FBSTFnet：一种用于预测机器剩余使用寿命的全频带时空融合网络

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：FBSTFnet: A full-band spatiotemporal fusion network for machine remaining useful life prediction

提出全频带时空融合网络（FBSTFnet），通过频域增强、轻量级时空融合与记忆补偿模块，解决多传感器RUL预测中的频偏、计算冗余及长时序连贯性问题。

　　在现代工业系统中，设备的健康状态监测与剩余使用寿命（Remaining Useful Life, RUL）预测已成为保障生产效率和降低维护成本的关键技术。RUL预测不仅有助于在设备发生严重故障前采取预防性维护措施，还能有效避免因突发性故障导致的生产中断和经济损失。随着工业设备复杂性的增加，传统的维护策略已难以满足实时性、准确性和高效性的需求，因此，基于数据驱动的方法，尤其是深度学习技术，被广泛应用于RUL预测领域。

目前，RUL预测方法主要分为模型驱动和数据驱动两大类。模型驱动方法依赖于对设备退化机制的深入理解，通过构建物理模型来模拟设备状态的变化。然而，随着设备设计的日益复杂，这些模型的构建和维护变得愈发困难。相比之下，数据驱动方法利用大量传感器数据进行训练，能够自动提取设备退化特征。这类方法通常包括支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）等传统机器学习技术，但它们在特征提取和准确映射方面存在一定的局限性。此外，基于手工特征工程的方法虽然在某些场景下表现良好，但其依赖于领域专家的经验，且难以在大规模系统中推广。

近年来，深度学习技术在RUL预测中取得了显著进展。深度学习能够通过端到端的学习方式，直接从原始数据中提取多尺度的时序特征，并建模传感器之间的依赖关系，无需手动设计特征。特别是，基于注意力机制的时空融合方法，通过增强模型对关键退化阶段的关注，显著提高了预测的准确性。例如，一些研究将注意力机制与循环神经网络（RNN）、长短期记忆网络（LSTM）以及图神经网络（GNN）相结合，以捕捉设备状态变化中的复杂模式。然而，尽管这些方法在性能上有所提升，它们仍面临诸多挑战，如计算成本高、模型结构复杂、难以处理非平稳退化信号等。

在实际应用中，设备运行环境往往是动态变化的，这使得传统的RUL预测方法难以适应。此外，传感器数据通常具有多模态、多频率和多通道的特性，而现有的方法往往只关注部分频率带的信息，忽略了其他频率带中可能蕴含的重要退化信号。例如，许多基于挤压和激励（squeeze-and-excitation）机制的模型主要提取低频特征，这可能导致对设备在晚期退化阶段的特征感知不足。同时，图神经网络（GNN）虽然能够建模传感器之间的空间关系，但在处理时间变化的图结构时仍面临诸多挑战，如动态边权重设计、拓扑漂移敏感性等。

为了解决上述问题，本文提出了一种全新的全频带时空融合网络（Full-Band Spatiotemporal Fusion Network, FBSTFnet）。该网络通过四个核心创新模块，实现了对多源传感器信号的高效处理和准确的RUL预测。首先，FBLIF（全频带局部交互特征）机制通过离散余弦变换（DCT）进行频谱变换，增强了多频率特征的表示能力，从而避免了传统低通滤波器对中高频信息的抑制。其次，网络采用了一种混合架构，将门控循环单元（GRU）与一维卷积（Conv1D）相结合，以同时捕捉时序动态和跨传感器依赖关系，提高了特征提取的效率。第三，EPSA（易-ProbSparse自注意力）模块通过减少冗余交互，同时确保有效的时空融合，降低了计算成本，提升了模型的运行效率。最后，MELFC（记忆增强的局部特征补偿）模块通过强化记忆机制和补偿局部特征，恢复了长期时序连续性，进一步提升了模型的预测精度和稳定性。

FBSTFnet的设计目标是解决现有方法在频谱表示、计算效率和时序连续性方面的不足。通过引入全频带处理机制，该网络能够更全面地捕捉设备退化过程中的关键信息，特别是在晚期退化阶段的中高频特征。同时，混合架构的设计使得模型能够在保持高效的同时，实现对复杂时空模式的准确建模。EPSA模块的引入有效降低了模型的计算负担，使得FBSTFnet在实际部署中更具可行性。而MELFC模块则通过记忆增强和局部特征补偿，确保了模型在处理非平稳信号时仍能保持良好的时序连续性。

为了验证FBSTFnet的有效性，本文在两个基准数据集上进行了实验。实验结果表明，FBSTFnet在保持模型轻量化的同时，实现了较高的RUL预测精度。与现有的深度学习方法相比，该网络在计算效率和预测准确性方面均表现出优势。此外，通过参数设置分析和消融实验，进一步验证了各模块对模型性能的贡献。结果表明，FBLIF机制在提升模型对中高频特征的捕捉能力方面起到了关键作用，而EPSA和MELFC模块则有效降低了计算成本并增强了模型的鲁棒性。

在实验验证部分，本文还对比了多种最先进的RUL预测方法，包括基于Transformer、LSTM、CNN和GNN的模型。实验结果显示，FBSTFnet在多个指标上均优于这些方法，尤其是在处理非平稳信号和多源传感器数据时表现更为突出。此外，通过可视化分析，进一步揭示了模型在特征提取和时空融合过程中的工作机制，为后续研究提供了理论支持。

综上所述，本文提出的FBSTFnet为多源传感器信号下的RUL预测提供了一种新的解决方案。该方法不仅克服了传统方法在频谱表示和计算效率方面的不足，还通过引入记忆增强和局部特征补偿机制，提升了模型在处理非平稳信号时的鲁棒性。实验结果表明，FBSTFnet在保持模型轻量化的同时，实现了较高的预测精度，为工业设备的健康管理和预测性维护提供了有力的技术支持。未来的研究可以进一步探索该方法在不同应用场景下的适应性，以及如何在更复杂的设备系统中实现更高效的RUL预测。