基于两阶段混合状态空间模型的旋转机械在时变运行条件下的自数据驱动剩余使用寿命预测

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Self-data-driven remaining useful life prediction of rotating machinery under time-varying operating conditions based on a two-stage hybrid state-space model

本文针对旋转机械在时变工况下剩余寿命预测难题，提出了一种两阶段混合状态空间模型（HSSM）。该方法通过融合状态空间模型的动态建模能力与神经网络的非线性拟合能力，创新性地将时变工况信息嵌入动态退化过程描述中，有效分离工况与系统状态耦合影响。同时设计交替参数更新策略实现实时退化跟踪，结合自适应退化模型选择机制解决历史失效数据不足问题，并构建了集成异常检测与寿命预测的完整解决方案。仿真与实验验证表明该方法在复杂工况下具有优异的预测性能。

　　在现代工业中，旋转机械（Rotating Machinery, RM）如轴承和齿轮作为关键组件，其健康状态直接影响设备的安全和稳定运行。然而，这些设备往往在复杂且多变的工况下工作，例如高温、交替载荷和变化的转速，使得故障不可避免。因此，实施有效的预测性维护（Predictive Maintenance, PM）和健康状态管理（Prognostics and Health Management, PHM）对于旋转机械至关重要。其中，剩余使用寿命（Remaining Useful Life, RUL）预测作为PHM技术的核心部分，近年来受到了广泛关注。准确的RUL预测不仅有助于评估设备的健康状况，还能优化维护计划，从而有效降低维护成本并实现系统化的预测性维护。

随着智能传感器的发展和广泛应用，工业进入了大数据时代。旋转机械的退化趋势可以通过传感器捕捉，并以特定的数据形式呈现，如振动信号、温度数据等。由于振动信号具有高灵敏度和丰富的信息内容，结合先进的信号处理技术，基于振动信号的RUL预测方法逐渐成为主流。然而，当前大多数RUL预测方法仍然依赖于历史故障数据进行模型训练或参数估计，这在实际工业应用中面临诸多挑战。一方面，为了防止严重事故的发生，许多设备的故障数据难以获取，导致模型训练时数据不足；另一方面，这些方法通常假设设备在恒定工况下运行，而实际上，旋转机械经常在时变工况（Time-Varying Operating Conditions, TVOCs）下工作，这种变化不仅影响系统响应信号，还可能干扰RUL预测的准确性。

为了解决这些挑战，本文提出了一种自数据驱动的RUL预测方法，适用于时变工况下的旋转机械。该方法结合了状态空间模型的动态建模能力和神经网络的非线性拟合能力，构建了一个两阶段混合状态空间模型（Hybrid State-Space Model, HSSM）。通过将时变工况信息引入旋转机械的动态退化过程，该模型能够更准确地描述工况、系统状态与响应信号之间的功能关系，从而实现对工况和系统状态的分离。此外，该方法还引入了交替参数更新策略，基于扩展卡尔曼滤波算法和系统自生成的监测数据，实现对系统状态的实时估计，使旋转机械的退化过程得以动态跟踪。同时，通过自适应模型选择策略，该方法能够在不同工况下动态识别最优的退化模型，从而提升预测的泛化能力和灵活性。

在实际工业应用中，旋转机械的故障时间（First Degradation Time, FDT）通常难以直接确定，尤其是在时变工况的影响下。因此，如何自动检测FDT成为RUL预测的关键问题之一。同时，如何根据设备自身的退化数据选择最合适的退化模型也是提升预测精度的重要因素。本文提出的方法通过自数据驱动的方式，直接利用系统生成的监测数据进行RUL预测，从而克服了传统方法对历史故障数据的依赖。此外，该方法还提供了一个集成的解决方案，用于同时进行异常检测和RUL预测，这在时变工况下尤为重要。

本文的研究成果基于模拟和实验的双重验证。在模拟部分，我们构建了四种具有代表性的退化场景，基于表1中列出的退化模型进行仿真。这些模型广泛应用于预测性维护文献中，用于描述旋转机械关键部件如轴承和齿轮的典型退化模式。本文主要关注时变转速对退化过程的影响，并设计了相应的转速配置。在实验部分，我们进一步通过加速退化试验验证了所提出方法的有效性和优越性。实验中，旋转机械在多种类型的时变工况下运行，通过监测其振动信号等响应数据，评估RUL预测的准确性。

本文的主要贡献可以归纳为以下几个方面：首先，通过将状态空间模型的动态建模能力与神经网络的非线性拟合能力相结合，提出了一种两阶段混合状态空间模型，创新性地将时变工况信息引入旋转机械的动态退化过程，从而更准确地描述工况、系统状态与响应信号之间的关系；其次，基于两阶段混合状态空间模型，提出了一种自数据驱动的RUL预测方法，该方法不需要依赖历史故障数据，而是直接利用系统自身的监测数据进行预测，提升了方法的灵活性和适用性；第三，该方法提供了一个集成的解决方案，用于同时进行异常检测和RUL预测，这在时变工况下具有重要意义；第四，通过模拟和实验研究的双重验证，证明了该方法在时变工况下的有效性和优越性。

在实际工业应用中，由于时变工况和系统状态的耦合作用，旋转机械的响应信号不再仅仅由系统状态决定，而是受到工况和系统状态的共同影响。这种耦合效应使得基于振动信号的RUL预测面临新的挑战。同时，历史故障数据的缺乏也限制了现有RUL预测方法在工业中的应用。本文提出的方法通过引入自数据驱动的理念，克服了这些限制，使得RUL预测能够在缺乏历史故障数据的情况下实现。此外，该方法还能够动态适应不同的退化模式，从而提升预测的准确性。

在构建两阶段混合状态空间模型时，我们首先基于控制理论中的时变响应系统，将工况信息引入到旋转机械的动态退化过程中。通过将工况、系统状态与响应信号之间的关系建模为一个动态过程，该模型能够更全面地反映旋转机械在不同阶段的退化特性。随后，我们利用神经网络的非线性映射能力对模型参数进行参数化，使得模型能够更灵活地适应不同的工况变化。通过交替参数更新策略，我们能够在模型中实现对系统状态的实时估计，从而对旋转机械的退化过程进行动态跟踪。

在自数据驱动的RUL预测方法中，我们通过模型自适应选择策略，使得系统能够在不同工况下动态识别最优的退化模型。这种策略不仅提升了预测的准确性，还增强了方法的灵活性和可扩展性。此外，该方法还提供了一个集成的解决方案，用于同时进行异常检测和RUL预测。通过结合监测数据和模型参数，我们能够在旋转机械运行过程中及时发现异常，从而为RUL预测提供更准确的依据。

本文的研究还发现，传统的RUL预测方法在处理时变工况下的退化过程时存在一定的局限性。例如，许多方法假设设备在恒定工况下运行，而实际上，时变工况下的退化过程更加复杂，需要更灵活的模型来描述。此外，由于历史故障数据的缺乏，许多方法在模型训练和参数估计过程中面临困难。本文提出的方法通过引入自数据驱动的理念，使得RUL预测能够在缺乏历史故障数据的情况下实现，同时还能动态适应不同的工况变化。

在模拟和实验研究中，我们验证了该方法的有效性。通过构建四种代表性的退化场景，我们模拟了旋转机械在不同工况下的退化过程，并利用监测数据进行RUL预测。实验部分，我们通过加速退化试验验证了该方法在时变工况下的适用性。实验中，旋转机械在多种类型的时变工况下运行，通过监测其振动信号等响应数据，评估RUL预测的准确性。实验结果表明，本文提出的方法在处理时变工况下的退化过程时，相较于传统方法具有更高的预测精度和更强的适应能力。

此外，本文的研究还强调了异常检测在RUL预测中的重要性。在时变工况下，旋转机械的退化过程可能受到多种因素的影响，包括制造缺陷、工况变化等。因此，如何及时发现异常成为RUL预测的关键环节。本文提出的方法通过结合监测数据和模型参数，能够在旋转机械运行过程中及时识别异常，从而为RUL预测提供更准确的依据。这种集成的解决方案不仅提升了RUL预测的准确性，还增强了设备维护的及时性和有效性。

综上所述，本文提出了一种自数据驱动的RUL预测方法，适用于时变工况下的旋转机械。该方法通过将工况信息引入到动态退化过程，构建了一个两阶段混合状态空间模型，从而能够更准确地描述工况、系统状态与响应信号之间的关系。通过交替参数更新策略和模型自适应选择策略，该方法能够在缺乏历史故障数据的情况下实现对系统状态的实时估计，并动态识别最优的退化模型。同时，该方法还提供了一个集成的解决方案，用于同时进行异常检测和RUL预测，从而提升了设备维护的及时性和有效性。本文的研究成果不仅为旋转机械的RUL预测提供了新的思路，还为工业中的预测性维护技术发展做出了贡献。