基于TCN与多头自注意力融合的矿井提升机联合故障预测与剩余使用寿命估计方法

《Scientific Reports》：Joint fault prediction and remaining useful life estimation for large-scale mining equipment based on temporal convolutional network and multi-head self-attention

　　

摘要

大型采矿设备的可靠运行既关乎生产效率，也关乎地下工作人员的安全，然而该行业仍常见的维护策略要么是定期更换健康部件，要么就是等待突如其来的故障发生。本文提出了一种联合故障预测和剩余使用寿命（RUL）估计方法，该方法将时间卷积网络（TCN）与多头自注意力（MHSA）相结合。一个由三个并行膨胀卷积分支构建的多尺度时间卷积模块，采用异构核大小和膨胀配置，同时解析高频故障脉冲、中程运行趋势和长程退化漂移，而通道注意力机制则根据输入为每个尺度加权。由此产生的特征进入基于 MHSA 的融合编码器，该编码器对观察窗口内的全局时间依赖关系进行建模，从而使共享表示既具有局部判别力，又具有全局一致性。一个具有基于不确定性的动态损失加权的统一多任务框架，使得故障分类头和 RUL 回归头能够针对该表示进行协同训练，而无需人工平衡。由于运行中的矿井提升机的运行至失效记录不公开，该方法在两个公共轴承基准上进行了验证，这些基准被广泛用作提升机和齿轮箱轴承的替代：用于分类的凯斯西储大学数据集和用于 RUL 的 XJTU-SY 加速退化数据集，其中一个循环表示一分钟的运行时间。在五个随机种子的平均值上，该方法达到了 98.72?±?0.15% 的分类准确率以及 11.83?±?0.36 循环的 RUL 均方根误差（RMSE），在参数量最小的情况下，优于单独的 TCN、Transformer、CNN-LSTM 和经典机器学习基线，以及四个重新实现的集成模型。消融实验表明，多尺度分支、全局注意力编码和联合训练各自都有贡献，多任务机制相对于单任务训练将不对称分数降低了 19.5%。进一步考察了在冲击干扰、工频干扰和传感器漂移下的鲁棒性，并将从这些实验室基准到实际矿井运行的过渡作为主要的开放问题进行了讨论。