基于操作条件不变表示的机器健康状态监测与剩余寿命预测新方法

《Knowledge-Based Systems》：Operating Condition Invariant Representation Learning for Machine Prognostics

本文针对非平稳工况下机器健康监测数据中退化表征学习难题，提出操作条件不变表示（OCIR）框架。通过结合条件变分自编码器与信息最大化生成对抗网络，实现了退化动态与工况变化的解耦，显著提升了变工况条件下剩余寿命（RUL）预测精度。该方法在C-MAPSS数据集上验证了其有效性，为复杂工业场景下的 prognostics 提供了新思路。

　　

在现代工业系统中，准确预测关键设备的剩余使用寿命（RUL）对于实现预测性维护、避免灾难性故障和优化运营成本至关重要。然而，现实世界中的设备往往在多变而非平稳的操作条件下运行，例如不同的负载、转速或环境温度。这些变化会显著影响采集到的状态监测（CM）数据，使得从原始信号中直接提取能够真实反映设备内在退化状态的表征变得极具挑战性。传统的 prognostics 方法通常依赖于对操作条件的先验知识或假设其恒定，这在工况复杂多变的实际应用中受到很大限制。因此，如何从非平稳的CM序列中学习出对操作条件变化具有不变性的、纯净的退化表征，成为了当前机器健康管理领域一个亟待解决的核心问题。

为了应对这一挑战，发表在《Knowledge-Based Systems》上的这项研究提出了一种名为“操作条件不变表示”（OCIR）的创新性框架。该研究的核心目标是开发一种能够从受非平稳操作条件影响的原始CM数据中，自动学习并分离出与工况无关的、纯粹表征设备健康状态（即“不变表示”）的方法。研究人员巧妙地将条件变分自编码器（CondVAE）和信息最大化生成对抗网络（InfoGAN）的优势结合起来，并通过引入标准化流（Normalizing Flow）和循环一致性学习来增强框架的效能。

OCIR框架的核心思想是将观测到的CM序列X分解为两个独立的潜在因素：一个是不随操作条件变化的、表征设备内在退化过程的潜在变量z，另一个是专门捕捉操作条件变化的代码c。通过这种解耦，模型能够学习到一个纯净的退化表征空间，该空间对操作条件的变化具有不变性，从而为后续的RUL预测等任务提供了更可靠的基础。

在技术方法上，本研究主要集成了以下几个关键模块：1） 条件变分自编码器（CondVAE），用于从CM序列中推断不变表示z和操作条件代码c，并基于证据下界（ELBO）进行优化；2） 信息最大化生成对抗网络（InfoGAN），其生成器G利用从先验分布采样的z和c来合成CM序列，并通过辅助网络Q最大化生成序列与代码c之间的互信息，从而隐式地学习有意义的解耦表示；3） 标准化流（NF），用于增强潜在表示的灵活性，构建更结构化的先验空间；4） 循环一致性约束，通过强制编码器（f_E, f_C）和生成器（G）之间形成双向映射，确保学习到的表示具有一致性和可解释性。模型在著名的航空发动机CM数据集（C-MAPSS，包含FD001-FD004四个子集）上进行了训练和评估。

研究结果

学习到的不变表示可视化分析

通过主成分分析（PCA）对OCIR学习到的潜在表示进行可视化，结果显示其能够有效将不同操作条件下的CM数据投影到一个与工况无关的低维流形上，清晰地揭示了设备退化的内在轨迹。与无条件VAE（UNCON）和有条件VAE（CON，使用真实工况标签作为上限对比）基线模型相比，OCIR学习到的表示质量与CON模型高度接近，表明其在不依赖真实工况标签的情况下，成功实现了退化信息与工况信息的分离。

剩余寿命（RUL）预测性能

将OCIR学习到的不变表示用于训练一个简单的线性回归器进行RUL预测。在C-MAPSS所有四个子数据集上的实验结果表明，OCIR在均方根误差（RMSE）和特定的Score指标上均显著优于无条件基线模型（UNCON），并且在大多数情况下优于或接近依赖于真实操作参数的条件基线模型（CON）和基于数据标准化分区的基线模型（SP）。特别是在工况复杂的FD002和FD004数据集上，OCIR展现了强大的竞争力，证明了其从原始非平稳数据中直接学习有效退化表征的能力。

在合成数据上的解耦能力验证

为了进一步验证OCIR在复杂离散工况下的解耦能力，研究构建了一个合成数据集。结果表明，即使在不同操作条件的采样域高度重叠的挑战性场景下，OCIR中的编码器f_C和辅助网络Q仍然能够准确地将观测值分配到正确的工况类别中，其聚类纯度（ACC）、标准化互信息（NMI）和调整兰德指数（ARI）均显著高于传统的K-means算法和原始的InfoGAN模型，显示出OCIR框架在识别和分离工况因子方面的鲁棒性。

退化轨迹构建

利用训练好的OCIR模型，研究还展示了如何构建在固定操作条件下的、虚拟平稳的退化轨迹。通过将未来时间步的观测“站化”到一个固定的操作条件c?，模型能够预测出仅反映退化进程的未来序列，为 prognostics 提供了更具可解释性的数据级轨迹。

研究结论与意义

本研究提出的OCIR框架成功解决了从非平稳操作条件下的CM数据中学习不变退化表征这一关键难题。通过将CondVAE、InfoGAN、NF和循环一致性学习有机融合，OCIR能够在没有操作条件先验知识的情况下，自动解耦CM数据中的退化动态和工况变异。实验结果表明，该方法不仅能够学习到高质量的、对工况变化不变的健康状态表示，从而显著提升RUL预测的准确性，还具备构建清晰退化轨迹的能力。

该研究的重要意义在于：首先，它为实现“零”工况先验知识的智能 prognostics 提供了可行的技术路径，降低了模型对额外工况监测传感器的依赖，增强了其在真实工业环境中的适用性。其次，OCIR学习到的解耦表示增强了模型的可解释性，有助于工程师理解设备的退化过程。最后，该框架具有通用性，可扩展至其他面临类似域偏移问题的时序数据建模任务。这项工作为推进下一代自适应、强健的机器健康预测系统奠定了重要的理论基础。