《ADVANCED ENGINEERING INFORMATICS》:Empirical knowledge-driven remaining useful life prediction method under unknown failure pattern
编辑推荐:
针对未知故障模式下的剩余使用寿命(RUL)预测难题,提出融合统计模型与深度学习的混合方法。首先利用支持向量数据描述(SVDD)识别已知故障模式,然后基于变参数维纳过程(WPVP)生成未知模式退化数据,最后通过广义时空回归网络(GSTRN)结合合同自编码器(CAE)与双向LSTM提取时空特征进行跨域知识迁移。实验表明该方法在N-CMPASS 2021和XJTU-SY轴承数据集上具有良好泛化性与鲁棒性。
陈家贤|邓书汉|何国林|陈珠云|李卫华
华南理工大学机械与汽车工程学院,中国广州510640
摘要
由于机械结构的复杂性和工作环境的恶劣性,机器的退化过程通常很复杂且各不相同,因为故障模式也常常有所不同。在这种情况下,传统的基于模型的方法和基于数据的方法在预测剩余使用寿命(RUL)时往往无法取得理想的结果,这主要是由于缺乏新的故障模式数据。为了解决这个问题,本文提出了一种结合统计模型和深度学习模型的经验知识驱动方法,用于在未知故障模式下进行RUL预测。具体而言,首先使用支持向量数据描述方法来识别故障模式。对于未知故障模式,设计了一个具有可变参数的维纳过程模型来生成和模拟退化过程的多样性,并构建了一个广义时空回归网络,以学习并将已知故障模式中的类似退化信息转移到未知故障模式中。最终,可以在未知故障模式下进行RUL预测。通过融合经验知识并综合统计模型驱动方法和数据驱动方法的优势,该方法为未知故障模式下的RUL预测提供了一种有效的解决方案。在N-CMPASS Challenge 2021数据集和XJTU-SY轴承数据集上进行的两个实验验证了该方法的通用性和鲁棒性。
引言
在实际的工业工程中,由于高负荷、强烈冲击和多变的工作条件[1]-[2],机械容易发生故障,从而导致安全隐患和潜在的财务损失[3], [4], [5]。准确的剩余使用寿命(RUL)预测是航空航天、风力发电、制造和汽车[6], [7], [8], [9]等领域中机械设备预测与健康管理(PHM)的关键任务,因为它有助于安排维护、减少停机时间并提高机械安全性。
在实际工业工程中,由于各种因素(如不同的故障模式和内在的随机性),退化趋势表现出多样性。然而,在退化过程中,故障模式的影响大于内在的随机性,这一点可以从图1和图2中看出。可以看出,在相同故障模式下,不同单元的特征趋势具有相似性,而不同的故障模式则表现出持续的缓慢退化趋势或突然的急剧恶化。此外,图3使用一种称为t-分布随机邻域嵌入(t-SNE)的典型降维技术可视化了三种故障模式的特征表示。在这种情况下,如果直接训练RUL预测模型而不考虑不同故障模式之间的差异,将会得到较大的预测误差。因此,本文关注如何考虑不同故障模式之间的差异,并在未知故障模式下估计RUL值。
RUL预测方法通常分为两类:基于模型的方法和基于数据的方法。基于模型的方法的最大优势在于它们可以通过构建各种物理模型[10]或统计模型[11], [12]来描述和表达退化过程。例如,潘等人[13]引入了一种增量容量分析方法来学习与半峰宽积分面积和峰值电压相关的物理知识,并提出了一种用于锂离子电池的RUL预测方法。程等人[14]提出了一种非线性增强型广义维纳过程方法,其中退化模型参数根据退化增量动态更新。然而,这需要对复杂的退化机制有深入的理解和先验知识,而且对于复杂的故障模式(尤其是未知故障模式),构建精确的随机退化模型是一项复杂的任务。通过直接建立监测数据与RUL值之间的映射,深度学习方法便于进行RUL预测。然而,它们需要大量的数据。此外,在传统的深度学习方法中,假设样本服从独立同分布,这与实际工业中不同模式的分布差异很大的情况相去甚远。总体而言,仅使用基于模型或基于数据的方法不足以解决RUL预测中遇到的问题。因此,一个直观的想法是将统计模型的先验知识与数据驱动模型的特征表示能力结合起来。
为了解决上述挑战,提出了一种基于经验知识的方法,用于在未知故障模式下进行机械设备的RUL预测,该方法可以利用统计模型生成虚拟退化数据,并将已知故障模式中的相似时间信息转移到未知故障模式的RUL预测结果中。首先,基于已知故障模式构建多个支持向量数据描述(SVDD)来识别故障模式。其次,对于未知故障模式,开发了一种名为具有可变参数的维纳过程(WPVP)的统计模型,以自动生成数据样本,模拟新故障模式的退化多样性,从而提供与退化趋势相关的经验知识。最后,通过采用收缩自编码器(CAE)和双向长短期记忆(Bi-LSTM)设计了一种名为广义时空回归网络(GSTRN)的数据驱动方法,用于挖掘时间特征之间的内在相似性并学习不同故障模式中涉及的退化过程的一致性。对于GSTRN,可以使用CAE网络提取特定的故障模式特征,Bi-LSTM网络可以学习时间特征,并通过使用领域泛化策略减少已知和新的故障模式之间的领域差异。通过充分利用基于模型和基于数据的方法,可以获得并改进新故障模式下的RUL预测结果。主要贡献如下:
(1)提出了一种混合知识-模型驱动策略,用于在未知故障模式下的RUL预测。与基于数据的方法不同,该方法减少了对大量高质量故障数据的依赖,从而提高了对未知故障模式的适应能力。
(2)设计了一种具有可变参数的维纳过程模型,用于模拟未知故障模式的多样化退化轨迹。与流行的深度生成模型相比,该方法可以从已知故障模式中学习相似的时间退化信息,从而有助于有效地将知识转移到未知模式并构建RUL预测模型。
(3)构建了一个广义时空回归网络用于RUL预测。该网络通过使用CAE和Bi-LSTM块充分利用了空间和时间特征。此外,利用领域适应方法有助于最小化不同故障模式引起的领域差异,从而更有利于在未知故障模式下的RUL预测。
本文的其余部分分为以下几节:第二节提供了相关研究的全面概述。第三节描述了所提出的方法,第四节在两个数据集上进行了实验验证。最后,第五节对本文进行了总结。
相关研究
在RUL预测任务中,利用随机退化过程的统计模型已被广泛研究[15]-[18],例如维纳过程、伽马过程和逆高斯过程。Si等人[15]提出了一个扩散过程模型,用于表达退化机制中的非线性,并考虑了测量误差。Huang等人[16]基于
提出的方法
在本节中,提出了一种基于经验知识的方法,用于在未知模式下预测RUL值。该方法可以在统计模型中生成未知模式的虚拟退化数据,并在数据驱动方法中学习类似的退化知识。如图4所示,该方法包括三个步骤:故障模式识别、用于数据生成的WPVP模型以及用于RUL预测的GSTRN模型。具体实施步骤如下
实验结果
为了验证所提出方法的有效性,在N-CMAPSS Challenge 2021数据集[34]和XJTU-SY轴承数据集上进行了比较实验,以进行RUL预测。编程语言为Matlab R2014和Python 3.6,配置了Intel i7-12700处理器和32G内存。
结论
本文提出了一种在未知故障模式下的工业场景中使用的基于经验知识的RUL预测方法。在提出的方法中,尽管故障模式未知,但不同故障模式的退化信息具有内在的相似性,如果广泛使用这些信息,将提高在未知故障模式下的RUL预测效果。所构建的模型结合了基于模型和基于数据的方法的优势,
CRediT作者贡献声明
陈家贤:撰写 – 审稿与编辑,撰写 – 原稿,方法论,调查,形式分析,数据管理,概念化。邓书汉:验证,调查,数据管理,概念化。何国林:资源获取,调查,形式分析,概念化。陈珠云:验证,方法论,调查,概念化。李卫华:撰写 – 审稿与编辑,监督,方法论,资金获取,概念化。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
本工作部分得到了国家重点研发计划(项目编号:2024YFB4709200)和国家自然科学基金(项目编号:52275111, U23A20620)的支持。