基于深度學(xué)習(xí)的機(jī)械設(shè)備使用壽命預(yù)測(cè)方法研究

馮建智 林藝斌

（1．漳州理工職業(yè)學(xué)院，福建 漳州 363007；2．廈門中軟卓越教育科技有限公司，福建 廈門 361024）

進(jìn)入新世紀(jì)以來，隨著科學(xué)技術(shù)的不斷發(fā)展，人們對(duì)產(chǎn)品的制造精度和質(zhì)量也有了更高要求，這就導(dǎo)致了機(jī)械設(shè)備逐漸向著復(fù)雜化、精密化的方向發(fā)展。這種發(fā)展模式雖然在很大程度上提升了產(chǎn)品制造的品質(zhì)和效率，但同時(shí)也帶來了成本投入過高、資源浪費(fèi)等問題，尤其是在機(jī)械設(shè)備長(zhǎng)期運(yùn)行過程中，隨著設(shè)備性能的退化，導(dǎo)致出現(xiàn)停機(jī)或者故障的概率有較大增加，為企業(yè)的正常運(yùn)行帶來了較大風(fēng)險(xiǎn)。為了有效應(yīng)對(duì)機(jī)械設(shè)備因長(zhǎng)期運(yùn)轉(zhuǎn)而出現(xiàn)的該問題，我國(guó)提出了“中國(guó)制造2025”發(fā)展規(guī)劃，德國(guó)也提出了“工業(yè)4.0 戰(zhàn)略”。在這種大的發(fā)展背景下，針對(duì)機(jī)械設(shè)備預(yù)測(cè)性維護(hù)的研究逐漸增多。

設(shè)備預(yù)測(cè)與健康管理（PHM）作為目前出現(xiàn)的一種機(jī)械設(shè)備綜合評(píng)價(jià)技術(shù)手段，不僅能夠?qū)崿F(xiàn)對(duì)設(shè)備運(yùn)行的精準(zhǔn)監(jiān)控，同時(shí)還能夠?yàn)闄C(jī)械設(shè)備的保養(yǎng)維護(hù)提供科學(xué)的數(shù)據(jù)支撐，進(jìn)而降低設(shè)備的運(yùn)行維護(hù)成本，提升企業(yè)生產(chǎn)效益。而剩余使用壽命（RUL）則是一種對(duì)設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行采集、分析來預(yù)測(cè)剩余壽命的技術(shù)，精準(zhǔn)的RUL 可以有效降低機(jī)械設(shè)備的停機(jī)時(shí)間，因此被廣泛應(yīng)用于各個(gè)行業(yè)的設(shè)備使用壽命預(yù)測(cè)。例如在對(duì)飛機(jī)渦輪發(fā)動(dòng)機(jī)進(jìn)行維護(hù)保養(yǎng)的過程中引入了RUL 檢測(cè)技術(shù)，并根據(jù)檢測(cè)結(jié)果來對(duì)發(fā)動(dòng)機(jī)進(jìn)行有針對(duì)性的維護(hù)，如此可以有效確保飛行器的飛行安全。由此可以看出，針對(duì)RUL 預(yù)測(cè)進(jìn)行研究對(duì)降低設(shè)備運(yùn)行成本、確保機(jī)械設(shè)備的安全運(yùn)行具有十分重要的現(xiàn)實(shí)意義。

1 深度學(xué)習(xí)算法概述

在機(jī)械設(shè)備剩余使用壽命預(yù)測(cè)研究方面，卷積神經(jīng)網(wǎng)絡(luò)因其具有強(qiáng)大的特征提取功能而成了一個(gè)常用的處理方法。而對(duì)機(jī)械設(shè)備數(shù)據(jù)進(jìn)行建模時(shí)，得益于強(qiáng)大的時(shí)間序列建模能力，目前長(zhǎng)短期記憶網(wǎng)絡(luò)被廣泛應(yīng)用于機(jī)械設(shè)備剩余壽命的研究中。

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種機(jī)器學(xué)習(xí)領(lǐng)域內(nèi)的重要算法，其主要由多個(gè)模擬人類神經(jīng)結(jié)構(gòu)的神經(jīng)元組成。一般情況下，卷積神經(jīng)網(wǎng)絡(luò)主要分為輸入層、隱藏層以及輸出層3 個(gè)部分，其中隱藏層由包括卷積層、池化層以及全連接層[1]。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由圖1 可以看出，輸入層主要負(fù)責(zé)將數(shù)據(jù)信息傳送至隱藏層中，而隱藏層則會(huì)通過一系列計(jì)算來提取數(shù)據(jù)中的特征信息，并在輸出層中輸出最終的計(jì)算結(jié)果。

在卷積神經(jīng)網(wǎng)絡(luò)中，輸入機(jī)械設(shè)備的相關(guān)數(shù)據(jù)，在卷積層中，卷積核會(huì)對(duì)該數(shù)據(jù)進(jìn)行計(jì)算，并提取出數(shù)據(jù)信息中所隱含的特征，該文將其稱之為特征圖，如公式（1）所示。

式中：x為輸入的數(shù)據(jù)信息；w為卷積核；b為偏置；f為激活函數(shù)。

1.2 長(zhǎng)短期記憶網(wǎng)絡(luò)

長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）是在循環(huán)神經(jīng)網(wǎng)絡(luò)模型算法的基礎(chǔ)上發(fā)展而來的，是一種具有記憶功能的神經(jīng)網(wǎng)絡(luò)模型，不僅能夠?qū)崿F(xiàn)對(duì)數(shù)據(jù)短期和長(zhǎng)期信息的選擇保存，還能夠?qū)?shù)據(jù)之間的關(guān)系分析，做出時(shí)間序列上的精準(zhǔn)預(yù)測(cè)[2]。考慮對(duì)機(jī)械設(shè)備數(shù)據(jù)采集應(yīng)用的是間隔式的機(jī)械傳感器，其對(duì)數(shù)據(jù)信息的傳送具有時(shí)序性，因此采用長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)機(jī)械設(shè)備剩余使用壽命進(jìn)行預(yù)測(cè)所得結(jié)果的可靠性要優(yōu)于循環(huán)神經(jīng)網(wǎng)絡(luò)算法和卷積神經(jīng)網(wǎng)絡(luò)算法。LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)

由圖2 可以看出，長(zhǎng)短期記憶網(wǎng)絡(luò)是由若干個(gè)記憶神經(jīng)元組成的，其網(wǎng)絡(luò)結(jié)構(gòu)中有輸出門、輸入門以及遺忘門3 個(gè)門控制單元，其中遺忘門主要負(fù)責(zé)對(duì)數(shù)據(jù)信息進(jìn)行保留或者丟棄處理。

2 基于B-LSTM 的機(jī)械設(shè)備剩余壽命預(yù)測(cè)模型

通過上文的分析可以看出，在機(jī)械設(shè)備剩余壽命預(yù)測(cè)中，采用LSTM 具有更好的預(yù)測(cè)結(jié)果，但LSTM 網(wǎng)絡(luò)在訓(xùn)練過程中也存在梯度消失的缺陷。而為了解決該問題，該文對(duì)LSTM 的注意力機(jī)制進(jìn)行了改進(jìn)，構(gòu)建了一種注意力改進(jìn)的雙向長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)模型（B-LSTM），實(shí)現(xiàn)了對(duì)機(jī)械設(shè)備剩余使用壽命的精準(zhǔn)預(yù)測(cè)[3]。該文構(gòu)建的注意力機(jī)制改進(jìn)的B-LSTM 模型的具體的結(jié)構(gòu)如圖3所示。

圖3 B-LSTM 預(yù)測(cè)模型

由圖3 可以看出，B-LSTM 預(yù)測(cè)模型主要是由特征提取模塊、網(wǎng)絡(luò)模塊和預(yù)測(cè)模塊3 個(gè)部分組成。其中，特征提取模塊主要依靠卷積神經(jīng)網(wǎng)絡(luò)所具有的卷積和池化作用來對(duì)所輸入的數(shù)據(jù)信息進(jìn)行時(shí)間序列處理，提取隱藏在數(shù)據(jù)信息中的特征。而網(wǎng)絡(luò)模塊則會(huì)以時(shí)間為軸，在正向和反向2 個(gè)維度對(duì)輸入的數(shù)據(jù)信息進(jìn)行建模，構(gòu)建一個(gè)雙向的長(zhǎng)短記憶網(wǎng)絡(luò)，并得到輸入數(shù)據(jù)信息之間的相互依賴關(guān)系。預(yù)測(cè)模塊則主要是由全連接組成，其能夠和構(gòu)建起來的雙向長(zhǎng)短記憶網(wǎng)絡(luò)進(jìn)行回歸處理，通過一系列計(jì)算來得到機(jī)械設(shè)備剩余使用壽命的預(yù)測(cè)結(jié)果，并利用誤差函數(shù)的計(jì)算對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行迭代更新，從而確保網(wǎng)絡(luò)模型時(shí)刻處于穩(wěn)定狀態(tài)。

3 模型求解

構(gòu)建B-LSTM 網(wǎng)絡(luò)模型之后，只有對(duì)所輸入的機(jī)械設(shè)備數(shù)據(jù)進(jìn)行算法求解，才能最終獲得機(jī)械設(shè)備剩余使用壽命的計(jì)算值。其具體的求解流程如下。

3.1 提取數(shù)據(jù)特征

考慮輸入至模型中的機(jī)械設(shè)備數(shù)據(jù)要遠(yuǎn)小于設(shè)備的生命周期數(shù)據(jù)，因此在對(duì)數(shù)據(jù)特征進(jìn)行提取之前還應(yīng)對(duì)其進(jìn)行歸一化處理，輸入的機(jī)械設(shè)備數(shù)據(jù)集設(shè)定為S=[Sh1，Sh2，...，ShN]，對(duì)其進(jìn)行歸一化處理，并得出對(duì)應(yīng)的計(jì)算結(jié)果，歸一化的數(shù)學(xué)表達(dá)式如公式（2）所示。

式中：Sij為第i次對(duì)信號(hào)數(shù)據(jù)進(jìn)行采集獲得的第j個(gè)數(shù)據(jù)；Simax為獲取的數(shù)據(jù)信息最大值；Simin為獲取的數(shù)據(jù)信息最小值。

在對(duì)所輸入的設(shè)備數(shù)據(jù)信息進(jìn)行歸一化處理后，還需要對(duì)歸一化值的特征進(jìn)行提取，再將計(jì)算得到的卷積結(jié)果進(jìn)行激勵(lì)函數(shù)運(yùn)算，輸入至池化層中進(jìn)行處理，得出機(jī)械設(shè)備數(shù)據(jù)的特征表示[4]。該文所使用的激勵(lì)函數(shù)為ReLu函數(shù)，如公式（3）所示。

經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)特征提取后，所輸入模型中的設(shè)備數(shù)據(jù)特征數(shù)據(jù)集為X=[x1，x2，...，xN]∈RM·N。

3.2 機(jī)械設(shè)備剩余使用壽命預(yù)測(cè)

注意力網(wǎng)絡(luò)模塊接收到數(shù)據(jù)特征后，會(huì)對(duì)該數(shù)據(jù)集進(jìn)行建模，并計(jì)算所有時(shí)刻對(duì)應(yīng)的注意力值。然后在RUL 預(yù)測(cè)模塊接收到來自網(wǎng)絡(luò)模塊的注意力值后，其會(huì)自動(dòng)進(jìn)行計(jì)算并預(yù)測(cè)注意力機(jī)制[5]。預(yù)測(cè)模塊計(jì)算得到的注意力值會(huì)對(duì)應(yīng)至全連接層中的輸出值，如公式（4）所示。

式中：Oi為模型中全連接層的輸出值；Θfc為模型全連接層中的參數(shù)；Wi為全連接層所對(duì)應(yīng)的權(quán)值；bi則為全連接層所對(duì)應(yīng)的偏置。

計(jì)算出注意力值所對(duì)應(yīng)的全連接層輸出值后，再對(duì)其進(jìn)行線性回歸，得出機(jī)械設(shè)備剩余壽命的預(yù)測(cè)數(shù)據(jù)，如公式（5）所示。

4 模型訓(xùn)練

針對(duì)模型進(jìn)行訓(xùn)練的效率和該模型的神經(jīng)元數(shù)量、隱藏層數(shù)量以及迭代次數(shù)等因素都有直接的關(guān)系，如果選擇不合適的模型因素，不僅會(huì)降低模型訓(xùn)練的速度，還會(huì)降低模型機(jī)械設(shè)備壽命預(yù)測(cè)的精準(zhǔn)度。因此，為了提升預(yù)測(cè)準(zhǔn)確率，該文引入了adam optimizer 來對(duì)構(gòu)建的B-LSTM 網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

針對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的學(xué)習(xí)策略主要分為固定學(xué)習(xí)率和自適應(yīng)學(xué)習(xí)率2 種。通常為了更好地對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，會(huì)采取提升網(wǎng)絡(luò)訓(xùn)練速度或者模型預(yù)測(cè)精準(zhǔn)度的方法來避免出現(xiàn)模型過擬合的問題[6]。結(jié)合該文構(gòu)建的B-LSTM 模型，該文采用了自適應(yīng)學(xué)習(xí)來對(duì)adam 算法進(jìn)行優(yōu)化，adam 優(yōu)化算法如公式（6）所示。

將adam optimizer 算法引入構(gòu)建的B-LSTM 神經(jīng)網(wǎng)絡(luò)模型中，可以有效避免因該網(wǎng)絡(luò)層數(shù)過多而出現(xiàn)的過擬合問題，并能夠提升網(wǎng)絡(luò)模型訓(xùn)練的速度。采用adam 優(yōu)化算法來對(duì)B-LMST 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的流程如下。

步驟1。對(duì)輸入的機(jī)械設(shè)備數(shù)據(jù)進(jìn)行歸一化處理。

步驟2。對(duì)雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值和偏置進(jìn)行初始化。

步驟3。對(duì)機(jī)械設(shè)備剩余使用壽命預(yù)測(cè)模型進(jìn)行訓(xùn)練。在此設(shè)定網(wǎng)絡(luò)迭代次數(shù)為N，訓(xùn)練停止的誤差值為a，訓(xùn)練次數(shù)為epochs，并設(shè)定網(wǎng)絡(luò)訓(xùn)練的初始值為100，訓(xùn)練樣本數(shù)為batch。設(shè)定外層循環(huán)在迭代次數(shù)高于訓(xùn)練次數(shù)或者網(wǎng)絡(luò)損失函數(shù)值小于停止誤差時(shí)終止。設(shè)定內(nèi)層循環(huán)在運(yùn)行完循環(huán)次數(shù)后停止。其中內(nèi)層循環(huán)如下：將經(jīng)過處理的數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)中，得到機(jī)械設(shè)備數(shù)據(jù)信息的輸入特征，然后采用該特征來表示輸入B-LSTM 神經(jīng)網(wǎng)絡(luò)中數(shù)據(jù)特征所對(duì)應(yīng)的隱藏向量，利用注意力機(jī)制計(jì)算出隱藏向量所對(duì)應(yīng)的注意力權(quán)值，再對(duì)注意力權(quán)值和隱藏向量進(jìn)行加權(quán)并求出加權(quán)值，將其輸入B-LSTM 神經(jīng)網(wǎng)絡(luò)模型中的全連接層。經(jīng)過全連接層的計(jì)算得出最終的機(jī)械設(shè)備剩余使用壽命預(yù)測(cè)值[7]。在B-LSTM 網(wǎng)絡(luò)中引入dropout，將其初始值設(shè)定為0.2，在進(jìn)行網(wǎng)絡(luò)訓(xùn)練過程中，通過修改dropout 來選出剩余壽命預(yù)測(cè)準(zhǔn)確率最高的數(shù)據(jù)。對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行更新時(shí)，采用adam optimizer 優(yōu)化算法來更新網(wǎng)絡(luò)參數(shù)。

步驟4。通過上述的訓(xùn)練最終得出網(wǎng)絡(luò)模型Model。

5 結(jié)語

綜上所述，隨著工業(yè)4.0 時(shí)代的到來，在現(xiàn)代化科學(xué)技術(shù)加持下的工業(yè)生產(chǎn)制造愈發(fā)精密和復(fù)雜，雖然這從整體上提升了工業(yè)生產(chǎn)的質(zhì)量和效率，但在機(jī)械設(shè)備長(zhǎng)時(shí)間運(yùn)行過程中也較大地提升了出現(xiàn)故障的概率。為了能夠降低對(duì)復(fù)雜機(jī)械設(shè)備進(jìn)行維護(hù)的成本和出現(xiàn)故障的概率，設(shè)備的預(yù)測(cè)性維護(hù)和健康管理發(fā)揮了十分重要的作用。該文采用B-LSTM 神經(jīng)網(wǎng)絡(luò)構(gòu)建起的機(jī)械設(shè)備剩余使用壽命預(yù)測(cè)模型，可以實(shí)現(xiàn)對(duì)機(jī)械設(shè)備使用壽命的精準(zhǔn)預(yù)測(cè)，為設(shè)備的維護(hù)保養(yǎng)提供了科學(xué)的決策依據(jù)。