一种集成了故障模式识别的增强型多任务模型,用于剩余使用寿命(RUL)预测

《Neurocomputing》:Enhanced multi-task model integrating failure mode recognition for RUL prediction

【字体: 大 中 小 】 时间:2026年04月08日 来源:Neurocomputing 6.5

编辑推荐:

  剩余寿命预测、故障模式识别、半监督学习、潜在变量共享、健康指标构建

  
关路欣|钱月忠
浙江工商职业学院,中国浙江省温州市

摘要

对精确预测和健康管理(PHM)系统的需求凸显了预测机械设备剩余使用寿命(RUL)的重要性。本研究介绍了一种改进的多任务模型——EMTM-FMR,该模型结合了故障模式识别(EMTM-FMR)技术,以应对标签数据有限情况下的RUL预测挑战。通过共享作为健康指标(HIs)的潜在变量,EMTM-FMR在半监督框架下实现了多任务学习,充分利用了标记数据和未标记数据。使用C-MAPSS数据集评估了所提出模型的有效性。结果充分证明了EMTM-FMR在开发与故障模式和退化相关的健康指标(HIs)方面的优越性和创新性,即使在标签数据稀缺的情况下也能提高RUL预测的准确性。

引言

随着对机械可靠性和安全性的重视日益增加,利用数据监测和分析来预测潜在故障的预测和健康管理(PHM)系统在包括航空航天和电子在内的多个行业中变得不可或缺[1]。PHM中的两个关键任务是故障诊断和剩余使用寿命(RUL)预测[2]、[3]。前者检测设备中的任何异常或故障迹象,后者则根据诊断结果评估设备在故障前的运行寿命[4]。作为PHM技术的核心,准确的RUL预测对于提高运行效率、防止灾难性故障和提升生产力至关重要[5]、[6]。最近,深度学习(DL)技术因其在数据处理和模式识别方面的强大能力而受到广泛关注,被用于RUL预测[7]、[8]、[9]。
目前,基于深度学习的RUL预测方法可以根据其对标记数据的依赖程度进行分类:一种是直接使用标签,另一种是利用健康指标(HIs)。直接使用标签的方法通过最小化网络输出与实际标签之间的差异来训练模型。例如,Ding等人[10]构建了一个没有池化层的深度卷积神经网络(CNN)预测模型,提高了RUL预测的准确性和泛化能力。为了降低生命周期测试的成本,Wang等人[11]提出通过学习历史退化数据并对其进行外推来预测当前传感器数据的剩余退化趋势。然而,这些方法难以直观地展示健康状态,因为DL技术以黑盒方式直接建立了大量或多个传感器数据与标签之间的映射关系[12]。基于HIs的方法包括两部分:从传感器数据中提取HIs以及利用这些提取的HIs进行退化建模以预测RUL[13],这种方法在解决健康状态可视化问题方面受到了很多关注。Huang等人[14]引入了一种利用生成对抗网络(GAN)的RUL预测模型,通过相关性和单调性度量来识别退化过程中的敏感特征,从而提高了学习到的HIs的性能。Costa等人[15]提出了一种循环变分自编码器来估计飞机发动机的RUL,该模型学习了传感器数据的二维HIs,从而提高了RUL预测的准确性。Pei等人[16]提出了一种基于跨域HIs的新机械RUL预测方法。最近的研究还探索了基于物理信息的神经网络[17]、用于轴承和电池RUL预测的LSTM模型[18]、[19],以及用于故障诊断的半监督学习方法[21],这些研究强调了时间建模和高效标记学习在PHM中的重要性。这些基于HIs的方法继承了DL处理大量传感器数据的能力,在复杂环境中提供了更有效和灵活的RUL预测解决方案。
然而,这些基于HIs的RUL预测方法需要大量的标记样本来进行退化建模,这在PHM领域是一个挑战[22]。半监督学习(SSL)是一种替代方案,可以在标记传感器数据较少的情况下获得更准确的RUL预测结果,因为这类方法可以基于无监督学习构建HIs[23]。一些学者研究了基于SSL的HIs基RUL预测技术。例如,Nieves Avendano等人[24]提出了一个单调HIs模型,并利用提取的HIs进一步改进了RUL预测模型。Lin等人[25]探索了构建时间依赖的隐藏变量作为单一故障模式的HIs,以获得更好的RUL预测效果,使模型能够有效挖掘传感器数据中的确定性和随机性元素。
这些基于HIs的SSL方法的一个局限性是,HIs提取和RUL预测基本上是分开处理的,限制了HIs表示退化的能力[12]。此外,现有方法通常使用过去和现在的传感器数据来提取HIs,忽略了训练数据集中可用的未来传感器数据。最近的研究表明,在HIs提取过程中考虑过去和现在的传感器数据以及未来传感器数据预测可能会提高RUL预测的准确性[25]、[26]。因此,为了构建具有代表性的HIs并获得更好的预测结果,关键是确保同时训练过去和现在的传感器数据重建、未来传感器数据预测以及RUL预测。深度混合模型(DHM)[27]提供了一个半监督框架,通过共享潜在变量来实现多个任务的同时训练。
另一个限制是在完整的RUL预测执行过程中省略了故障模式数据。实际上,多种故障模式的存在可能会对设备功能产生不同的影响,导致不同的退化模式,从而影响RUL[28]。因此,在训练过程中结合故障模式识别可以提高RUL预测的准确性。
为了解决上述挑战,提出了一种结合故障模式识别(EMTM-FMR)的改进多任务模型,用于RUL预测。通过共享潜在变量,EMTM-FMR实现了重建过去和现在的传感器数据、预测未来传感器数据、识别故障模式以及预测RUL的同时训练。此外,该模型可以使用标记和未标记的传感器数据进行训练,基于SSL构建更具代表性的HIs,从而在标记传感器数据稀缺的情况下提高RUL预测的准确性。这一结论基于使用商业模块化航空推进系统模拟(C-MAPSS)[29]数据集的研究。
本研究的主要发现可以归纳为:
(1) 提出了一种集成故障模式识别和RUL预测的方法,该方法利用从传感器数据中提取的HIs同时进行故障模式识别和RUL预测。根据不同的故障模式,该方法分别训练相应的RUL预测网络,使RUL预测能够充分考虑故障模式的影响。
(2) 提出的半监督EMTM-FMR实现了过去和现在传感器数据重建、未来传感器数据预测、故障模式识别以及RUL预测的同时学习,从而构建HIs。这些构建的HIs增强了整个生命周期内传感器数据的学习能力,并能够更好地表征设备的故障模式和运行状态,即使在标记传感器数据稀缺的情况下也能提高RUL预测的准确性。
后续部分的内容如下:第2节介绍了所提出模型的理论基础,包括变分自编码器(VAE)、长短期记忆(LSTM)网络和深度混合模型(DHM)。第3节详细阐述了问题并提出我们的EMTM-FMR模型。第4节使用C-MAPSS数据集进行了实验评估。最后,第5节总结了研究并提出了结论性意见。

章节摘录

理论基础

本文提出的模型采用了以下理论基础:VAE用于从传感器数据中学习潜在表示;LSTM网络用于捕捉时间依赖性,以改进退化建模;DHM用于半监督多任务学习,以整合这些元素。

提出方法

本节介绍了EMTM-FMR的全面理论和方法框架,并在以往工作基础上进行了改进。与缺乏故障模式意识的基于DHM的半监督学习、忽略未来时间依赖性的故障模式感知预测方法以及分离任务学习的单一故障模式SSL方法不同,EMTM-FMR统一了四个互补的任务,以协同优化HIs。首先,提出了本文要解决的问题和目标。

实验评估

本节使用C-MAPSS数据集[29]评估了所提出的EMTM-FMR在构建HIs和预测RUL方面的有效性。

结论

本研究提出了EMTM-FMR,旨在通过整合标记和未标记的数据,在利用有限标记数据的情况下提高故障模式的识别能力和RUL预测的精度。通过共享组件训练提取的潜在变量,EMTM-FMR能够联合学习多个任务,包括数据重建、未来数据预测、故障模式识别和RUL预测,从而在半监督环境下实现更准确的结果。

CRediT作者贡献声明

关路欣:撰写 – 审稿与编辑,撰写 – 原稿,可视化,验证,方法论,调查。钱月忠:软件,资源。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究部分得到了温州市科学技术局的支持,资助项目包括G20240065、ZG2023022和ZG2024046。

源代码和数据可用性

源代码和预测序列的进一步可视化可在GitHub上获取:
如需模拟数据,可向第一作者提出合理请求。
关路欣于2024年获得北京航空航天大学质量与可靠性工程硕士学位。她目前在中国浙江省温州市的浙江工商职业学院人工智能学院工作。她的研究兴趣包括用于退化建模、健康状态和剩余使用寿命预测的深度学习。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号