编辑推荐：
在工业场景中，准确的剩余使用寿命（RUL）预测对设备维护至关重要。现有深度学习驱动的 RUL 预测多依赖大量故障数据，实际难以满足。研究人员提出 SeqBAST 模型，在多轴承和发动机数据上验证有效，为 RUL 预测提供新方法，助力工业设备维护决策。
在工业领域，设备就像工厂的 “心脏”，它们的稳定运行直接关乎生产效率和安全。然而，长期运行的设备不可避免地会出现退化，就像人的身体会随着时间衰老一样。这不仅会降低生产效率，还可能引发严重事故。于是，设备的预后和健康管理（PHM）系统应运而生，它就像设备的 “保健医生”，利用传感器数据和维护记录等资源，为高端设备的运维提供服务。而在这个系统中，剩余使用寿命（RUL）的准确估计无疑是重中之重，它就像给设备的 “健康状况” 定了一个量化指标，能为维护人员提供决策依据，帮助他们提前规划维护工作，避免设备 “带病上岗”，从而提高设备可靠性、保障系统安全，还能降低经济成本。
早期，数据驱动的 RUL 预测方法主要分为统计方法和人工智能方法。统计方法试图通过分析历史数据建立设备退化模型，再借助粒子滤波（PF）或卡尔曼滤波（KF）等技术更新模型参数。但这种方法依赖明确的退化假设，RUL 估计结果受初始参数设置影响大，面对复杂的非线性退化过程时往往力不从心。人工智能方法则以深度学习（DL）为代表，卷积神经网络（CNN）、循环神经网络（RNN）、Transformer、图神经网络（GNNs）等模型纷纷登场，它们能直接建立观测信号与 RUL 标签之间的映射关系，还能通过各种网络融合策略处理复杂信号，在公共数据集上表现出色。然而，这类基于模式识别的回归预测方法有个致命弱点，就是训练模型时需要大量的故障运行数据。可在实际工业环境中，让设备带着故障运行风险巨大，而且不同设备由于制造差异、工作条件和服务环境不同，退化过程也不一致。一旦测试数据中的退化轨迹在训练数据中没出现过，模型的预测效果就会大打折扣，甚至得出不可靠的结果。
为了解决这些问题，研究人员另辟蹊径，开始采用自数据驱动的方法预测 RUL。这种方法不再依赖多组故障运行数据，而是利用已知的退化数据预测未来趋势，当预测的退化轨迹达到设定的故障阈值时，就能确定 RUL。在锂电池健康预测领域，自数据驱动方法取得了不错的效果，可对于机械设备来说，其退化过程波动大、缺乏统一故障阈值，预测难度更高。尽管已有不少针对复杂退化行为的建模策略，但仍存在误差积累、趋势建模不明确、无法量化预测不确定性等问题。
在这样的背景下，国内的研究人员（Yasong Li 等人）开展了一项旨在解决工业场景中 RUL 预测难题的研究。他们提出了一种名为序列到序列网络（seq2seq）结合贝叶斯注意力和状态转移（SeqBAST）的模型用于自数据驱动的 RUL 预测。研究人员通过一系列实验，在多个轴承和发动机单元的数据上进行验证，结果表明 SeqBAST 模型表现出色，有效解决了现有方法的部分不足，为 RUL 预测提供了更可靠的方案。该研究成果发表在《Expert Systems with Applications》上，为工业设备的维护决策提供了重要参考，推动了工业设备健康管理领域的发展。
研究人员在构建 SeqBAST 模型时，运用了多种关键技术方法。首先，他们将原始数据分解为波动分量和趋势分量，分别输入不同网络进行特征提取，波动分量进入简单线性网络，趋势分量则进入编码器 - 解码器框架。其次，在网络中设计了贝叶斯注意力模块（BAM），利用稀疏狄利克雷分布作为先验分布约束注意力权重，让网络能自适应聚焦关键时间步。另外，还构建了状态转移模块（STM），放在解码器输出之后，增强对非线性退化趋势的学习能力。通过这些模块的协同工作，SeqBAST 实现了对 RUL 的有效预测。
实验设计与结果
- 数据集选择：研究选用了美国国家航空航天局（NASA）存储库中的 C - MAPSS 数据集进行验证，该数据集包含 FD001 至 FD004 四个子数据集，每个子数据集又分为训练集和测试集，数据来自多个发动机单元（EUs）。考虑到 SeqBAST 是自数据驱动的模型，实验从 EUs 中选取了部分子集进行研究。
- 模型性能评估：通过实验，SeqBAST 模型展现出良好的性能。作为多步预测模型，它有效缓解了单步预测带来的误差积累问题，能够从历史监测数据中准确预测设备的退化趋势。例如，在预测发动机单元的退化趋势时，SeqBAST 能根据前期的监测数据，较为精准地推断出后续的变化情况。同时，模型通过 BAM 和 STM 模块，增强了对复杂退化过程中依赖关系的捕捉能力。BAM 使得模型能够灵活关注重要时间步，STM 则能更好地刻画非线性退化趋势的动态变化。此外，SeqBAST 还构建了不确定性分解和量化策略，输出 RUL 预测结果的概率分布，为维护人员提供了更具可信度的决策依据。在面对不同的测试数据时，模型能综合考虑随机不确定性和认知不确定性，给出更全面、可靠的预测。
- 辅助损失项的作用：针对退化趋势不明显的场景，研究人员提出了可选的辅助外推（AUE）损失项。实验表明，这一损失项有效提升了模型的外推能力，使模型在复杂情况下也能更好地预测未来趋势，进一步增强了 SeqBAST 的实用性。
研究结论与讨论
SeqBAST 模型为工业场景中因故障运行数据稀缺导致的 RUL 预测难题提供了切实可行的解决方案。它通过独特的模块设计，有效解决了现有自数据驱动 RUL 预测方法存在的误差积累、趋势建模不足和无法量化预测不确定性等问题。实验结果充分验证了该模型在不同机械系统中的有效性和模块的不可或缺性。不过，由于自数据驱动范式本身存在数据稀缺问题，SeqBAST 的应用存在一定局限性，它要求机械系统在应用前已呈现一定程度的退化趋势。但总体而言，SeqBAST 模型为工业设备的预测性维护提供了新的思路和方法，有助于提高设备的可靠性和安全性，降低维护成本，在工业领域具有重要的应用价值和推广潜力。它推动了设备健康管理领域的发展，让工业设备的 “保健” 工作更科学、更高效。
