基于图引导表示学习的轴承剩余使用寿命多阶段健康状态估计与不确定性量化

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Multistage health state estimation and uncertainty quantification for bearing remaining useful life via graph-guided representation learning

　　

•阶段感知框架统一了表示学习和剩余使用寿命（RUL）预测。
•健康阶段信息引导退化表示学习。
•健康阶段不确定性提高了概率性剩余使用寿命预测。
•SAGE-UQ 在多种退化场景下表现出鲁棒的性能。

引言
工业系统变得越来越复杂，使得旋转机械的可靠运行日益重要。滚动轴承是故障率最高的部件之一，占计划外机械故障的很大一部分 [1]。早期故障检测和剩余使用寿命（RUL）预测已成为工业预测性维护中的基本研究主题 [2]。准确的 RUL 估算不仅通过有效的维护计划降低了维护成本，而且显著提高了整体系统可靠性 [3]。

最近的基于深度学习的方法通过自动从传感器数据中学习退化特性并建模其时间演化，克服了传统基于特征工程的方法的局限性。基于门控循环单元（GRU）的预测器、长短期记忆（LSTM）自编码器和基于 Transformer 的方法通过捕获时间依赖关系、学习信息表示以及建模退化序列中的长程关系，有助于提高 RUL 预测 [4], [5], [6]。尽管取得了这些进展，但大多数现有方法将轴承退化视为整个生命周期内的单条连续轨迹。这一假设限制了它们显式建模健康阶段间退化行为变化的能力。实际上，轴承退化从健康状态演变为初期退化，最终导致严重故障。尽管退化轨迹可能随制造条件、运行环境和载荷条件而变化，但每个健康阶段都表现出独特的退化模式 [7], [8]。因此，现有的 RUL 预测模型在将健康阶段转变显式纳入退化建模方面仍然有限。

为了更好地表征轴承退化的阶段性特征，许多研究将退化过程分为多个健康阶段。这些健康阶段通常分为正常、初期退化和严重故障阶段，每个阶段都表现出独特的物理特性 [9]。早期的研究主要依赖基于统计阈值的方法来检测退化阶段之间的转变。然而，这些方法严重依赖于经验定义的阈值，且捕捉复杂非线性退化行为的能力有限 [10], [11], [12]。基于聚类和基于分布迁移的方法提供了估计健康阶段的数据驱动手段。然而，这些方法主要在观察到完整的退化轨迹后进行事后分析，限制了其在实时预测场景中的适用性 [13], [14], [15]。最近，基于卷积神经网络和基于集成分类器的方法被引入，显示出对实时健康阶段估计的准确性有所提高 [16], [17]。然而，这些方法将健康阶段估计构建为离散退化状态之间的分类，因此不能显式表示相邻阶段之间渐进转变过程中可能产生的模糊性 [18]。

除了阶段识别之外，最近的研究还试图利用健康阶段信息进行轴承预测。Guo 等人 [19] 将在线退化阶段检测纳入增量迁移学习框架，其中检测到的阶段用于指导阶段式域适应以进行 RUL 预测。然而，退化过程是使用离散阶段标签进行阶段式适应的表示，而没有显式表示渐进阶段转变期间相邻阶段之间的模糊性。Zheng 等人 [20] 引入了模糊隶属度信息来考虑退化边界周围的模糊性，从而提高了阶段边界识别的可靠性。然而，尽管这种隶属度信息量化了健康阶段识别期间的模糊性，但它并未作为不确定性感知预测的概率指导信号直接传播到 RUL 预测器中。

这些最近的研究表明，健康阶段建模已从离散阶段识别发展到阶段感知预测和模糊性感知边界确定。然而，轴承退化是通过连续的物理变化和渐进的状态转变而演变的，因此位于过渡区域的样本可能同时表现出相邻健康阶段的特性。因此，健康阶段信息不应仅仅被视为指示当前退化状态的离散标签，它还可以提供描述退化演化和健康阶段转变的信息。尽管取得了这些进展，但反映过渡模糊性的软健康阶段信息在预测学习中的利用仍然不足。特别是，将其作为退化表示学习和不确定性感知剩余使用寿命预测的共同指导信号的应用仍然处于探索阶段。这一差距促使开发了一个统一的阶段感知学习框架，该框架在退化表示学习和不确定性感知剩余使用寿命预测中始终如一地利用软健康阶段信息。

除了退化表示学习之外，不确定性量化（UQ）是可靠剩余使用寿命预测的另一个重要方面。健康阶段转变的模糊性也可能导致剩余使用寿命预测的不确定性。剩余使用寿命预测中的预测不确定性通常分为偶然不确定性（源于数据固有的变异性）和认知不确定性（源于有限的模型知识）[21], [22]。现有研究使用异方差回归和基于高斯似然的方法估计偶然不确定性 [23], [24], [25]，而使用贝叶斯神经网络和蒙特卡洛丢弃方法估计认知不确定性 [15], [26], [27]。尽管这些方法有效地表征了由数据变异性引起的不确定性和有限的模型知识，但退化状态之间渐进转变相关的模糊性受到的关注相对有限 [28], [29]。

过渡区域中相邻健康阶段特性的共存使得当前退化状态变得模糊，这可能导致剩余使用寿命估算中的预测不确定性。因此，预测不确定性不仅应考虑由数据变异性引起的不确定性和有限的模型知识，还应考虑与健康阶段转变相关的模糊性。从这个角度来看，将软健康阶段信息纳入不确定性估计提供了一种显式考虑过渡模糊性并提高剩余使用寿命预测可靠性的手段。

总之，最近的研究逐步将健康阶段信息从阶段识别扩展到阶段感知预测和模糊性感知边界确定。然而，反映过渡模糊性的软健康阶段信息尚未在退化表示学习和不确定性感知剩余使用寿命预测中得到一致的利用。特别是，其在显式连接健康阶段转变模糊性和预测不确定性方面的作用仍然探索不足。

本文提出了阶段感知图引导嵌入 - 不确定性量化（SAGE-UQ）框架。SAGE-UQ 始终如一地利用软健康阶段信息，在统一的阶段感知预测框架内整合退化表示学习和不确定性感知剩余使用寿命预测。

SAGE-UQ 由一个两阶段学习框架组成。在第一阶段，框架联合执行退化表示学习和健康阶段估计。该阶段学习一个嵌入空间，既捕捉退化演化，又捕捉健康阶段转变。它还估计软健康阶段概率。图引导表示学习通过同时考虑软健康阶段信息和退化进程来捕捉退化样本之间的关系。此外，阶段感知时间对比学习保持了健康状态一致性和退化进展，从而实现反映潜在退化过程的连续表示。

在第二阶段，基于学习到的嵌入执行不确定性感知剩余使用寿命预测。估计的健康阶段概率被用作剩余使用寿命预测的指导信号。这使模型能够动态组合对应于不同退化状态的多个剩余使用寿命回归器的预测。通过使用软健康阶段概率来组合专家预测，该框架在预测不确定性中显式反映了健康阶段转变的模糊性。本研究的主要贡献总结如下。
1) 提出了一种统一的阶段感知框架，通过软健康阶段信息整合退化表示学习和不确定性感知剩余使用寿命预测。
2) 开发了一种阶段感知表示学习机制，通过图引导表示学习和阶段感知时间对比学习来捕捉健康阶段转变特性。所提出的机制学习退化表示，捕捉退化样本之间的关系和健康阶段转变。
3) 提出了一种阶段信息驱动的不确定性感知剩余使用寿命预测策略，根据健康阶段概率动态组合专家预测。所提出的策略在预测不确定性中显式考虑了健康阶段转变的模糊性，从而提高了不确定性估计和剩余使用寿命预测的可靠性。

本文其余部分组织如下。第 2 节介绍了所提出的 SAGE-UQ 框架。第 3 节介绍了用于模型验证的实验数据集和训练配置。第 4 节展示了实验结果，并讨论了所提出方法的性能和不确定性推理特性。最后，第 5 节总结了论文并提出了未来研究方向。

章节片段
方法
本节介绍了所提出的 SAGE-UQ 框架，该框架始终如一地利用健康阶段信息进行退化表示学习和不确定性感知剩余使用寿命预测。如图 1 所示，SAGE-UQ 由一个两阶段学习框架组成，包括阶段感知退化表示学习和不确定性感知剩余使用寿命预测。在第一阶段，图引导表示学习和阶段感知时间对比学习联合估计软健康阶段

数据描述
为了评估所提出模型的性能和泛化能力，我们使用了 IEEE PHM 2012（FEMTO）和 XJTU-SY 轴承数据集，它们提供了多种操作条件下加速寿命试验的振动信号 [31], [32]。具体的操作条件和轴承配置列于表 1 中。按照标准做法，优先考虑水平振动信号，因为它们表现出早期故障症状。
IEEE PHM 2012 数据集是在一个

退化起始点识别结果
本节通过识别退化起始点（DS 点）——即正常阶段和退化阶段之间的关键边界——来评估 SAGE-UQ 的状态估计性能。早期识别对于提供充足的预防性维护提前量至关重要。由于具有最小信号变化的正常区间可能会使剩余使用寿命预测产生偏差，我们从检测到的 DS 点重新定义了故障进展域和剩余使用寿命标签，以确保更高的可靠性。为了确保稳健

结论
本研究提出了用于轴承剩余使用寿命预测的 SAGE-UQ 框架。所提出的框架并没有仅仅将健康阶段信息视为辅助监督信号，而是在退化表示学习和不确定性感知预测中始终如一地利用它。通过在阶段感知预测框架内统一这两个过程，SAGE-UQ 有效地捕捉了渐进退化特性，同时为动态 RUL 提供了可靠的不确定性估计

CRediT 作者贡献声明
姜庆赫：写作 – 初稿，验证，软件，形式分析，数据管理，概念化。
李明星：写作 – 初稿，形式分析，数据管理。
李钟秀：写作 – 初稿，监督，项目管理，方法论，调查，资金支持，形式分析，概念化。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。

致谢
本研究由韩国产业技术计划与评估院和大韩民国贸易、工业与能源部支持（RS-2025-11082970）。

姜庆赫 | 李明星 | 李钟秀