林懿，龍偉，李炎炎，魏鴻飛，湯高豐

（1.四川大學(xué)機(jī)械工程學(xué)院，四川成都，610097； 2.成都中創(chuàng)一佳科技公司, 四川成都，610065）

0 引言

滾動(dòng)軸承是旋轉(zhuǎn)設(shè)備中應(yīng)用最廣的關(guān)鍵部件之一，因其工況惡劣，承受載荷多變、強(qiáng)度大和時(shí)間長(zhǎng)等特點(diǎn)，也是最易損的部件之一。并且由于軸承失效的突發(fā)性，事故的發(fā)生難以預(yù)料，在造成經(jīng)濟(jì)損失的同時(shí)，也會(huì)給工業(yè)安全生產(chǎn)帶來(lái)嚴(yán)峻挑戰(zhàn)[1]。因此，提前預(yù)測(cè)軸承剩余使用壽命能夠快速反應(yīng)決策，對(duì)保障人員財(cái)產(chǎn)安全具有重大意義。傳統(tǒng)RUL預(yù)測(cè)嚴(yán)重依賴(lài)專(zhuān)家經(jīng)驗(yàn)，不僅成本高，且在大規(guī)模生產(chǎn)或惡劣環(huán)境狀況下，僅憑人力也難以負(fù)擔(dān)。如何低成本、高效且智能的對(duì)滾動(dòng)軸承RUL實(shí)現(xiàn)精確預(yù)測(cè)，成為工業(yè)工程中亟待解決的問(wèn)題。

而隨著新一代信息技術(shù)的高速發(fā)展，云計(jì)算、大數(shù)據(jù)和人工智能等手段通過(guò)打造工業(yè)領(lǐng)域的互聯(lián)網(wǎng)平臺(tái)賦能裝備智能運(yùn)維與自主健康，為軸承RUL預(yù)測(cè)提供了一種全新的、高效的、智能的解決方法。基于網(wǎng)絡(luò)技術(shù)開(kāi)展設(shè)備遠(yuǎn)程監(jiān)測(cè)診斷的研究可追溯到上世紀(jì)90年代，在國(guó)外，1997年麻省理工學(xué)院與斯坦福大學(xué)共辦第一屆“基于因特網(wǎng)的工業(yè)遠(yuǎn)程診斷研討會(huì)”，對(duì)該技術(shù)的連接體系、診斷信息、傳輸協(xié)議以及相關(guān)限制進(jìn)行了探討，提出了展望與預(yù)期，獲得了國(guó)家以及相關(guān)行業(yè)公司的支持合作[2]；2012年美國(guó)GE公司發(fā)布報(bào)告，重點(diǎn)以“旋轉(zhuǎn)機(jī)械”為討論對(duì)象，提出將傳感器嵌入各類(lèi)先進(jìn)儀器儀表以收集分析信息數(shù)據(jù)，改進(jìn)設(shè)備性能，并打造出全球首個(gè)工業(yè)互聯(lián)網(wǎng)平臺(tái)——Predix[3]。在國(guó)內(nèi)，諸多高校行業(yè)也依據(jù)自身優(yōu)勢(shì)專(zhuān)業(yè)，在各工業(yè)領(lǐng)域開(kāi)展設(shè)備遠(yuǎn)程診斷，并取得部分成果，其中，華中科技大學(xué)[4]在網(wǎng)絡(luò)上設(shè)立診斷點(diǎn)，以實(shí)驗(yàn)室為單位成功提供了遠(yuǎn)程診斷服務(wù)。北京化工大學(xué)的高金吉院士團(tuán)隊(duì)[5]從企業(yè)工程經(jīng)驗(yàn)出發(fā)，于2012年就推出了基于工業(yè)互聯(lián)網(wǎng)的設(shè)備監(jiān)測(cè)診斷平臺(tái)，能夠于在線、無(wú)線、離線狀態(tài)下實(shí)現(xiàn)對(duì)工業(yè)現(xiàn)場(chǎng)設(shè)備的故障診斷。

近些年，隨著傳統(tǒng)制造業(yè)轉(zhuǎn)型升級(jí)的呼聲愈發(fā)高昂，以工業(yè)互聯(lián)網(wǎng)賦能設(shè)備監(jiān)測(cè)診斷，促使設(shè)備診斷信息化、管理決策智能化也掀起空前熱潮。

1 端-邊-云協(xié)同方案設(shè)計(jì)

本文方案是以“面向產(chǎn)業(yè)集群全業(yè)務(wù)服務(wù)的工業(yè)互聯(lián)網(wǎng)平臺(tái)”為基礎(chǔ)設(shè)計(jì)的，該平臺(tái)由四川大學(xué)龍偉教授團(tuán)隊(duì)推出，主要針對(duì)國(guó)內(nèi)某開(kāi)發(fā)區(qū)企業(yè)類(lèi)型多、產(chǎn)業(yè)數(shù)量多的特點(diǎn)建設(shè)的，并已成功入選“重慶市十大軟件公共服務(wù)平臺(tái)培育方案”，平臺(tái)主界面如圖1所示。

圖1 工業(yè)互聯(lián)網(wǎng)平臺(tái)主界面

傳統(tǒng)的“端-云”協(xié)同面臨以下問(wèn)題：（1）大數(shù)據(jù)傳輸問(wèn)題。未加處理的海量設(shè)備端數(shù)據(jù)在傳輸至云端的過(guò)程中，存在高延遲的缺陷；（2）實(shí)時(shí)性問(wèn)題。數(shù)據(jù)量過(guò)大，影響云計(jì)算的實(shí)時(shí)處理能力；（3）安全問(wèn)題。端-云傳輸路徑過(guò)長(zhǎng)，存在數(shù)據(jù)丟失以及泄露風(fēng)險(xiǎn)。盡管“端-云”協(xié)同的架構(gòu)解決了終端設(shè)備的限制，但仍存在一定的問(wèn)題影響服務(wù)質(zhì)量和效率。為了緩解上述問(wèn)題，在端-云架構(gòu)中靠近設(shè)備端的部分，引入邊緣層，對(duì)海量工業(yè)數(shù)據(jù)實(shí)施預(yù)處理和儲(chǔ)存，能夠產(chǎn)生更快的網(wǎng)絡(luò)服務(wù)響應(yīng)，滿足工業(yè)實(shí)時(shí)性、應(yīng)用智能性、信息安全性。端-邊-云總體架構(gòu)如圖2所示。

圖2 端-邊-云總體架構(gòu)

1.1 端層功能設(shè)計(jì)

端層又叫應(yīng)用層、設(shè)備層或者感知層，主要指的是工業(yè)現(xiàn)場(chǎng)的數(shù)據(jù)采集系統(tǒng)，通常包括工業(yè)設(shè)備、傳感器以及嵌入式系統(tǒng)等。在工業(yè)現(xiàn)場(chǎng)，主要是將各類(lèi)有線和無(wú)線通信技術(shù)接入各種工業(yè)現(xiàn)場(chǎng)設(shè)備、智能產(chǎn)品/裝備采集工業(yè)數(shù)據(jù)。因此，利用加速度傳感器，采集重要設(shè)備的軸承振動(dòng)信號(hào)，并通過(guò)智能網(wǎng)關(guān)傳輸?shù)竭吘壏?wù)器。

1.2 邊層功能設(shè)計(jì)

邊層又叫邊緣層，能利用云網(wǎng)關(guān)連接工廠網(wǎng)絡(luò)中的各類(lèi)設(shè)備，采集端層的多源異構(gòu)數(shù)據(jù)，匯聚各類(lèi)工業(yè)參數(shù)，并進(jìn)行準(zhǔn)確及時(shí)的協(xié)議解析、數(shù)據(jù)清洗、存儲(chǔ)和科學(xué)的分析處理，通過(guò)以太網(wǎng)、移動(dòng)網(wǎng)絡(luò)等上網(wǎng)方式與云平臺(tái)進(jìn)行通信，實(shí)現(xiàn)數(shù)據(jù)上云。將邊緣服務(wù)器部署在靠近工業(yè)現(xiàn)場(chǎng)的節(jié)點(diǎn)，一方面，能夠解決設(shè)備端儲(chǔ)存、計(jì)算能力不足的問(wèn)題；另一方面，通過(guò)邊層對(duì)工業(yè)數(shù)據(jù)的結(jié)構(gòu)化處理，不僅將云層的計(jì)算任務(wù)卸載到邊層，減輕了云中心的處理壓力、增加了傳輸效率。此外，由于目前在工業(yè)數(shù)據(jù)采集領(lǐng)域，多種工業(yè)協(xié)議標(biāo)準(zhǔn)并存，各種工業(yè)協(xié)議標(biāo)準(zhǔn)不統(tǒng)一、互不兼容，導(dǎo)致協(xié)議解析、數(shù)據(jù)格式轉(zhuǎn)換和數(shù)據(jù)互聯(lián)互通困難。因此采用一種以SOA、WebService為核心的跨平臺(tái)數(shù)據(jù)交換技術(shù)，即OPC UA統(tǒng)一架構(gòu)，在單一接口情況下實(shí)現(xiàn)多種工業(yè)協(xié)議標(biāo)準(zhǔn)的數(shù)據(jù)交換。因此，在邊緣層中，將軸承原始振動(dòng)信號(hào)進(jìn)行數(shù)據(jù)清洗、特征提取后，再傳輸給云層計(jì)算中心。

1.3 云層功能設(shè)計(jì)

云層也被稱(chēng)為云計(jì)算層，即“面向產(chǎn)業(yè)集群全業(yè)務(wù)服務(wù)的工業(yè)互聯(lián)網(wǎng)平臺(tái)”，是面向客戶(hù)的中心平臺(tái)或封裝軟件，主要接受來(lái)自邊緣層的數(shù)據(jù)流，并通過(guò)對(duì)數(shù)據(jù)進(jìn)行智能分析與可視化展示，為用戶(hù)提供決策支撐。同時(shí)，由于云服務(wù)器具備足夠的計(jì)算與緩存能力，因此，將訓(xùn)練好的軸承RUL預(yù)測(cè)模型模型部署于云層，實(shí)現(xiàn)網(wǎng)絡(luò)化協(xié)同管理，對(duì)軸承狀態(tài)實(shí)現(xiàn)智能分析、判斷和預(yù)警，為工業(yè)安全生產(chǎn)提供遠(yuǎn)程分析和決策服務(wù)，保障工業(yè)現(xiàn)場(chǎng)的安全生產(chǎn)。

2 基于QPSO-LSTM的軸承RUL預(yù)測(cè)建模

LSTM網(wǎng)絡(luò)在長(zhǎng)距離時(shí)序預(yù)測(cè)過(guò)程中表現(xiàn)出極佳的魯棒性和適應(yīng)性，適用于滾動(dòng)軸承RUL預(yù)測(cè)。但單一的LSTM網(wǎng)絡(luò)預(yù)測(cè)方法過(guò)于依賴(lài)人為設(shè)置神經(jīng)網(wǎng)絡(luò)的超參數(shù)，這不僅導(dǎo)致訓(xùn)練模型隨機(jī)性高、算法智能性差，還影響模型預(yù)測(cè)精度。因此，使用量子粒子群優(yōu)化算法（Quantum Particle Swarm Optimization，QPSO）對(duì)LSTM的網(wǎng)絡(luò)超參數(shù)自適應(yīng)尋優(yōu)，建立起QPSO-LSTM網(wǎng)絡(luò)模型，最終實(shí)現(xiàn)對(duì)軸承剩余壽命的智能預(yù)測(cè)。

2.1 算法介紹

2.1.1 QPSO算法

Sun[6]模擬量子波動(dòng)行為，提出了一種QPSO算法，該算法引入了量子理論，從智能進(jìn)化和搜索策略的本質(zhì)上對(duì)PSO進(jìn)行了改進(jìn)。與標(biāo)準(zhǔn)PSO根據(jù)粒子飛行速度更新位置的行為不同，QPSO取消了粒子“速度向量”的屬性，使粒子位置的更新不關(guān)聯(lián)于粒子運(yùn)動(dòng)，以此增加算法搜尋能力。此外，基于量子理論，將粒子視為量子束縛態(tài)，其位置為搜尋空間中任意可能的點(diǎn)，而粒子存在于該點(diǎn)的概率將由概率密度函數(shù)決定。因此，基于δ勢(shì)阱理論，通過(guò)求解薛定諤方程，就能求出該概率密度函數(shù)，并在其旁邊進(jìn)行逆變換從而獲得粒子位置。與傳統(tǒng)算法相比，QPSO可以在整個(gè)可行域內(nèi)搜索最優(yōu)解，具有快速收斂性和魯棒性。同時(shí)，QPSO算法在對(duì)多維函數(shù)的尋優(yōu)問(wèn)題中，表現(xiàn)出極佳的精度。算法原理和步驟如下：

Step1：計(jì)算平均最佳位置mbestt：

其中，M為粒子種群數(shù)；pbesti,t為t代粒子中的個(gè)體最優(yōu)位置。

Step2：更新粒子位置。因?yàn)榱Ｗ犹幱讦膭?shì)阱中，從量子理論來(lái)看，粒子在不斷演變的過(guò)程中，種群具有一定程度的聚集性，粒子將會(huì)被吸引子逐漸吸引到該點(diǎn)。吸引子公式為：

其中，α是加權(quán)因子，遵循[0, 1]上的均勻分布數(shù)值

同時(shí)，為了更新粒子位置，需要將粒子從量子態(tài)壓縮到經(jīng)典態(tài)，并使用蒙特卡羅隨機(jī)模擬獲得下一代粒子位置：

其中，xi,t+1表示粒子t+1代的位置，β為創(chuàng)新參數(shù)，名為收縮擴(kuò)張系數(shù),取值一般小于1；u遵循[0, 1]上的均勻分布；取+與-的概率各為0.5。

QPSO算法結(jié)合了PSO和量子理論的特點(diǎn)，具有如下優(yōu)點(diǎn)：①具有概率為1的全局收斂能力；②參數(shù)量少，算法收斂速度和粒子位置只取決于參數(shù)β，具有更簡(jiǎn)單的結(jié)構(gòu)、更快的收斂速度；③比標(biāo)準(zhǔn)PSO輸出更為穩(wěn)定，魯棒性極佳。

2.1.2 LSTM網(wǎng)絡(luò)

在滾動(dòng)軸承壽命預(yù)測(cè)時(shí)，考慮到軸承退化過(guò)程是動(dòng)態(tài)和發(fā)展的，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)只能表現(xiàn)為對(duì)當(dāng)前時(shí)刻監(jiān)測(cè)信號(hào)的映射，忽略了時(shí)序信號(hào)在不同時(shí)間的相關(guān)性[7]。循環(huán)神經(jīng)網(wǎng)絡(luò)RNN擁有記憶循環(huán)結(jié)構(gòu)，能夠同時(shí)兼顧輸入信號(hào)的空間和時(shí)序性，但在長(zhǎng)時(shí)序數(shù)據(jù)中，有依賴(lài)下降的缺點(diǎn)。LSTM網(wǎng)絡(luò)是RNN的變種，是為了解決RNN長(zhǎng)期以來(lái)存在的梯度消失和爆炸問(wèn)題所提出的，相對(duì)于RNN，LSTM網(wǎng)絡(luò)在長(zhǎng)時(shí)序記憶中有更好的表現(xiàn)。

傳統(tǒng)RNN是一個(gè)鏈?zhǔn)浇Y(jié)構(gòu)，通過(guò)單一網(wǎng)絡(luò)的復(fù)制將信息傳遞給下一個(gè)神經(jīng)模塊，因此RNN具備一定的記憶功能。但隨著數(shù)據(jù)時(shí)間片段與網(wǎng)絡(luò)節(jié)點(diǎn)計(jì)算階段增加，RNN會(huì)逐漸喪失接受遠(yuǎn)程信息的能力，也就是出現(xiàn)了長(zhǎng)期依賴(lài)問(wèn)題。此外，RNN權(quán)值矩陣的循環(huán)乘積，會(huì)產(chǎn)生梯度消失和爆炸，使得其模型訓(xùn)練困難。

LSTM引入門(mén)（gate）機(jī)制，在隱藏層增加一個(gè)細(xì)胞狀態(tài)，以輸入門(mén)、輸出門(mén)和遺忘門(mén)控制信息流動(dòng)。與RNN不同的是，LSTM重復(fù)模塊中并非單一神經(jīng)網(wǎng)絡(luò)，而是四個(gè)交互層，共同控制信息沿著時(shí)間軸更新。其中，三種狀態(tài)門(mén)形成記憶單元結(jié)構(gòu)組織決定單元狀態(tài)。通過(guò)這種刻意設(shè)計(jì)的結(jié)構(gòu)，LSTM網(wǎng)絡(luò)能夠利用門(mén)控傳輸機(jī)制，有選擇性的記住需要長(zhǎng)時(shí)間記憶的信息，而遺忘掉無(wú)用信息，徹底解決了RNN網(wǎng)絡(luò)“呆板”的疊加式記憶方式。

2.1.3 QPSO-LSTM

Klaus greff[8]等人研究了LSTM網(wǎng)絡(luò)相關(guān)超參數(shù)設(shè)置對(duì)預(yù)測(cè)結(jié)果的影響，實(shí)驗(yàn)表明，學(xué)習(xí)速率和網(wǎng)絡(luò)大小的設(shè)置至關(guān)重要，因此，可用QPSO算法對(duì)學(xué)習(xí)速率、迭代次數(shù)、隱含神經(jīng)元節(jié)點(diǎn)數(shù)（兩層網(wǎng)絡(luò)結(jié)構(gòu)）共四個(gè)超參數(shù)進(jìn)行尋優(yōu)，以得到精度更高、更穩(wěn)定的訓(xùn)練模型。其中，適應(yīng)度值函數(shù)定義為均方差，計(jì)算公式如下：

其中，Ai為測(cè)試值，F(xiàn)i為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值。

算法流程如圖3所示。

圖3 QPSO-LSTM算法流程

2.2 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)數(shù)據(jù)為來(lái)自IEEE協(xié)會(huì)2012年舉辦的PHM預(yù)測(cè)挑戰(zhàn)賽軸承全周期振動(dòng)信號(hào)[9]，選用兩種工況下的Bearing1-1及Bearing2-1為訓(xùn)練集數(shù)據(jù)，Bearing1-3為測(cè)試集數(shù)據(jù)，具體軸承全壽命信號(hào)圖如圖4所示。經(jīng)過(guò)綜合考慮，提取信號(hào)最小值、能量熵、峰峰值、最大值、波形、整流平均值、標(biāo)準(zhǔn)差、方差等8組特征構(gòu)建軸承退化特征向量。此外，將軸承剩余壽命模型簡(jiǎn)化為一次方程，并引入軸承特征共同構(gòu)建訓(xùn)練參數(shù)集，同時(shí)為了更直觀地呈現(xiàn)剩余壽命預(yù)測(cè)情況，將剩余壽命歸一化為[0, 1]，1代表百分百剩余壽命，0代表軸承完全失效。

圖4 軸承全壽命信號(hào)圖

Elman、CNN、BP、標(biāo)準(zhǔn)LSTM及PSO-LSTM多種模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。其中，Elman網(wǎng)絡(luò)是一種遞歸神經(jīng)網(wǎng)絡(luò)，因?yàn)楸旧戆ㄋ膶泳W(wǎng)絡(luò)結(jié)構(gòu)，所以具有一定的延時(shí)時(shí)變能力，常用于回歸預(yù)測(cè)；CNN網(wǎng)絡(luò)則是一種具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，在機(jī)器視覺(jué)、語(yǔ)音處理及分類(lèi)問(wèn)題中表現(xiàn)極佳；BP網(wǎng)絡(luò)則是當(dāng)前應(yīng)用最廣的模型之一，具有模型結(jié)構(gòu)簡(jiǎn)明、運(yùn)算效率高的特點(diǎn)，其本身能利用梯度下降法減小訓(xùn)練誤差，因此在非線性擬合中表現(xiàn)突出。各模型預(yù)測(cè)結(jié)果曲線如圖5所示，而為了便于展示，圖中的曲線是經(jīng)平滑處理后的結(jié)果。

由圖5可知，六種模型的剩余壽命預(yù)測(cè)值同真實(shí)值的整體變化趨勢(shì)基本相同，直觀反映了所取特征參數(shù)的退化敏感性較高，對(duì)軸承退化狀態(tài)表征能力較強(qiáng)，證明了自適應(yīng)特征選擇算法的有效性與實(shí)用性。分階段來(lái)看，在退化初期，即[0, 500]處，所有模型的預(yù)測(cè)效果都較差，主要原因是軸承剛接入負(fù)載系統(tǒng)，系統(tǒng)整體穩(wěn)定性不高，導(dǎo)致軸承振幅波動(dòng)較大，待系統(tǒng)趨于平穩(wěn)后，擬合效果才逐漸提高；而在[500, 1000]處的振幅平穩(wěn)階段預(yù)測(cè)值與真實(shí)值誤差較小，模型擬合曲線精度普遍較高，這是因?yàn)榇穗A段軸承磨損量較小，整體處于健康狀態(tài)，振動(dòng)特征平穩(wěn)，因此具有較高的擬合精度；而在[1000, 1500]處的退化中期階段，因軸承磨損量逐漸加深，振動(dòng)信號(hào)非線性、非平穩(wěn)性增強(qiáng)，因此預(yù)測(cè)誤差較大，此外，由于振幅波動(dòng)較大，與退化初期的表現(xiàn)形式相似，導(dǎo)致五種對(duì)比模型剩余壽命預(yù)測(cè)值擬合曲線在真實(shí)值曲線上方，而只有本文所提出的QPSO-LSTM算法具有最佳的擬合效果，體現(xiàn)出該算法預(yù)測(cè)結(jié)果的精確性；最后，在[1500, 2500]處的急速退化階段，六種模型擬合精度普遍較高，因?yàn)楸倦A段軸承退化趨勢(shì)明顯，振幅異常，振動(dòng)特征表征效果最佳。同時(shí)，為了定量評(píng)價(jià)各算法剩余壽命預(yù)測(cè)模型的精度，以均方根誤差RMSE和決定系數(shù)R2為評(píng)價(jià)指標(biāo)，公式如下：

圖5 預(yù)測(cè)結(jié)果對(duì)比圖

其中，Ai為測(cè)試值，F(xiàn)i為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值，F(xiàn)為Fi的平均值。

根據(jù)式(5)和(6)計(jì)算的模型精度評(píng)價(jià)指標(biāo)結(jié)果如表1所示， RMSE指標(biāo)代表著預(yù)測(cè)輸出與預(yù)期輸出的誤差值，該指標(biāo)越小，則代表整體預(yù)測(cè)越小，預(yù)測(cè)精度越高；R2指標(biāo)代表著預(yù)測(cè)結(jié)果對(duì)預(yù)期值的擬合度，其值越大，說(shuō)明擬合結(jié)果越好，預(yù)測(cè)精度越高。LSTM網(wǎng)絡(luò)模型則因其獨(dú)特的長(zhǎng)時(shí)序記憶能力，在長(zhǎng)距離時(shí)序數(shù)據(jù)預(yù)測(cè)方面表現(xiàn)突出，因此，LSTM網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果顯著優(yōu)于其余網(wǎng)絡(luò)模型；其次，為了解決LSTM網(wǎng)絡(luò)智能化訓(xùn)練問(wèn)題，使用PSO算法對(duì)網(wǎng)絡(luò)超參數(shù)尋優(yōu)，結(jié)果顯示，PSO尋優(yōu)后的LSTM網(wǎng)絡(luò)預(yù)測(cè)效果優(yōu)于超參數(shù)固定設(shè)置的標(biāo)準(zhǔn)LSTM網(wǎng)絡(luò)，驗(yàn)證了智能訓(xùn)練的有效性；最后，為了提高尋優(yōu)精度，提出一種QPSO-LSTM網(wǎng)絡(luò)模型，結(jié)果也表明，QPSO算法尋優(yōu)精度更高，因此該模型的剩余壽命曲線擬合最符合真實(shí)值，且預(yù)測(cè)模型評(píng)價(jià)結(jié)果中，RMSE最小、R2最大，預(yù)測(cè)精度最高。

表1 模型評(píng)價(jià)

綜上所述，本節(jié)所提出的基于QPSO-LSTM算法不僅可以有效的預(yù)測(cè)滾動(dòng)軸承剩余壽命，還能夠自適應(yīng)調(diào)整網(wǎng)絡(luò)超參數(shù)，智能訓(xùn)練模型，為設(shè)備在線監(jiān)測(cè)與維護(hù)提供了一種新的策略。

最后，將預(yù)測(cè)模型部署于工業(yè)互聯(lián)網(wǎng)平臺(tái)上，預(yù)測(cè)結(jié)果如圖6所示。圖6中，橫坐標(biāo)表示軸承工作時(shí)間，縱坐標(biāo)表示軸承剩余壽命，曲線則表示當(dāng)前軸承剩余壽命。通過(guò)提取當(dāng)前時(shí)刻軸承的退化特征，輸入QPSO-LSTM壽命預(yù)測(cè)模型，能夠提前預(yù)測(cè)軸承失效時(shí)間，快速反應(yīng)決策，避免因設(shè)備可靠性缺失導(dǎo)致惡性工業(yè)事故的發(fā)生。此外，圖7還展示了平臺(tái)另一個(gè)功能——軸承狀態(tài)識(shí)別的可視化。圖7中，左邊為離散點(diǎn)分析，主要通過(guò)振動(dòng)信號(hào)振幅大小輔助判定軸承是否運(yùn)行異常，右邊為軸承診斷結(jié)果及三維聚類(lèi)圖的可視化展示。

圖6 滾動(dòng)軸承剩余壽命預(yù)測(cè)結(jié)果

圖7 軸承故障診斷結(jié)果可視化

3 結(jié)論

（1）設(shè)計(jì)了一套“端云邊”協(xié)同的工業(yè)互聯(lián)網(wǎng)架構(gòu)，通過(guò)端層采集軸承振動(dòng)信號(hào)并傳輸至邊層；在邊緣層對(duì)大量軸承數(shù)據(jù)進(jìn)行預(yù)處理與特征提取，減少云端復(fù)雜，增加預(yù)測(cè)實(shí)時(shí)性；最后，在云層部署智能模型，實(shí)現(xiàn)對(duì)軸承RUL的準(zhǔn)確預(yù)測(cè)；

（2）提出了一種基于QPSO-LSTM的軸承RUL預(yù)測(cè)算法，通過(guò)QPSO優(yōu)化算法自適應(yīng)設(shè)定LSTM的網(wǎng)絡(luò)超參數(shù)，使其更穩(wěn)定、精確的對(duì)RUL進(jìn)行預(yù)測(cè)。并通過(guò)軸承全壽命數(shù)據(jù)與多種算法對(duì)比，驗(yàn)證了該算法的實(shí)用性；

（3）將智能模型部署于工業(yè)互聯(lián)網(wǎng)云端，實(shí)現(xiàn)了對(duì)軸承RUL的在線智能預(yù)測(cè)。

提前預(yù)測(cè)設(shè)備失效時(shí)間，能夠快速反應(yīng)決策，避免惡性安全事故，保證人員財(cái)產(chǎn)安全；同時(shí)，智能化的設(shè)備健康管理技術(shù)也可以節(jié)省人力成本，提升企業(yè)管理效率，在加快傳統(tǒng)制造業(yè)轉(zhuǎn)型升級(jí)、增強(qiáng)中國(guó)制造核心競(jìng)爭(zhēng)力方面作用深遠(yuǎn)。