一种基于多尺度动态图卷积和线性潜在注意力机制的轴承寿命预测方法

《Measurement》：A bearing life prediction method based on multi-scale dynamic graph convolution and linear latent attention mechanism

　　• 提出了一种动态的多尺度图框架，用于预测滚动轴承的剩余使用寿命（RUL）。• 多线性 latent 注意力（MLLA）使得长 degradation 序列的建模具有线性复杂性。• 动态邻接矩阵能够捕捉与阶段相关的轴承退化拓扑结构。• 时频特征提高了退化表示能力和抗噪性能。• IEEE PHM 2012 的实验验证了该方法能够进行准确且稳定的 RUL 预测。

### 引言
滚动轴承是旋转设备中的关键部件。在设备运行过程中，可能会发生不同类型的轴承故障，这些故障可能导致停机甚至重大事故。因此，提高轴承故障预测和健康管理的能力至关重要 [1]。根据行业调查，现代工业系统中对机械的状态监测（PHM）有极大的需求，特别是对于预测轴承的 RUL [2]。在预测性维护中，预测 RUL 的核心任务直接关系到设备可靠性、运营成本和安全性 [3]。通过准确估计轴承的 RUL，可以预测退化趋势，从而制定优化的维护策略。这种主动方法可以防止意外的机器故障，并提高工作效率。因此，准确有效地预测滚动轴承的剩余使用寿命 [4] 是非常关键的。

对于轴承寿命预测，现有的方法主要分为三大类：基于物理的建模、数据驱动的建模和混合建模。物理模型包括韦伯分布方法 [5]、卡尔曼滤波器方法 [6]、粒子滤波器方法 [7] 和维纳过程方法 [8] 等。JB 等人 [9] 提出了一种结合 SFAM 神经网络和韦伯分布的方法。在该框架中，WD 在训练过程中用于近似测量值并排除波动较大的时间域段。HU 等人 [10] 提出了一种基于维纳过程的轴承性能退化建模和实时 RUL 预测方法。该方法明确考虑了退化率与累积运行时间和环境不确定性之间的依赖性。通过最大似然估计校准了模型参数，并通过与实际 RUL 的比较验证了该方法的有效性。Cui 等人 [11] 提出了一种新的切换无迹卡尔曼滤波器（SUKF）方法。该方法为不同的轴承运行状态构建了专用的状态空间模型。利用 UKF 算法在贝叶斯估计框架内，确定每个时间点的最可能状态。研究结果证明了所提出技术的有效性。然而，这些方法需要对轴承的内部结构和工作原理有深入的了解，并且需要相当多的工程知识。随着传感器技术的进步，数据驱动方法（包括统计方法 [12] 和机器学习 [13]）的应用日益增多，因为这些方法相比其他技术具有显著的优势。与另外两种方法相比，数据驱动方法的优势在于它们可以直接利用大量实际数据进行分析和预测，无需事先假设或建立复杂的数学模型，因此更加灵活和适应性强，能够快速反映数据的变化和趋势，尤其是在数据质量高且变化频繁的情况下。Gao 等人 [14] 提出了一种基于贝叶斯理论的轴承寿命预测方法。他们的方法涉及从信号中提取时间域特征来开发健康指数和退化模型，然后基于此构建贝叶斯预测模型。最后，使用 Metropol-hastings 算法预测轴承寿命。然而，训练需要大量高质量的历史数据，这限制了有效预测模型的发展。

### 最新进展
深度学习的最新进展显著提高了轴承 RUL 的预测能力，减少了对手动特征工程的依赖，并实现了从振动信号中进行层次表示学习。基于 CNN 的方法在提取局部退化模式下非常有效，代表性的轴承 RUL 研究使用了深度 CNN 和多尺度 CNN 特征提取来提高预测精度 [15], [16]。循环网络如 LSTM 和 GRU 通常用于建模时间依赖性，CNN-BiLSTM 或 CNN-LSTM 框架也被引入来结合局部特征提取和时间退化建模 [17], [18]。时间卷积网络通过膨胀卷积进一步改进了序列建模。然而，这些方法在处理非线性、非平稳和与阶段相关的退化过程时仍存在局限性。CNN 主要强调局部模式，循环模型可能受到长距离依赖性和序列计算效率低下的影响，而 TCN 则严重依赖于预定义的感受野。

基于变压器的架构最近被引入到预测中，因为自注意力机制可以建模长距离依赖性和复杂的非线性关系。基于注意力和变压器的相关模型在故障诊断和表示学习任务中表现出有效性 [19], [20], [21], [22]。在 RUL 预测中，还探索了变压器编码器、门控卷积单元、时空建模和双注意力机制，以便在复杂的序列和运行条件下游览退化表示 [23], [24], [25]。然而，传统的自注意力需要在所有时间步骤之间进行成对相似性计算，导致序列复杂度为 O(T2)，其中 T 表示序列长度。这种二次增长限制了其在长工业监测序列和面向边缘的实时预测中的应用。因此，高效的长序列建模仍然是 RUL 预测的关键挑战。

图神经网络为建模传感器、特征或时间段之间的依赖性提供了另一个有前景的方向。然而，许多现有的基于图的方法依赖于预定义或静态的邻接矩阵。这种静态拓扑结构隐含地假设节点之间的关系在整个退化过程中保持不变。在实际的轴承退化过程中，随着从健康状态到早期退化、严重磨损再到最终故障的转变，相关结构会发生变化。因此，固定的图不足以表征非线性的时间演变和与阶段相关的退化交互。在退化开始或首次预测时间（FPT）附近，这一限制尤为重要，FPT 指的是退化变得足够明显以进行可靠 RUL 预测的第一个时间点。在这个阶段，振动幅度可能仍然较弱，但时间退化段之间的相关模式可能已经开始变化。动态邻接矩阵可以自适应地表示这些早期的拓扑变化，从而帮助模型更有效地捕捉从稳定运行到可预测退化的转变。

### 研究空白
主要的研究空白在于缺乏一个统一的框架，能够同时实现高效的长序列建模、自适应的动态图学习、多尺度退化表示和时频特征增强。为了填补这一空白，我们提出了 MSGNet-MLLA Transformer，这是一种混合架构，结合了 Mamba 启发的状态空间建模、动态多尺度图卷积和联合时频特征提取，用于轴承 RUL 预测。

与现有的预测方法相比，提出的框架并不是简单地将 Transformer 和图模块堆叠在一起。传统的循环和卷积模型主要关注时间预测，标准 Transformer 强调成对的时间注意力，而静态图模型依赖于固定的拓扑假设。相比之下，MSGNet-MLLA 在统一的 RUL 预测框架内联合建模了长距离时间依赖性、与阶段相关的动态图拓扑、多尺度退化模式和时频振动特征。这种集成设计突出了所提出解决方案的新颖性，并将其与现有的单一视角 RUL 预测方法区分开。

### 本研究的主要贡献
- 开发了一种受 Mamba 启发的线性潜在注意力（MLLA）机制，用于高效的长序列退化建模。通过将时间特征映射到潜在状态空间并引入选择性门控策略，所提出的注意力模块将序列长度依赖性从二次降低到线性，同时保留了关键的退化信息。
- 构建了动态多尺度图卷积模块，以捕捉轴承退化过程中的时间相关性变化。邻接矩阵根据特征相似性自适应生成，使模型能够在不依赖固定图拓扑的情况下表示与阶段相关的和非线性的退化交互。
- 将联合时频特征提取策略整合到图卷积过程中。这种设计增强了模型捕获振动波形演变和频域故障相关信息的能力，从而提高了特征丰富度和鲁棒性。
- 所提出的方法在 IEEE PHM 2012 轴承数据集上进行了验证。结果表明，MSGNet-MLLA Transformer 能够有效建模复杂的退化模式，并且与代表性的基线模型相比实现了准确的 RUL 预测。

### 本文的其余部分组织结构
第 2 节介绍了门控注意力、状态空间建模和图卷积的理论背景。第 3 节详细描述了提出的 MSGNet-MLLA Transformer。第 4 节介绍了数据预处理程序。第 5 节报告了实验结果和讨论。最后，第 6 节总结了本文并概述了未来的工作。

### 区段摘要
#### 门控注意力机制
门控注意力机制 [26] 是一种先进的注意力范式，结合了动态权重调整和特征筛选，其核心思想是通过可学习的门控单元自适应地增强关键特征并抑制冗余信息。该机制在长序列建模、抗噪性能和计算效率方面表现出显著优势。

#### 整体框架设计
本文提出了 MSGNet-MLLA Transformer，这是一种结合了动态多尺度图学习、Mamba 启发的线性潜在注意力和时频特征增强的混合轴承 RUL 预测框架。如图 3 所示，首先将输入的退化序列嵌入到高维特征空间中，然后生成一个样本级的动态邻接矩阵来描述时间退化段之间的演变相关性。

#### 数据预处理
IEEE PHM 2012 数据集提供了在不同运行条件下的水平方向和垂直方向的运行至故障振动信号，包括旋转速度和径向载荷的变化。由于水平振动信号对研究案例中的退化演变更敏感，因此本工作使用水平振动通道进行 RUL 预测。图 6 和图 7 显示了轴承 1–1 和 1–2 的全寿命水平振动信号。

#### 实验和结果
本节使用 IEEE PHM 2012 挑战数据集评估了所提出模型的准确性。实验在一个配备了 Intel i5-14600KF CPU、NVIDIA RTX 4070 GPU 和 32 GB RAM 的工作站上进行。软件环境使用 Python 3.10 构建。

#### 结论
本文提出了一种用于滚动轴承 RUL 预测的 MSGNet-MLLA Transformer。该方法将动态多尺度图卷积、Mamba 启发的线性潜在注意力和联合时频特征提取整合到一个统一框架中。动态图模块自适应地建模了时间退化段之间的演变相关性，而多尺度设计捕获了局部、中距离和全局退化模式。MLLA 模块将输入序列映射到...

#### 作者贡献声明
Gao Shuzhi：写作——审阅与编辑、验证、监督、方法论、调查。
Zhang Yuntian：写作——审阅与编辑、可视化、验证、软件、项目管理、方法论、调查、形式分析、概念化。
Shang Youwei：写作——原始草稿、数据整理。

#### 资金支持
本研究得到了国家自然科学基金的支持，项目编号为 52275156。

#### 竞争利益声明
作者声明以下可能的财务利益/个人关系，这些关系可能被视为潜在的竞争利益：Gao Shuzhi 报告称得到了国家自然科学基金的支持。如果有其他作者，他们声明没有已知的竞争财务利益或个人关系可能影响本文所述的工作。