的運(yùn)行到故障數(shù)據(jù)分為健康狀態(tài)和退化狀態(tài)。退化期間的剩余使用壽命百分比可計(jì)算為:

1.2 對(duì)抗神經(jīng)網(wǎng)絡(luò)

本文引入對(duì)抗神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè),該模型首先用于生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks,GAN)[14]。GAN的目標(biāo)是從隨機(jī)噪聲中生成現(xiàn)實(shí)的數(shù)據(jù)樣本,生成器模塊G用于將噪聲z映射到樣本x。為了評(píng)估生成的數(shù)據(jù)G(z)的質(zhì)量,采用了判別模塊D,該模塊經(jīng)過優(yōu)化以區(qū)分真實(shí)樣本和偽樣本。然而,生成器參數(shù)的更新影響了判別器的工作,即生成不能被判別器區(qū)分的樣本。因此通過兩個(gè)模塊之間的對(duì)抗訓(xùn)練,生成器逐漸學(xué)習(xí)噪聲和真實(shí)樣本之間的基礎(chǔ)映射函數(shù)G。網(wǎng)絡(luò)模型優(yōu)化的損失函數(shù)可以表示為:

(2)

式中:pdata和pz分別表示實(shí)際數(shù)據(jù)和噪聲的分布。

近年來,對(duì)抗訓(xùn)練從不同領(lǐng)域提取共享特征方面得到了進(jìn)一步的發(fā)展[15-16]。與GAN方案類似,多個(gè)域的數(shù)據(jù)樣本首先經(jīng)過特征提取器模塊以獲得高級(jí)特征,這些特征通常攜帶有域偏向信息。隨后采用域判別器模塊,以高級(jí)特征為輸入,并輸出域分類結(jié)果。判別器旨在分離不同域的數(shù)據(jù),而特征提取器則試圖獲得不容易分類的特征。通過對(duì)抗訓(xùn)練,特征提取器可以將不同域的數(shù)據(jù)投影到同一區(qū)域,從而獲得共享特征。

2 基于數(shù)據(jù)對(duì)齊的生成性對(duì)抗網(wǎng)絡(luò)

2.1 總體介紹

圖1給出了本文方法的思路。首先,通過傳感器測(cè)量機(jī)器的瞬時(shí)振動(dòng)加速度數(shù)據(jù)。具體而言,假設(shè)將軸承整個(gè)生命周期的振動(dòng)數(shù)據(jù)收集為訓(xùn)練數(shù)據(jù)集。在提出的框架中使用了兩個(gè)訓(xùn)練階段,即FPT確定和RUL估計(jì)。

圖1 本文預(yù)測(cè)方法概述

通常,可以將處于早期的軸承視為處于健康狀態(tài),并使用深度神經(jīng)網(wǎng)絡(luò)模型來學(xué)習(xí)相應(yīng)的數(shù)據(jù)分布。提出性能退化評(píng)估指標(biāo)來顯示機(jī)器的退化程度,從而可以在階段1中確定第一個(gè)預(yù)測(cè)時(shí)間。然后,獲得所有訓(xùn)練軸承的FPT,將生命周期數(shù)據(jù)分為機(jī)器健康狀態(tài)和退化狀態(tài)?？梢杂?jì)算出退化狀態(tài)下軸承的剩余使用壽命,從而可以獲取數(shù)據(jù)樣本的RUL標(biāo)簽。

第1階段的深度神經(jīng)網(wǎng)絡(luò)針對(duì)RUL預(yù)測(cè)的回歸問題進(jìn)一步擴(kuò)展,并使用帶有RUL標(biāo)簽的有監(jiān)督數(shù)據(jù)進(jìn)行訓(xùn)練。此外,為了增強(qiáng)模型泛化能力,通過對(duì)抗訓(xùn)練將來自不同軸承的數(shù)據(jù)分布差異最小化。來自不同訓(xùn)練和測(cè)試軸承的健康狀態(tài)數(shù)據(jù)被投影到學(xué)習(xí)的子空間中的同一區(qū)域中,并且各種訓(xùn)練軸承的退化數(shù)據(jù)也被映射到相同的區(qū)域。這樣,可以提取不同軸承實(shí)體之間的共享特征,并可以大大提高測(cè)試數(shù)據(jù)的預(yù)測(cè)性能。

2.2 階段1:FPT確定

在階段1中,確定軸承的FPT,這對(duì)預(yù)測(cè)的準(zhǔn)確性至關(guān)重要。如圖2所示,在整個(gè)機(jī)器生命周期中收集數(shù)據(jù)之后,通?？梢哉J(rèn)為處于早期運(yùn)行狀態(tài)的軸承處于健康狀態(tài)。假設(shè)在時(shí)間t1和t2的健康狀況相似。但是,如果將tFPT1不合適地設(shè)置為第一個(gè)預(yù)測(cè)時(shí)間,則會(huì)對(duì)它們進(jìn)行不同的處理,從而導(dǎo)致無效的預(yù)測(cè)。相反,在這種情況下,tFPT2更適合作為FPT。

圖2 機(jī)械振動(dòng)數(shù)據(jù)中首次預(yù)測(cè)時(shí)間的圖示

采用深度生成對(duì)抗網(wǎng)絡(luò)模型來學(xué)習(xí)所有訓(xùn)練軸承的健康狀態(tài)數(shù)據(jù)的分布。通常,該網(wǎng)絡(luò)旨在學(xué)習(xí)噪聲向量z∈RDz與實(shí)際數(shù)據(jù)樣本x∈RDinput之間的映射函數(shù)。這被表示為參數(shù)化為神經(jīng)網(wǎng)絡(luò)的生成器G。Dz和Dinput分別是噪聲向量和數(shù)據(jù)樣本的維數(shù)。具體來說,在生成器中使用具有64、32和16個(gè)濾波器的三個(gè)卷積層。展平后,采用具有512個(gè)和Dinput個(gè)神經(jīng)元的兩個(gè)完全連接的層(Fully Connected layer, FC),因此最后一層中獲得的向量就是生成的數(shù)據(jù)樣本。

偽樣本表示為G(z;θg),其中θg表示G中的參數(shù)。為了測(cè)量生成器的性能,特征提取器F使用參數(shù)θf處理生成的樣本和真實(shí)樣本。隨后將獲得的它們的高級(jí)表示,即F(G(z;θg);θf)和F(x;θf),以參數(shù)θd1饋入判別器D1中。在特征提取器中,使用具有64、32和16個(gè)濾波器的三個(gè)卷積層,然后是具有512個(gè)神經(jīng)元的平坦層和全連接層。最后,一個(gè)神經(jīng)元附著在判別器D1中,其值表示屬于真實(shí)數(shù)據(jù)的輸入樣本的預(yù)測(cè)置信度。在整個(gè)網(wǎng)絡(luò)模型中,大多采用滲漏整流線性單元激活函數(shù)。

為簡單起見,以下將特征提取器和判別器D1的組合表示為判別器。根據(jù)GAN中的對(duì)抗訓(xùn)練方案,判別器旨在準(zhǔn)確分離真實(shí)和偽造的數(shù)據(jù)樣本,而生成器則嘗試創(chuàng)建無法區(qū)分的真實(shí)數(shù)據(jù)。因此,此階段的參數(shù)經(jīng)過優(yōu)化可以得到:

z～N(0,I),x∈Strain,h

(3)

通過將梯度反轉(zhuǎn)層(Gradient Reversal Layer, GRL)引入對(duì)抗訓(xùn)練架構(gòu)中,式(3)可以使用流行的隨機(jī)梯度下降(Stochastic Gradient Descent, SGD)方法求解,并且可以在訓(xùn)練過程中一步同時(shí)更新參數(shù)[17]。這樣,網(wǎng)絡(luò)逐漸學(xué)習(xí)樣本的分布,即噪聲和真實(shí)數(shù)據(jù)之間的投影函數(shù)。

在GAN架構(gòu)中,判別器O1=D1(F(x))的輸出用作輸入數(shù)據(jù)與真實(shí)樣本之間的相似性的指標(biāo)。考慮到在此階段學(xué)習(xí)了健康狀態(tài)數(shù)據(jù)分布,因此輸出也適合用作健康狀況指標(biāo)。根據(jù)實(shí)驗(yàn)結(jié)果,當(dāng)機(jī)器處于健康狀態(tài)時(shí),可以獲得穩(wěn)定的O1值,而O1在退化期間會(huì)波動(dòng)。因此,在本文中,其標(biāo)準(zhǔn)偏差H=std(O1)用于表示機(jī)器健康狀態(tài),并且引入了閾值系數(shù)α>1。H(x)超過αH(xhealthy)的時(shí)間被認(rèn)為是第一個(gè)預(yù)測(cè)時(shí)間,其中xhealthy代表運(yùn)行初期的健康狀態(tài)數(shù)據(jù)。

2.3 階段2:RUL預(yù)測(cè)

2.3.1RUL預(yù)測(cè)器

確定FPT后,可以將所有數(shù)據(jù)分為健康狀態(tài)和退化狀態(tài)。階段2旨在確定軸承在退化條件下的剩余使用壽命?；诰W(wǎng)絡(luò)體系結(jié)構(gòu),在此階段還利用了在階段1中學(xué)習(xí)到的知識(shí)。所有樣本都直接送入經(jīng)過訓(xùn)練的特征提取器中,作為真實(shí)數(shù)據(jù)顯示在圖中。代替判別器1,高級(jí)表示由三個(gè)模塊進(jìn)一步處理,即RUL預(yù)測(cè)器、判別器2和判別器3。

具有參數(shù)θr的RUL預(yù)測(cè)器R包括三個(gè)卷積層,分別有64、32和16個(gè)濾波器,以及兩個(gè)分別具有512和1個(gè)神經(jīng)元的全連接層。在卷積層之后使用主動(dòng)丟棄策略以避免過度擬合。 最后一個(gè)神經(jīng)元的值表示預(yù)測(cè)的RUL。在優(yōu)化中,將預(yù)測(cè)誤差最小化,并使用了三類損失函數(shù):

2.3.2條件數(shù)據(jù)對(duì)齊

盡管在RUL預(yù)測(cè)問題中,監(jiān)督訓(xùn)練十分有效,但未考慮不同軸承的退化數(shù)據(jù)差異,這會(huì)導(dǎo)致預(yù)測(cè)性能下降。因此提出一種數(shù)據(jù)對(duì)齊方法,以使用對(duì)抗性訓(xùn)練策略提取用于RUL預(yù)測(cè)的實(shí)體不變特征?？傮w思路在于,應(yīng)該將來自類似機(jī)械健康狀況的數(shù)據(jù)投影到不同實(shí)體的學(xué)習(xí)子空間的相同區(qū)域中。
圖3顯示了提出的條件數(shù)據(jù)對(duì)齊方案的圖示。

圖3 針對(duì)不同軸承的數(shù)據(jù)對(duì)齊方案

首先,處理健康狀況數(shù)據(jù)。除訓(xùn)練樣本外,機(jī)器早期運(yùn)行期間的測(cè)試數(shù)據(jù)通常也可以使用,可用于更好地進(jìn)行數(shù)據(jù)對(duì)齊。具體來說,將從特征提取器獲得的訓(xùn)練和測(cè)試軸承的數(shù)據(jù)表示都進(jìn)入具有參數(shù)θd2的判別器2中,該參數(shù)由兩個(gè)卷積層和兩個(gè)全連接層組成。Mtrain+Mtest個(gè)神經(jīng)元附著在最后一個(gè)全連接層,每個(gè)神經(jīng)元代表屬于不同軸承實(shí)體的輸入樣本的預(yù)測(cè)置信度。最后,采用Softmax函數(shù)進(jìn)行分類。

在優(yōu)化中,判別器2旨在精確識(shí)別數(shù)據(jù)源,同時(shí)訓(xùn)練特征提取器以獲得無法區(qū)分的表示。 更新參數(shù)以實(shí)現(xiàn)。

x∈Sall,h

(5)

x∈Strain,d

(6)

2.3.3網(wǎng)絡(luò)模型參數(shù)優(yōu)化

式(4)、式(5)和式(6)可以在此階段集成,并且通過使用GRL,可以在一個(gè)訓(xùn)練步驟中更新網(wǎng)絡(luò)參數(shù),例如:

Ld2=Lce(D2(F(x))),x∈Sall,h

Ld3=Lce(D3(F(x))),x∈Strain,d

(7)

式中:δ是學(xué)習(xí)率;fAdam,f、fAdam,r、fAdam,d2和fAdam,d3分別表示參數(shù)θf、θr、θd2和θd3的Adam優(yōu)化方法中的計(jì)算函數(shù);εr、εd2和εd3分別表示損失Lr、Ld2和Ld3的懲罰系數(shù)。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集描述

3.1.1XJTU-SY數(shù)據(jù)集

在本文中,利用兩組加速滾動(dòng)軸承退化測(cè)試數(shù)據(jù)集驗(yàn)證了本文方法。XJTU-SY數(shù)據(jù)集由西安交通大學(xué)提供。測(cè)試臺(tái)如圖4所示。15臺(tái)LDK-UER204滾動(dòng)軸承在兩種轉(zhuǎn)速下進(jìn)行了測(cè)試。從運(yùn)行到故障的振動(dòng)加速度數(shù)據(jù)是通過軸承箱上的加速度計(jì)獲取的。每1分鐘以25.6 kHz的采樣率收集1.28 s中的32 768個(gè)數(shù)據(jù)點(diǎn)。本文將水平方向的振動(dòng)數(shù)據(jù)用于預(yù)測(cè)。為了安全起見,當(dāng)振動(dòng)幅度超過20g時(shí),將停止加速退化軸承測(cè)試,并且該時(shí)刻被視為軸承的故障時(shí)間。表1中提供了數(shù)據(jù)集信息。

圖4 XJTU-SY數(shù)據(jù)集中的軸承測(cè)試臺(tái)

表1 XJTU-SY數(shù)據(jù)集的信息

3.1.2PHM2012數(shù)據(jù)集

本文中使用的第二個(gè)數(shù)據(jù)集是在平臺(tái)PRONOSTIA上收集的,如圖5所示。同步電動(dòng)機(jī)、軸、速度控制器和兩個(gè)滑輪的組件用于改變滾動(dòng)軸承的速度。同樣,研究水平方向的振動(dòng)數(shù)據(jù)。具體來說,來自PRONOSTIA平臺(tái)的PHM 2012 Challenge數(shù)據(jù)集用于驗(yàn)證,其中包含17個(gè)軸承的運(yùn)行到故障數(shù)據(jù)。每10 s測(cè)量2 560個(gè)數(shù)據(jù)點(diǎn),即0.1 s,采樣頻率為25.6 kHz。為了安全起見,當(dāng)振動(dòng)數(shù)據(jù)的振幅超過20g時(shí),停止實(shí)驗(yàn)。表2中提供了數(shù)據(jù)集信息。

圖5 用于軸承加速退化測(cè)試的PRONOSTIA平臺(tái)

表2 PHM 2012數(shù)據(jù)集的信息

3.2 比較方法

以下方法與本文方法具有相似的實(shí)驗(yàn)設(shè)置和網(wǎng)絡(luò)體系結(jié)構(gòu)。

(1) Basic:利用TIR和頻域特征來構(gòu)建軸承的健康指標(biāo),即文獻(xiàn)[9]中提到的方法。該方法遵循數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)的傳統(tǒng)模式。沒有使用FPT,并且RUL標(biāo)簽是在軸承的整個(gè)生命周期中確定的。在RUL預(yù)測(cè)問題中進(jìn)行了簡單的監(jiān)督學(xué)習(xí),這表明在優(yōu)化中僅考慮了損失Lr,并刪除了數(shù)據(jù)對(duì)齊方案。

(2) NoAlign:在所提出的方法中沒有考慮數(shù)據(jù)對(duì)齊方案的情況下,實(shí)現(xiàn)了NoAlign方法,包括健康狀態(tài)和退化狀態(tài)數(shù)據(jù)對(duì)齊。在第2階段中,僅執(zhí)行損失Lr。

(3) NoHealthyAlign:健康狀態(tài)數(shù)據(jù)的對(duì)齊未在NoHealthyAlign方法中實(shí)現(xiàn),即刪除了判別器2。

(4) NoDegradeAlign:該方法忽略判別器3,并且不考慮退化數(shù)據(jù)的對(duì)齊。

在執(zhí)行預(yù)測(cè)方法時(shí),首先準(zhǔn)備輸入數(shù)據(jù)樣本。即考慮從機(jī)器定期收集數(shù)據(jù)的兩個(gè)數(shù)據(jù)集的信息,每個(gè)樣本中包含NC個(gè)連續(xù)的測(cè)量數(shù)據(jù)片段,并且在每個(gè)片段中使用Np個(gè)連續(xù)振動(dòng)加速度數(shù)據(jù)點(diǎn)。這導(dǎo)致每個(gè)樣本中包含NC×Np個(gè)數(shù)據(jù)點(diǎn)。數(shù)據(jù)準(zhǔn)備方案如圖6所示。當(dāng)測(cè)試某個(gè)軸承時(shí),將使用相同工作條件下其他軸承的數(shù)據(jù)進(jìn)行訓(xùn)練。

圖6 本文的數(shù)據(jù)準(zhǔn)備方案

在網(wǎng)絡(luò)模型優(yōu)化中,采用反向傳播學(xué)習(xí)對(duì)模型參數(shù)進(jìn)行更新,采用Adam優(yōu)化算法。已為初始化部署Xavier標(biāo)準(zhǔn)初始化器。詳細(xì)的模型參數(shù)和實(shí)驗(yàn)設(shè)置見表3。通常根據(jù)驗(yàn)證任務(wù)確定它們,在該任務(wù)中對(duì)軸承A1-1進(jìn)行測(cè)試,并在相同的工作條件下使用其他軸承進(jìn)行訓(xùn)練。在這項(xiàng)研究中,使用三個(gè)指標(biāo)來評(píng)估預(yù)測(cè)性能,即平均絕對(duì)誤差(MAE)、平均絕對(duì)百分比誤差(MAPE)和均方根誤差(RMSE)。

表3 本文使用的參數(shù)

3.3 實(shí)驗(yàn)結(jié)果

本節(jié)將在不同情況下評(píng)估本文方法的預(yù)測(cè)性能。通常將實(shí)驗(yàn)結(jié)果平均5次,以減少模型隨機(jī)性的影響。表4顯示了通過不同方法對(duì)XJTU-SY數(shù)據(jù)集進(jìn)行的數(shù)值預(yù)測(cè)結(jié)果?？梢杂^察到,本文方法通常在包括MAE、RMSE和MAPE這三個(gè)指標(biāo)的不同預(yù)測(cè)任務(wù)中實(shí)現(xiàn)最低的預(yù)測(cè)誤差。當(dāng)MAE和RMSE測(cè)量預(yù)測(cè)值與基本事實(shí)之間的距離時(shí),MAPE度量通過不同的方法評(píng)估比例估計(jì)誤差。Basic方法會(huì)獲得較大的預(yù)測(cè)誤差,這表明簡單的監(jiān)督學(xué)習(xí)方案在RUL預(yù)測(cè)問題中的有效性較低。應(yīng)當(dāng)指出,Basic方法是本文的基礎(chǔ)方法,它遵循常規(guī)的監(jiān)督學(xué)習(xí)模式。結(jié)果表明,本文方法明顯優(yōu)于Basic方法,證明了本文算法的優(yōu)越性。NoAlign方法的結(jié)果明顯優(yōu)于Basic方法,但仍然沒有競爭力。使用提出的數(shù)據(jù)對(duì)齊方案,NoHealthyAlign和NoDegradeAlign方法都可以實(shí)現(xiàn)可觀的預(yù)測(cè)結(jié)果。但是,在大多數(shù)情況下,結(jié)果仍不如本文方法好。

表5給出了PHM 2012數(shù)據(jù)集的數(shù)值預(yù)測(cè)結(jié)果。該方法在不同情況下也取得了可觀的結(jié)果,并且觀察到的模式與表4中的XJTU-SY數(shù)據(jù)集相似。因此,在兩個(gè)數(shù)據(jù)集上驗(yàn)證了本文方法的有效性。

表4 XJTU-SY數(shù)據(jù)集上不同方法的數(shù)值預(yù)測(cè)性能比較

表5 PHM 2012數(shù)據(jù)集上數(shù)值預(yù)測(cè)性能比較

續(xù)表5

3.3.1健康指標(biāo)和FPT結(jié)果

在本節(jié)中,提出振動(dòng)幅值的健康指標(biāo)以及獲得的不同軸承的首次預(yù)測(cè)時(shí)間。圖7和圖8顯示了兩個(gè)數(shù)據(jù)集上的四個(gè)示例?？梢杂^察到,在早期運(yùn)行階段,健康指標(biāo)通常保持在較低水平,且波動(dòng)很小。當(dāng)軸承開始退化時(shí),隨著振動(dòng)的加劇,健康指標(biāo)會(huì)顯著增加。結(jié)果表明,所提出的健康指標(biāo)非常適合用于監(jiān)測(cè)機(jī)械的健康狀況,并且相應(yīng)的FPT能夠很好地指示退化時(shí)間。

(a) 軸承A2-1

(b) 軸承A2-2圖7 XJTU-SY數(shù)據(jù)集的首次預(yù)測(cè)時(shí)間和健康指標(biāo)

(a) 軸承A2-1

(b) 軸承A2-1圖8 PHM 2012數(shù)據(jù)集的首次預(yù)測(cè)時(shí)間和健康指標(biāo)

應(yīng)該指出的是,所提出的健康指標(biāo)是使用特征提取器模塊構(gòu)建的,該模塊也將在隨后的階段2中使用。因此,階段1所學(xué)的知識(shí)不僅支持FPT確定,而且對(duì)RUL預(yù)測(cè)有利。

3.3.2RUL預(yù)測(cè)結(jié)果

下面分析在測(cè)試軸承的退化狀態(tài)下的RUL預(yù)測(cè)結(jié)果。圖9顯示了兩個(gè)數(shù)據(jù)集中的四個(gè)預(yù)測(cè)實(shí)例?？梢钥闯?本文方法能夠準(zhǔn)確預(yù)測(cè)在不同情況下軸承的剩余使用壽命。有效地捕獲了一般的退化模式,并且預(yù)測(cè)誤差很小,尤其是在后期運(yùn)行期間。這在實(shí)際行業(yè)中對(duì)于后期維護(hù)至關(guān)重要。

(c) 軸承B1-1

(d) 軸承B2-7圖9 四個(gè)測(cè)試軸承的剩余使用壽命預(yù)測(cè)

3.3.3特征可視化

本節(jié)將可視化分析所提出的網(wǎng)絡(luò)模型學(xué)習(xí)表示,以顯示特征學(xué)習(xí)的結(jié)果。具體而言,研究了特征提取器學(xué)習(xí)到的表示,并使用t-SNE方法將高維數(shù)據(jù)轉(zhuǎn)換為二維以進(jìn)行可視化。

圖10顯示了兩個(gè)RUL預(yù)測(cè)情況的可視化結(jié)果,分別測(cè)試了軸承A2-2和A2-3。可以看出,使用提出的數(shù)據(jù)對(duì)齊方法,將健康狀態(tài)下的訓(xùn)練和測(cè)試數(shù)據(jù)投影到學(xué)習(xí)的子空間的相同區(qū)域中,并且訓(xùn)練軸承的退化數(shù)據(jù)也實(shí)現(xiàn)了良好的聚類性能。盡管在模型訓(xùn)練期間沒有測(cè)試退化數(shù)據(jù),但是它們也被投影到與訓(xùn)練退化數(shù)據(jù)相似的區(qū)域中。這樣,獲得了較好的數(shù)據(jù)對(duì)齊效果,有助于新測(cè)試軸承的預(yù)測(cè)知識(shí)概括。

(a) 測(cè)試軸承A2-2

(b) 測(cè)試軸承A2-3圖10 兩種預(yù)測(cè)情況下學(xué)習(xí)數(shù)據(jù)表示的可視化

此外,在可視化中只能觀察到有限數(shù)量的數(shù)據(jù)未對(duì)齊。一些退化數(shù)據(jù)樣本被投影到健康狀態(tài)數(shù)據(jù)區(qū)域中。但是通過樣本跟蹤,可以發(fā)現(xiàn)未對(duì)齊樣本的RUL標(biāo)簽通常接近100%,這表明它們與健康狀態(tài)數(shù)據(jù)本質(zhì)上相似。因此,未對(duì)齊仍然符合實(shí)際的退化方案。

4 結(jié) 語

針對(duì)傳統(tǒng)智能數(shù)據(jù)驅(qū)動(dòng)軸承剩余壽命預(yù)測(cè)中存在的首次預(yù)測(cè)時(shí)間確定難度大以及模型泛化能力差等問題,提出一種基于數(shù)據(jù)對(duì)齊的生成性對(duì)抗網(wǎng)絡(luò)軸承剩余壽命預(yù)測(cè)方法?；趦蓚€(gè)軸承退化實(shí)驗(yàn)分析可得如下結(jié)論:

(1) 首次預(yù)測(cè)時(shí)間的精確定位會(huì)提升最終的剩余壽命預(yù)測(cè)精度,進(jìn)一步說明了首次預(yù)測(cè)時(shí)間的重要性。

(2) 數(shù)據(jù)對(duì)齊的引入不僅有利于提升預(yù)測(cè)性能,而且提高了預(yù)測(cè)模型的泛化能力,使得模型能夠充分利用各種類型的實(shí)驗(yàn)數(shù)據(jù),對(duì)數(shù)據(jù)實(shí)現(xiàn)了良好的聚類性能。

(3) 本文方法能夠有效地反映退化過程,并較好地實(shí)現(xiàn)軸承的剩余壽命預(yù)測(cè),該模型可以很好地推廣到測(cè)試數(shù)據(jù),提升了方法的泛化性能。