融合滑动变长窗口的双模块方法用于轴承剩余使用寿命预测

《Computers & Industrial Engineering》：A dual-module approach with sliding variable-length window for remaining useful life prediction in bearing

　　

深度学习（Deep Learning, DL）在预测与健康管理（Prognostics and Health Management, PHM）领域取得了显著进展，通过自动特征提取实现了剩余使用寿命（Remaining Useful Life, RUL）预测。然而，轴承从运行到失效的退化过程通常经历多个阶段——健康阶段（Health Stage, HS）、缓慢退化阶段（Slow Degradation Stage, SDS）和加速退化阶段（Accelerated Degradation Stage, ADS）——且各阶段具有不同的退化速率。这对传统的基于DL的RUL预测模型有效捕获多退化速率下的时间特征构成了挑战。为解决此问题，本文提出了一种基于滑动变长窗口的双模块（Dual-Module with Sliding Variable-length Window, DM-SVW）方法。具体而言，在所提出的双模块（Dual-Module, DM）方法中，健康模块从HS数据中提取信息性时间特征，并将所学先验知识传递给退化模块。在该先验信息的引导下，退化模块利用退化阶段（Degradation Stage, DS）数据对整个退化轨迹进行建模，以预测RUL。此外，为克服传统滑动窗口（Sliding Window, SW）策略需要明确划分DS内各阶段的局限性，研究人员采用了一种滑动变长窗口（Sliding Variable-length Window, SVW）策略，对SDS和ADS进行联合建模，从而捕获两个阶段的全局依赖性。为实施所提出的DM-SVW方法，研究人员开发了一种半监督DL模型，即时间-Transformer与去噪自编码器（Time-Transformer and Denoise Auto-Encoder, TT-DAE）。该模型集成了一个自监督DAE用于鲁棒的空间特征提取，以及一个监督TT用于RUL估计。DM-SVW方法的有效性在XJTU-SY轴承数据集、一个实验室轴承数据集以及N-CMAPSS涡扇发动机数据集上得到了验证。实验结果表明，DM-SVW方法实现了最低的均方根误差（Root Mean Square Error, RMSE）值（在XJTU-SY数据集上为11.83和0.158，在实验室数据集上为0.044）。其性能优于采用传统SW和SVW策略的DL模型，以及两阶段DL模型，与两阶段方法相比，RMSE降低了13.4%。与LSTM-DAE^SVW、BiLSTM-DAE^SVW、GRU-DAE^SVW以及时间-Transformer编码器与DAE（Time-Transformer Encoder and DAE, TTE-DAE）的进一步比较，进一步验证了其在捕获SDS和ADS全局依赖性方面的卓越能力。

**论文解读：基于滑动变长窗口双模块方法的轴承剩余寿命预测研究**

**1. 研究背景**

预测性维护（Predictive Maintenance, PdM）旨在通过制定经济且可靠的维护计划，避免因磨损、疲劳和断裂导致的机械故障。PdM的有效性高度依赖于通过分析状态监测（Condition Monitoring, CM）数据来准确预测机械的剩余使用寿命（Remaining Useful Life, RUL）。滚动轴承作为机械设备中的关键部件，其RUL预测是当前研究的热点。现有RUL预测方法主要分为基于统计和基于深度学习（Deep Learning, DL）两类。基于统计的方法依赖高质量特征的人工选择，而基于DL的方法能自动构建输入信号与RUL标签之间的映射函数，已被证明具有更高的预测精度。

然而，轴承的全生命周期根据裂纹扩展速率理论，可分为健康阶段（Health Stage, HS）和退化阶段（Degradation Stage, DS），后者根据磨损演变过程又可细分为缓慢退化阶段（Slow Degradation Stage, SDS）和加速退化阶段（Accelerated Degradation Stage, ADS）。不同阶段具有不同的退化速率，这对传统的DL模型构成了挑战。现有研究主要面临两个问题：一是传统DL模型难以同时学习HS的健康轨迹和DS的退化轨迹，通常的做法是忽略HS信号，但HS的持续时间反映了轴承系统的工作条件，可能影响退化轨迹的速率，因此该假设不完全成立；二是DS内的SDS和ADS退化速率差异显著，使得传统滑动窗口（Sliding Window, SW）策略难以有效学习，因为截取的窗口可能来自不同阶段。现有方法要么将DS划分为两个阶段分别训练两个模型，这需要精确识别阶段变化点且忽略了阶段间相互影响，要么放弃使用SW策略，但现有模型多为基于统计的方法，无法自动提取特征或充分捕捉退化过程的复杂性。

**2. 关键技术方法**

为解决上述问题，研究人员提出了一种基于滑动变长窗口的双模块（Dual-Module with Sliding Variable-length Window, DM-SVW）方法。主要关键技术包括：
1. **双模块（Dual-Module, DM）架构**：该方法包含一个健康模块和一个退化模块。健康模块从HS数据中提取时间特征，并通过编码器-解码器注意力机制将所学的先验知识传递给退化模块，使退化模块能够捕捉HS和DS之间的相互影响。
2. **滑动变长窗口（Sliding Variable-length Window, SVW）策略**：该策略从第一个预测时间点（First Prediction Time, FPT）到样本结束的位置截取不同长度的窗口，使DL模型能够从全局视角学习包含SDS和ADS的完整退化轨迹，无需识别阶段变化点。
3. **半监督深度学习模型TT-DAE**：为实现DM-SVW方法，研究人员开发了时间-Transformer与去噪自编码器（Time-Transformer and Denoise Auto-Encoder, TT-DAE）模型。该模型集成一个用于鲁棒空间特征提取的自监督去噪自编码器（Denoised Auto-Encoder, DAE）和一个用于RUL估计的监督时间-Transformer（Time-Transformer, TT）。TT模型包含位置编码、时间-Transformer编码器、时间-Transformer解码器和RUL预测层。
4. **特征选择与评估**：采用混合度量（平均的单调性、趋势性和可预测性）选择关键退化特征。使用五折交叉验证进行模型评估，评价指标包括均方根误差（Root Mean Square Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）和Score指标。

**3. 研究结果**

案例研究在XJTU-SY轴承数据集、实验室轴承数据集和N-CMAPSS涡扇发动机数据集上进行，以验证DM-SVW方法及TT-DAE模型的优越性。

* **案例研究1：XJTU-SY数据集**
* **数据预分析与特征提取**：从振动信号中提取14个时域和2个频域特征，并通过混合度量筛选出12个关键退化特征。利用DAE将12个特征降维至9个代表性的空间特征，其重构RMSE为0.029。
* **外部比较（Outer-Comparison）**：比较了采用SW、SVW和DM-SVW三种数据采样策略的DL模型性能。结果表明，采用SVW策略的模型（如TTE-DAE）相比于采用SW策略的模型（如LSTM-DAE、TE-DAE）在RMSE上显著降低（33.1%的改进），证明了SVW策略在捕获全局依赖性方面的优势。而采用DM-SVW策略的TT-DAE模型取得了最低的RMSE（0.16±0.02），相比TTE-DAE模型降低了5.8%，证实了集成健康模块带来的先验知识能进一步提升预测精度。
* **内部比较（Inter-Comparison）**：比较了采用SVW策略的LSTM-DAE^SVW、TTE-DAE、BiLSTM-DAE^SVW和GRU-DAE^SVW模型。结果显示，TTE-DAE模型在捕获全局依赖性方面优于其他循环神经网络（Recurrent Neural Network, RNN）变体，其RMSE更低。
* **与两阶段模型比较**：与稳态两阶段退化模型（Steady Two-stage Degradation Model, STDM）相比，TT-DAE和TTE-DAE模型分别实现了13.4%和5.5%的RMSE降低，表明将完整退化过程整合到一个统一模型中，比分别建模两个阶段更有效。

* **案例研究2：实验室轴承数据集**
* **模型验证与比较**：在实验室轴承61702-2RS1数据集上，TT-DAE模型再次取得了最低的RMSE（0.044±0.003）和最高的Score（0.99±0.0004）。研究进一步引入了BiLSTM-DAE^SVW和GRU-DAE^SVW模型进行内部比较，TTE-DAE模型表现仍优于它们。
* **鲁棒性分析**：分析了TT-DAE与TTE-DAE模型在不同FPT确定指标下的鲁棒性。TT-DAE模型在所有指标下均取得了更低的RMSE，且其RMSE标准偏差（0.005）小于TTE-DAE模型（0.0095），表明集成健康模块提高了模型对FPT选择错误的鲁棒性。
* **超参数敏感性分析**：分析了编码器/解码器层数及神经元数量对模型性能的影响。结果表明，TT-DAE模型对层数不敏感，但对神经元数量敏感。
* **消融实验**：通过移除位置编码模块、前馈层和残差连接，验证了这三个组件对TT-DAE模型性能的必要性。移除前馈层导致的性能下降最严重（RMSE增加50%），表明其在非线性特征变换中起关键作用。

* **案例研究3：N-CMAPSS涡扇发动机数据集**
* **SVW技术验证**：在N-CMAPSS数据集上，仅验证SVW技术（不涉及DM框架）。结果表明，采用SVW策略的TTE-DAE模型取得了最低的RMSE（5.52±0.15）和MAE（3.75±0.12），相比采用SW策略的TE-DAE₂₀模型，RMSE降低了13%，进一步验证了SVW技术在处理连续演变退化数据（如涡扇发动机）中的优越性。

**4. 讨论与结论**

**讨论部分总结**：本文提出的DM-SVW方法有效解决了轴承全生命周期中多阶段退化对DL模型提出的挑战。通过集成健康模块和采用滑动变长窗口策略，模型不仅能够利用HS的先验信息提高预测精度，特别是退化早期的预测精度，还能从全局视角学习完整的退化轨迹，避免了对阶段变化点的精确识别。DM-SVW方法在XJTU-SY和实验室两个轴承数据集上的表现一致，证明了其鲁棒性和有效性。在N-CMAPSS数据集上的验证进一步证明了SVW技术在更广泛的应用场景（如涡扇发动机）中的潜力。此外，消融实验和超参数分析为TT-DAE模型的结构设计提供了理论依据。

**结论部分翻译**：本文针对轴承全生命周期中多个退化阶段带来的挑战，提出了DM-SVW方法。为实施该方法，研究人员提出了一个半监督DL模型TT-DAE，用于提取时空特征以预测RUL。为展示所提方法的优越性，进行了全面的内部比较和外部比较。内部比较评估了采用SVW方法的DL模型，如LSTM-DAE^SVW、TTE-DAE、BiLSTM-DAE^SVW和GRU-DAE^SVW。同时，外部比较评估了采用SW、SVW和DM-SVW方法的DL模型的性能。为确保客观评估，使用了五折交叉验证。使用XJTU-SY数据集和实验轴承数据集进行了比较，主要结果强调了整合多阶段退化动态和HS特征对预测精度的有效性。研究结果凸显了DM-SVW在处理多阶段特征和捕获全局依赖性方面的优势，在RUL估计中优于传统方法。此外，还使用了N-CMAPSS涡扇发动机数据集进一步验证了SVW技术在涡扇发动机RUL预测中的有效性。本研究的主要发现总结如下：
1. 所提出的DM不仅提高了RUL预测精度，而且降低了对正确FPT选择的依赖。此外，由于集成了健康模块，在DS早期阶段，真实RUL与预测RUL之间的预测误差低于没有健康模块的DL模型。
2. 与采用SW方法相比，SVW方法在基于DL的RUL预测中显示出预测精度的提升。这是因为采用SW方法的DL模型只能学习完整退化轨迹的一部分，而应用SVW方法的DL模型则允许学习完整且复杂的退化轨迹。
3. 在处理包含两个阶段的完整退化轨迹时，TTE模型在捕获全局依赖性方面表现出比LSTM^SVW、BiLSTM^SVW和GRU^SVW模型更优越的能力。

总体而言，DM-SVW与TT-DAE的集成在管理多阶段退化动态、捕获全局依赖性以及提供比现有方法更可靠的RUL估计方面展现出明显优势。在未来的工作中，应对从Transformer提取的时间特征进行解释，并研究TTE-DAE强大全局依赖性建模背后的潜在机制。