动态规整算法在传感器数据重构中的创新应用及其对剩余使用寿命预测的优化研究

为解决工业设备预测性维护(PdM)中传感器数据重构精度不足的问题，研究人员提出基于动态时间规整(DTW)改进的动态规整(DW)算法，通过非时序运动剖面转换和重构误差建模，成功实现轴承故障前11小时的剩余使用寿命(RUL)预警。该研究由ASMPT新加坡公司提供半导体设备实测数据验证，为复杂工业系统健康监测提供了高效解决方案。

　　

在工业4.0时代，设备健康管理正面临严峻挑战。传统维护策略如故障后维修或定期检修存在明显缺陷：前者导致意外停机损失，后者造成资源浪费。国际标准化组织(ISO-15288)虽定义了系统生命周期标准，但如何精准预测剩余使用寿命(RUL)仍是行业痛点。半导体制造设备尤其典型，其核心部件如直接驱动旋转电机(DDR)的轴承磨损会引发连锁故障，而现有基于主成分分析(PCA)或长短期记忆自编码器(LSTM-AE)的方法在数据稀缺时表现欠佳。

ASMPT Singapore Pte. Ltd.（新加坡先进半导体装配技术公司）的研究团队创新性地将动态时间规整(Dynamic Time Warping, DTW)算法改造为动态规整(Dynamic Warping, DW)模型。该方法突破性地将时域传感器数据转换为非时序运动剖面，通过重构误差的中位数绝对偏差(MAD)监测系统异常，并建立指数模型预测RUL。研究成果发表在《Knowledge-Based Systems》上，为工业预测性维护提供了新范式。

关键技术包括：1) 将扭矩信号形成的玫瑰曲线(Rose Curve)转换为非时序运动剖面；2) 开发DW算法进行传感器数据重构；3) 采用MAD量化重构误差；4) 基于半导体设备真实运行数据验证。研究对比了奇异值分解(SVD)和LSTM-AE两种基线模型，所有数据来自水冷式DDR电机的轴承全寿命周期监测。

【Models for Reconstructing Sensor Data】
DW模型通过调整DTW算法的时空特性，实现对非时序运动剖面的对齐重构。相比需要大量训练数据的LSTM-AE，DW仅需少量数据即可建立基准模式，其重构稳定性优于SVD。

【Methodology】
提出"运动模式-剖面"转换框架：将含a个样本、s个传感器的时域数据M(a,s)转换为长度n的非时序剖面p，周期数据集合记为X(q,n)。重构误差经指数模型拟合后输出RUL估计值。

【Case Study】
基于半导体贴片机轴承故障数据验证：

• 数据特征：R/S相轴扭矩信号呈现周期性玫瑰曲线
• 故障机制：轴承磨损导致摩擦系数升高
• 预警效果：DW模型提前11小时触发警报，训练数据需求仅为LSTM-AE的1/10

【General Discussion】
DW模型展现出三大优势：1) 早期故障敏感度高，MAD误差曲线平滑度优于SVD 35%；2) 计算效率为LSTM-AE的7倍；3) 避免深度学习模型常见的过拟合问题。但非时序转换会丢失部分动态特征信息。

【Conclusion】
该研究证实DW算法在工业RUL预测中的突破性价值：通过创新性的非时序数据处理，在保证精度的同时大幅降低数据需求。特别适用于传感器配置有限的传统设备改造场景，为半导体装备维护提供了11小时预警窗口期。未来可扩展至其他旋转机械的健康监测领域。

研究团队由Raymon Van Dinter领衔，成员包含Ke Cao、Philippe Leduc等跨学科专家，在算法创新与工业应用间建立了有效桥梁。成果对实现ISO标准中的预测性维护目标具有重要实践意义，其方法论框架可推广至航空航天、能源装备等领域。