旋转机械预测性维护中门控循环单元的再思考：基于门控机制与退化动力学错配的物理一致性基准研究

《Applied Sciences》：Rethinking Gated Recurrent Units for Rotating Machinery Prognostics: A Physics-Consistency Benchmark on the Mismatch Between Gating Mechanisms and Degradation Dynamics

　　

旋转机械预测性维护对于保障工业系统的可靠性与运行安全至关重要。尽管门控循环单元（Gated Recurrent Unit，GRU）在剩余使用寿命（Remaining Useful Life，RUL）预测中取得了具有竞争力的性能，但其内部动态是否与不可逆退化机制相一致，在很大程度上仍未被探索。研究人员从物理一致性视角重新审视基于GRU的预测方法，并分析门控机制与退化演化之间的潜在错配。基于XJTU-SY轴承全寿命（run-to-failure）数据集构建了全寿命基准框架。通过多域振动特征提取与主成分分析（Principal Component Analysis，PCA）构建训练型健康指标（Health Indicator，HI），并显式区分退化状态表征与RUL预测目标，以避免物理不一致的监督。研究人员采用预测精度指标（RMSE、MAE、R2）与物理一致性准则（单调性指数、单调性违例指数、退化趋势一致性）评估了若干代表性方法，包括统计模型与深度学习架构（LSTM、GRU、TCN、Transformer）。实验结果表明，优越的预测精度并不必然保证物理一致的退化建模。尽管GRU提供具有竞争力的RUL预测性能，其隐状态演化与门控响应在退化推进过程中表现出明显的非单调行为。这些发现揭示了面向预测的循环学习机制与不可逆退化动态之间的潜在差异，凸显了在可靠数据驱动预测模型中引入物理一致性评估的重要性。

研究背景与动机

旋转机械（如风力机、航空发动机、高速制造设备）中的轴承与齿轮在复杂工况下发生疲劳、磨损与材料劣化等累积损伤，退化具有不可逆性与单调性。传统统计方法（ARIMA、卡尔曼滤波）依赖简化假设，早期机器学习依赖手工特征，难以刻画长期退化依赖；深度学习（CNN、RNN、LSTM、GRU）虽提升表示能力，但既有研究多聚焦预测误差（RMSE、MAE）而忽视内部时序动态是否与物理退化规律一致。GRU因结构精简、性能竞争强被广泛用于RUL预测，但其更新门（update gate）与重置门（reset gate）仅为最小化预测损失的自适应操作，未显式施加单调性或不可逆约束，隐状态演化可能出现局部振荡，与不可逆退化动态存在潜在错配。物理信息机器学习（PINN）与贝叶斯不确定性量化多约束输出层，未触及循环架构内部机制。该研究于《Applied Sciences》发表，旨在从物理一致性视角建立全寿命基准，回答“GRU门控机制是否与旋转机械不可逆单调退化动态结构一致”这一根本问题。

主要关键技术方法

研究人员采用XJTU-SY轴承数据集中Bearing1_1单条全寿命序列（25.6 kHz采样，123个退化周期，前70%周期训练、后30%测试，按时间顺序切分且参数仅由训练集估计以防泄漏），对振动信号做Z-score归一化与希尔伯特包络（Hilbert envelope）增强冲击特征，滑窗分段后提取RMS、峭度、峰值因子、包络能量、谱熵五类多域特征；以训练集PCA首主成分经Spearman相关方向校正构建单调递增HI，显式将HI（升）与RUL（降，归一化至[0,1]）解耦；以窗口长20的周期序列为输入，监督回归预测归一化RUL，对比LR、MA、LSTM、GRU、TCN、Transformer，除精度指标外引入单调性指数（MI）、单调性违例指数（MVI）、退化趋势一致性（DTC）及门–物理错配指数（GDMI）作物理一致性评测。

研究结果

3 研究方法概述：建立“预处理—特征—HI—RUL预测—精度与物理一致性联合评价”五阶段框架，公式化区分HI(t)与RUL(t)，避免概念混淆导致物理不一致监督。

4.2 HI构建与退化演化：PCA首主成分经方向校正后HI呈“健康—渐进退化—加速退化”三阶段单调上升，与物理退化参考轨迹吻合，允许局部波动但不破坏全局趋势。

4.3 RUL定义与实验设置：RUL(t)=T_fail?t，归一化后初期近1、失效期近0，与HI反序一致；滑窗L=20，按时间顺序训练/测试，规避未来信息泄漏。

4.4 RUL预测方法对比：MA因平滑得最低RMSE=0.045、MAE=0.045、R²=0.63；LSTM/GRU/TCN/Transformer因小样本过拟合局部波动出现负R²；GRU在110–123周期预测轨迹振荡强于LSTM，表明简化门控对局部信号更敏感。

4.5 精度与物理一致性定量评价：MA的MI=1.0、MVI≈0源于平滑而非学习物理；LSTM与GRU的MI≈0.77、MVI≈0.23，约四分之一RUL转移违反单调；TCN/Transformer灵活性高但MVI更大；DTC显示MA与GRU均>0.9，但精度高不等于物理一致。

4.6 GRU门控动态与退化一致性分析：GRU隐状态各维在晚期退化出现非单调变化；更新门大部分时段平稳、仅在临近失效突增，与连续退化不同步；GDMI较高，隐状态与HI正相关而门响应弱相关/负相关；与LSTM对比发现门控延迟响应加速退化段是门控循环架构共性，非GRU独有。

4.7 综合讨论：预测柔性（数值低误差）与物理一致性存在权衡；纯数据驱动循环模型可获竞争精度却内部非物理，须将物理一致性纳入可靠预测模型评价标准。

结论部分翻译

研究人员得出结论：GRU在RUL预测上具竞争性能，但其门控机制与隐状态演化不天然服从不可逆单调退化规律，在退化推进中呈现非单调与延迟响应；预测精度优势不代表退化表征物理可信；须在轴承预测中显式解耦HI与RUL、并联合数值误差与单调性/违例/趋势一致性/门–物理错配等多重准则评估；该物理一致性基准为循环架构（含GRU、LSTM）与卷积/注意力时序模型提供了超出常规精度指标的评测范式，指出未来物理信息约束应深入递归内部动态而非仅限输出层。

重要意义

该研究未提出新网络，而是重构评价范式：揭示“低RMSE≠物理合理”的方法论盲区，为小样本全寿命退化建模、物理信息递归网络设计及PHM系统可靠性认证提供基准与警示。