徐娟，蔣瑞，陳為偉，王東峰，鄭昊天

(1.合肥工業(yè)大學(xué) a.計(jì)算機(jī)與信息學(xué)院；b.機(jī)械工程學(xué)院，合肥 230009；2. 上海航天控制技術(shù)研究所，上海201109；3.洛陽(yáng)軸研科技有限公司，河南 洛陽(yáng) 471003 ；4.洛陽(yáng)軸承研究所有限公司，河南 洛陽(yáng) 471039)

軸承作為旋轉(zhuǎn)機(jī)械的重要組成部件，對(duì)許多工業(yè)機(jī)器的正常運(yùn)行至關(guān)重要，其工作狀況是否正常對(duì)整個(gè)裝置的性能有很大影響[1]，一旦軸承發(fā)生疲勞破壞導(dǎo)致失效，會(huì)直接影響整個(gè)設(shè)備的運(yùn)行，從而影響工業(yè)生產(chǎn)以及生命財(cái)產(chǎn)安全。軸承的可靠性分析和剩余使用壽命(Remaining Useful Life，RUL)預(yù)測(cè)至關(guān)重要，是當(dāng)前自動(dòng)化發(fā)展的要求和趨勢(shì)[2]；然而，由于軸承材料、工況的影響，軸承的使用壽命會(huì)表現(xiàn)出不同的退化特點(diǎn)[3]，準(zhǔn)確預(yù)測(cè)軸承剩余使用壽命是待解決的難題。

大多數(shù)深度學(xué)習(xí)解決滾動(dòng)軸承剩余使用壽命預(yù)測(cè)問(wèn)題均是基于以下假設(shè)：足夠多的數(shù)據(jù)樣本，訓(xùn)練集與測(cè)試集的數(shù)據(jù)分布保持一致[4]。然而在實(shí)際工況中，滾動(dòng)軸承退化失效過(guò)程可能需要幾個(gè)月甚至幾年，收集滾動(dòng)軸承全壽命周期的數(shù)據(jù)成本較高；軸承的運(yùn)行狀態(tài)易受其載荷和轉(zhuǎn)速等因素的影響，振動(dòng)信號(hào)的分布也會(huì)受到影響[5]：因此，同一軸承模型即使在相同的工況下，其退化過(guò)程可能具有不同的數(shù)據(jù)分布特征，軸承訓(xùn)練數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)之間的數(shù)據(jù)分布偏差會(huì)導(dǎo)致剩余使用壽命預(yù)測(cè)精度的下降。

遷移學(xué)習(xí)下的領(lǐng)域自適應(yīng)方法能有效解決數(shù)據(jù)分布差異帶來(lái)的預(yù)測(cè)精度下降問(wèn)題。領(lǐng)域自適應(yīng)方法適用于源任務(wù)與目標(biāo)任務(wù)相同但源域與目標(biāo)域中數(shù)據(jù)分布不一致的情況，通過(guò)此方法可以從大量帶標(biāo)簽的源域樣本中學(xué)習(xí)到需要的知識(shí)，并將這些知識(shí)遷移到目標(biāo)域中，從而解決不同數(shù)據(jù)分布的壽命預(yù)測(cè)問(wèn)題。

目前，基于域自適應(yīng)的剩余使用壽命預(yù)測(cè)研究取得了豐碩成果：文獻(xiàn)[6]利用來(lái)自目標(biāo)域的標(biāo)記數(shù)據(jù)提出了一種監(jiān)督域適應(yīng)方法，旨在微調(diào)在源域上訓(xùn)練的雙向長(zhǎng)短期記憶(Bi-directional Long Short-Term Memory，Bi-LSTM)網(wǎng)絡(luò)，但需要目標(biāo)標(biāo)記的剩余使用壽命數(shù)據(jù)，并且不會(huì)針對(duì)常見(jiàn)的特征表示進(jìn)行優(yōu)化；文獻(xiàn)[7]針對(duì)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)分布不同，解決領(lǐng)域轉(zhuǎn)移問(wèn)題的傳統(tǒng)方法，試圖獲得領(lǐng)域不變特征，提出了一種基于對(duì)比對(duì)抗域自適應(yīng)的跨域剩余使用壽命預(yù)測(cè)方法，但未能考慮目標(biāo)特定的信息；文獻(xiàn)[8]提出了一種基于動(dòng)態(tài)領(lǐng)域自適應(yīng)(Dynamic Domain Adaptation，DDA)的機(jī)械設(shè)備多工況剩余使用壽命預(yù)測(cè)方法；文獻(xiàn)[9]將領(lǐng)域?qū)股窠?jīng)網(wǎng)絡(luò)模型與Bi-LSTM網(wǎng)絡(luò)相結(jié)合，對(duì)滾動(dòng)軸承剩余使用壽命進(jìn)行了估計(jì)；文獻(xiàn)[10]提出了一種新的基于域自適應(yīng)LSTM-DNN網(wǎng)絡(luò)的滑動(dòng)軸承剩余使用壽命預(yù)測(cè)方法，通過(guò)模糊C均值聚類(lèi)算法提取多傳感器特征和確定退化發(fā)生時(shí)間，將提取的多傳感器特征用于退化評(píng)估。

現(xiàn)有領(lǐng)域自適應(yīng)方法在應(yīng)用到軸承剩余使用壽命預(yù)測(cè)中往往考慮軸承全生命周期數(shù)據(jù)的分布差異，然而軸承振動(dòng)早期數(shù)據(jù)波動(dòng)較小，快速退化階段數(shù)據(jù)才能更好地反映軸承的退化特性，用全生命周期數(shù)據(jù)進(jìn)行領(lǐng)域自適應(yīng)可能會(huì)出現(xiàn)負(fù)遷移的現(xiàn)象。

針對(duì)上述分析，結(jié)合深度領(lǐng)域自適應(yīng)方法，本文提出了一種基于對(duì)抗域自適應(yīng)的軸承剩余使用壽命預(yù)測(cè)方法。并通過(guò)不同工況下軸承疲勞壽命試驗(yàn)的振動(dòng)數(shù)據(jù)對(duì)比驗(yàn)證本模型的剩余使用壽命預(yù)測(cè)效果。

1 領(lǐng)域自適應(yīng)方法

領(lǐng)域自適應(yīng)方法大體可以分為3種：

1)特征選擇法。該方法基于源域與目標(biāo)域數(shù)據(jù)具有某些相同特征的假設(shè)，目標(biāo)是找出這些公共特征，并以找到的公共特征為基礎(chǔ)構(gòu)建模型。代表性的方法為結(jié)構(gòu)對(duì)應(yīng)學(xué)習(xí)(Structural Correspondence Learning，SCL)法[11]。

2)數(shù)據(jù)分布自適應(yīng)方法。該方法著眼于源域和目標(biāo)域的數(shù)據(jù)分布，利用若干轉(zhuǎn)換手段使數(shù)據(jù)在源域與目標(biāo)域之間的差異最小。具體可分為邊緣分布自適應(yīng)[12]、條件分布自適應(yīng)[13]以及將兩者結(jié)合的聯(lián)合分布自適應(yīng)[14]。本文方法屬于此種方法。

3)子空間學(xué)習(xí)法。該方法的基本假設(shè)是源域與目標(biāo)域數(shù)據(jù)在當(dāng)前空間維度上的相似性不明顯，利用子空間學(xué)習(xí)將2個(gè)域的數(shù)據(jù)變換到一個(gè)低維的公共子空間中，從而學(xué)習(xí)到源域和目標(biāo)域數(shù)據(jù)的域不變特征[15]。

2 基于對(duì)抗域自適應(yīng)的剩余壽命預(yù)測(cè)方法

2.1 域適應(yīng)問(wèn)題定義

本文模型分為2個(gè)部分：健康階段劃分模塊，使用一種基于等滲回歸[16]的退化數(shù)據(jù)預(yù)處理方法去除原始退化數(shù)據(jù)中的隨機(jī)波動(dòng)，并識(shí)別軸承數(shù)據(jù)的退化點(diǎn)，截取快速退化階段數(shù)據(jù)；基于對(duì)抗域自適應(yīng)的進(jìn)行剩余使用壽命預(yù)測(cè)。模型整體結(jié)構(gòu)如圖1所示。

圖1 基于對(duì)抗域自適應(yīng)的軸承剩余使用壽命預(yù)測(cè)模型

2.2 基于等滲回歸的軸承健康階段劃分

2.2.1 等滲回歸算法流程

令y(t)為時(shí)間t下的累計(jì)退化路徑，y(0)=0,所有監(jiān)測(cè)時(shí)間點(diǎn)與對(duì)應(yīng)的退化測(cè)量值分別為ti={t1,t2,…,tk}和yi={y1,y2,…，yk}，i=1,2,…，k。

等滲回歸假設(shè)最能代表數(shù)據(jù)趨勢(shì)的函數(shù)是單調(diào)的，因此提供了線性回歸的替代方法，對(duì)數(shù)據(jù)擬合為分段常數(shù)非遞減(階梯狀)的函數(shù)。

原始退化數(shù)據(jù)經(jīng)常呈現(xiàn)隨機(jī)波動(dòng)，采用等滲回歸可以消除這些波動(dòng)，使退化過(guò)程呈現(xiàn)單調(diào)趨勢(shì)。等滲回歸定義為：令X為一個(gè)有限集{x1,x2,…，xk}和x1?x2?…?xk，假設(shè)f是X的給定函數(shù)，那么函數(shù)f*為f的等滲回歸，權(quán)重為ω。

對(duì)于原始退化數(shù)據(jù)(ti,yi)，i=1,2,…，k，監(jiān)測(cè)時(shí)間點(diǎn)有一個(gè)簡(jiǎn)單的順序，即t1

1)若f是等滲的，那么f*=f。

2)若存在某個(gè)時(shí)刻i，f(xi-1)>f(xi)，將這2個(gè)值替換為其加權(quán)平均值A(chǔ)，即

(1)

2個(gè)權(quán)重ω(xi-1)和ω(xi)均被替換成ω(xi-1)+ω(xi)。

3)若這組新的k-1值是等滲的，使

f(x1)?…?f(xi-2)?A{i-1,i}?

…?f(xk)，

(2)

f*(xi-1)=f*(xi)=A{i-1,i}，

f*(xj)=f(xj)。

4)若這組新值不是等滲的，則使用新值和權(quán)重值重復(fù)上述過(guò)程，直到獲得一組等滲值。使用PAVA可以對(duì)原始退化數(shù)據(jù)進(jìn)行預(yù)處理，直到變成等滲數(shù)據(jù)。最終處理結(jié)果如圖2所示，有許多跳躍點(diǎn)。

圖2 PAVA預(yù)處理后的退化數(shù)據(jù)示意圖

2.2.2 退化點(diǎn)識(shí)別

由圖2可知，在第1個(gè)跳躍點(diǎn)開(kāi)始退化時(shí)，前幾個(gè)跳躍點(diǎn)的幅度可能非常小，在此階段仍然處于健康階段。采用單位時(shí)間的退化增量確定退化階段的變化點(diǎn)，即當(dāng)單位時(shí)間的增量超過(guò)了給定的閾值Δ，軸承開(kāi)始進(jìn)入快速退化階段(即檢測(cè)出退化點(diǎn))。為此，構(gòu)建了一個(gè)包含n個(gè)退化數(shù)據(jù)點(diǎn)的滑動(dòng)窗口，即

(3)

線性回歸模型y*為

y*=Δi·t+ω，

(4)

式中：Wi為長(zhǎng)度為n的滑動(dòng)窗口；y*為yi等滲回歸算法后的測(cè)量值；Δi為窗口的退化梯度；t為退化時(shí)間點(diǎn)。

在滑動(dòng)窗口上進(jìn)行擬合，Δi使用最小二乘法計(jì)算，即

(5)

對(duì)每個(gè)窗口，將Δi與Δ進(jìn)行比較，如圖3所示，當(dāng)Δi≤Δ時(shí)，振動(dòng)數(shù)據(jù)被判定為健康階段數(shù)據(jù)，然后通過(guò)合并新的退化數(shù)據(jù)更新滑動(dòng)窗口，并重復(fù)此過(guò)程直到Δi>Δ。此時(shí)，Wi的第1個(gè)時(shí)間點(diǎn)，即滑動(dòng)窗口的左側(cè)，被確定為退化點(diǎn)。

圖3 退化點(diǎn)識(shí)別的滑動(dòng)窗口示意圖

識(shí)別出每套訓(xùn)練軸承和測(cè)試軸承的退化點(diǎn)，并截取退化點(diǎn)后的快速退化階段數(shù)據(jù)作為基于對(duì)抗域自適應(yīng)剩余使用壽命預(yù)測(cè)方法的輸入。

在使用對(duì)抗域自適應(yīng)前需使用“最小-最大規(guī)范化方法”對(duì)快速退化階段的軸承振動(dòng)信號(hào)進(jìn)行預(yù)處理，使處理后的全部數(shù)據(jù)為0～1。最小-最大規(guī)范化方法對(duì)原始數(shù)據(jù)進(jìn)行線性變換，同時(shí)依然保持原始數(shù)據(jù)之間的潛在聯(lián)系。

快速退化階段的振動(dòng)信號(hào)數(shù)據(jù)為V={v1,v2,…,vi,…,vN}，vi為快速退化階段的第i個(gè)時(shí)間點(diǎn)。對(duì)快速退化階段數(shù)據(jù)進(jìn)行變換得到數(shù)據(jù)X={x1,x2,…,xi,…,xN}。最小-最大規(guī)范化方法的公式為

(6)

式中：xi為快速退化階段進(jìn)行最小-最大規(guī)范化方法變換后的第i個(gè)數(shù)據(jù)。

2.3 軸承剩余使用壽命預(yù)測(cè)方法

本文提出了一種對(duì)抗域自適應(yīng)(Adversarial Domain Adaptation,ADA)方法，通過(guò)源域和目標(biāo)域的對(duì)抗訓(xùn)練學(xué)習(xí)目標(biāo)域數(shù)據(jù)的域不變特征，進(jìn)而在目標(biāo)域下實(shí)現(xiàn)滿(mǎn)意的剩余使用壽命預(yù)測(cè)。

2.3.1 預(yù)訓(xùn)練過(guò)程

1)特征提取器

長(zhǎng)短期記憶(Long and Short Term Memory,LSTM)網(wǎng)絡(luò)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)的強(qiáng)大變體，可以用來(lái)處理時(shí)間序列數(shù)據(jù)長(zhǎng)期依賴(lài)關(guān)系，并避免了梯度消失和梯度爆炸等問(wèn)題。本文使用一個(gè)深度LSTM網(wǎng)絡(luò)，其具有3個(gè)連續(xù)的網(wǎng)絡(luò)層，能夠自動(dòng)提取軸承振動(dòng)數(shù)據(jù)中反映退化趨勢(shì)的特征。為防止過(guò)擬合，在每層LSTM網(wǎng)絡(luò)后加了Dropout層。

2)剩余使用壽命預(yù)測(cè)模塊

剩余使用壽命預(yù)測(cè)模塊是一層門(mén)控循環(huán)單元。RUL預(yù)測(cè)器R和特征提取器ES使用預(yù)測(cè)RUL值與真實(shí)RUL值之間的均方誤差(Mean Squared Error，MSE)損失以端到端的方式進(jìn)行訓(xùn)練，可以形式化為

(7)

2.3.2 對(duì)抗域自適應(yīng)

對(duì)抗域自適應(yīng)模塊主要由源特征提取器ES、目標(biāo)特征提取器ET、域判別器D組成。采用訓(xùn)練好的源特征提取器的權(quán)重初始化目標(biāo)特征提取器。首先，將源域和目標(biāo)域的輸出特征輸入到對(duì)抗性判別器網(wǎng)絡(luò)中，以最小化源域和目標(biāo)域數(shù)據(jù)的差異；然后，將源域帶標(biāo)簽的數(shù)據(jù)和目標(biāo)域無(wú)標(biāo)簽的數(shù)據(jù)經(jīng)過(guò)特征提取后輸入到域判別器中。域判別器包含2個(gè)全連接層和1個(gè)輸出層，因?yàn)槟繕?biāo)域數(shù)據(jù)沒(méi)有標(biāo)簽，所以不可能在目標(biāo)域上直接進(jìn)行有監(jiān)督學(xué)習(xí)。本文使用預(yù)訓(xùn)練的源特征提取器ES和源壽命預(yù)測(cè)模塊RS分別初始化目標(biāo)特征提取器ET和目標(biāo)壽命預(yù)測(cè)模塊RT的參數(shù)。域判別器D被訓(xùn)練用來(lái)區(qū)分源特征fS和目標(biāo)特征fT。同時(shí)，訓(xùn)練目標(biāo)特征提取器ET以產(chǎn)生目標(biāo)特征，使域判別器無(wú)法將它們與源特征區(qū)分開(kāi)。域判別器D與目標(biāo)特征提取器ET之間的對(duì)抗訓(xùn)練為

EXT～PT[log (1-D(ET(XT)))]，

(8)

式中：XS和XT分別為源域和目標(biāo)域樣本;EXS～PS[logD(ES(XS))]為通過(guò)最小化Ladv損失來(lái)更新目標(biāo)特征提取器ET的參數(shù);EXT～PT[log(1-D(ET(XT)))]為通過(guò)對(duì)抗訓(xùn)練的方式，最大化Ladv損失來(lái)更新域判別器D的參數(shù)。最終，訓(xùn)練后的目標(biāo)特征提取器ET能夠提取與源域特征差異最小的目標(biāo)特征fT。

綜上所述，基于域自適應(yīng)的軸承剩余使用壽命預(yù)測(cè)算法訓(xùn)練過(guò)程定義為：輸入源域數(shù)據(jù)DS以及目標(biāo)域數(shù)據(jù)DT，并從中各選取m個(gè)樣本；利用源域數(shù)據(jù)預(yù)訓(xùn)練源特征提取器ES，將ES的參數(shù)初始化到目標(biāo)特征提取器ET,提取源域樣本以及目標(biāo)域樣本的特征fS=ES(XS)和fT=ET(XT)；根據(jù)(8)式對(duì)抗性損失更新域判別器D以及ET，再使用更新后的ET提取目標(biāo)域數(shù)據(jù)特征；用RUL預(yù)測(cè)模塊預(yù)測(cè)目標(biāo)域的剩余使用壽命。

3 試驗(yàn)與分析

3.1 壽命預(yù)測(cè)數(shù)據(jù)集描述

本試驗(yàn)采用的是IEEE PHM Challenge 2012軸承數(shù)據(jù)，在PRONOSTIA試驗(yàn)臺(tái)(圖4)進(jìn)行了3種工況下的軸承退化試驗(yàn)，試驗(yàn)軸承的工況、樣本大小和數(shù)據(jù)量見(jiàn)表1。該試驗(yàn)采集滾動(dòng)軸承從全新到運(yùn)行失效全過(guò)程的數(shù)據(jù)。軸承的主要參數(shù)見(jiàn)表2，當(dāng)振動(dòng)信號(hào)的振幅達(dá)到20g時(shí)試驗(yàn)停止，默認(rèn)軸承完全失效。PRONOSTIA試驗(yàn)臺(tái)主要由旋轉(zhuǎn)部分、退化產(chǎn)生部分(在試驗(yàn)軸承上施加徑向力)和測(cè)量部分組成。旋轉(zhuǎn)部分包括帶變速箱的異步電動(dòng)機(jī)及其2個(gè)軸，電動(dòng)機(jī)功率為250 W，通過(guò)齒輪箱傳遞旋轉(zhuǎn)運(yùn)動(dòng)。載荷部分提供載荷，使軸承快速退化。軸承退化的特征基于傳感器的振動(dòng)和溫度確定。加速度傳感器的采樣頻率為25.6 kHz，每隔10 s記錄一次測(cè)量振動(dòng)信號(hào)，每次采集時(shí)長(zhǎng)0.1 s，數(shù)據(jù)點(diǎn)為2 560個(gè)。

圖4 PRONOSTIA試驗(yàn)臺(tái)

表1 試驗(yàn)基本條件

表2 軸承的主要參數(shù)

選取3種工況下各一組軸承數(shù)據(jù)分別作為訓(xùn)練集來(lái)訓(xùn)練模型，然后使用其他軸承數(shù)據(jù)作為測(cè)試集，分別構(gòu)建了試驗(yàn)任務(wù)A,B,C，具體見(jiàn)表3。

表3 試驗(yàn)任務(wù)描述

3.2 軸承健康階段劃分與退化點(diǎn)識(shí)別

采用軸承振動(dòng)數(shù)據(jù)的最大幅值為健康指標(biāo)描述軸承的退化狀態(tài)，軸承1_1和1_2的健康階段劃分和退化點(diǎn)的識(shí)別結(jié)果如圖5所示。由圖5a和圖5c可知，由于隨機(jī)波動(dòng)，原始健康指標(biāo)不是單調(diào)的。使用PAVA去除不同點(diǎn)具有相同權(quán)重的隨機(jī)波動(dòng)，結(jié)果如圖5b和圖5d所示，經(jīng)預(yù)處理后每套軸承的退化路徑都變成一個(gè)具有單調(diào)趨勢(shì)的階躍函數(shù)，跳躍可以看作一段時(shí)間內(nèi)對(duì)軸承的沖擊損壞。2套軸承發(fā)生快速退化的時(shí)間有較大差別，顯然，運(yùn)行條件對(duì)軸承的退化過(guò)程有顯著的影響。

(a) 軸承1_1的健康階段劃分 (b) 軸承1_1的退化點(diǎn)識(shí)別

軸承振動(dòng)數(shù)據(jù)的預(yù)處理過(guò)程使用n=10的滑動(dòng)窗口識(shí)別軸承全生命周期振動(dòng)數(shù)據(jù)的退化點(diǎn)。通過(guò)線性最小二乘法回歸模型對(duì)每個(gè)滑動(dòng)窗口進(jìn)行擬合，獲得每個(gè)滑動(dòng)窗口對(duì)應(yīng)的閾值。根據(jù)人工經(jīng)驗(yàn)的多次試驗(yàn)選擇，設(shè)置最大梯度閾值為0.05，即當(dāng)出現(xiàn)某個(gè)閾值大于0.05時(shí)，則對(duì)應(yīng)的滑動(dòng)窗口的位置為最終退化點(diǎn)位置。

剩余的訓(xùn)練軸承和測(cè)試軸承均使用上述方法進(jìn)行退化點(diǎn)的識(shí)別，將軸承全生命周期的振動(dòng)數(shù)據(jù)劃分為健康階段和快速退化階段，選取退化點(diǎn)后的軸承振動(dòng)數(shù)據(jù)，即快速退化階段的振動(dòng)數(shù)據(jù)進(jìn)行后續(xù)軸承剩余使用壽命預(yù)測(cè)試驗(yàn)。

3.3 軸承剩余使用壽命預(yù)測(cè)試驗(yàn)設(shè)置

為驗(yàn)證本文方法的有效性和先進(jìn)性，進(jìn)行不同特征提取模型和不同領(lǐng)域自適應(yīng)模型的試驗(yàn)對(duì)比，表4模型均使用同一數(shù)據(jù)集快速退化階段的振動(dòng)數(shù)據(jù)。

共設(shè)計(jì)了3種類(lèi)型的對(duì)比試驗(yàn)：1)使用全生命周期的振動(dòng)數(shù)據(jù)和快速退化階段的振動(dòng)數(shù)據(jù)分別進(jìn)行剩余使用壽命預(yù)測(cè)的消融試驗(yàn)； 2)用不同領(lǐng)域自適應(yīng)模型比較剩余使用壽命預(yù)測(cè)的效果；3)用不同特征提取模型比較剩余使用壽命預(yù)測(cè)的效果。

表4 不同對(duì)比模型介紹

為量化本文模型的性能，選取均方根誤差(Root Mean Squared Error，RMSE)作為評(píng)估剩余使用壽命預(yù)測(cè)模型的指標(biāo)。均方根誤差反映了測(cè)試值偏離真實(shí)值的程度，均方根誤差值越小，表示測(cè)試精度越高，說(shuō)明剩余使用壽命預(yù)測(cè)模型的效果越好。均方根誤差的公式為

(12)

3.3.1 消融試驗(yàn)

為證明本文方法中軸承數(shù)據(jù)健康階段劃分的必要性，分別使用全生命周期數(shù)據(jù)和快速退化階段數(shù)據(jù)，采用基于對(duì)抗域自適應(yīng)的軸承剩余使用壽命預(yù)測(cè)模型進(jìn)行對(duì)比試驗(yàn)，結(jié)果如圖6所示，使用快速退化階段數(shù)據(jù)的RMSE值均小于使用全生命周期數(shù)據(jù)的RMSE值，這可能是由于健康階段數(shù)據(jù)和快速退化階段數(shù)據(jù)樣本量差距過(guò)大，而導(dǎo)致模型評(píng)價(jià)指標(biāo)難以準(zhǔn)確反映預(yù)測(cè)精度。

圖6 使用/不使用軸承退化階段數(shù)據(jù)的試驗(yàn)結(jié)果

相比于使用全生命周期數(shù)據(jù)進(jìn)行預(yù)測(cè)，進(jìn)行軸承數(shù)據(jù)健康階段的劃分，使用快速退化階段的數(shù)據(jù)進(jìn)行剩余使用壽命預(yù)測(cè)能夠取得更好的預(yù)測(cè)精度。

3.3.2 不同領(lǐng)域自適應(yīng)模型

不同領(lǐng)域自適應(yīng)模型在任務(wù)A，B，C下所有軸承的試驗(yàn)結(jié)果如圖7所示，軸承在對(duì)抗域自適應(yīng)模型(圖中用OURS表示)中的RMSE值均小于TCA，GAN模型的RMSE值。TCA，GAN算法通常難以找到源域和目標(biāo)域數(shù)據(jù)的域不變性特征，從而影響了知識(shí)遷移的效果。本文方法與其他領(lǐng)域自適應(yīng)方法相比，對(duì)不同工況下的軸承間的剩余使用壽命預(yù)測(cè)具有良好的效果。

3.3.3 不同特征提取模型

不同特征提取模型在任務(wù)A，B，C下所有測(cè)試軸承的試驗(yàn)結(jié)果如圖8所示， 軸承在特征提取部

圖8 不同特征提取模型的試驗(yàn)結(jié)果

分為L(zhǎng)STM的對(duì)抗域自適應(yīng)模型中的RMSE值均小于特征提取部分為CNN，AE模型的RMSE值。與時(shí)間序列相關(guān)的特征往往反映了時(shí)間序列前后知識(shí)的內(nèi)在聯(lián)系，CNN，AE模型通常難以提取到長(zhǎng)時(shí)間序列數(shù)據(jù)的內(nèi)在特征，因此表現(xiàn)較差。

4 結(jié)束語(yǔ)

本文提出了一種基于對(duì)抗域自適應(yīng)的軸承剩余使用壽命預(yù)測(cè)方法。為解決軸承剩余使用壽命評(píng)價(jià)指標(biāo)可能因健康階段數(shù)據(jù)和快速退化階段數(shù)據(jù)樣本特征差距過(guò)大導(dǎo)致模型評(píng)價(jià)指標(biāo)難以準(zhǔn)確反映預(yù)測(cè)精度的問(wèn)題，采用基于等滲回歸算法將軸承全壽命周期數(shù)據(jù)劃分為健康階段和快速退化階段，選擇軸承快速退化階段的數(shù)據(jù)進(jìn)行剩余使用壽命預(yù)測(cè)。為解決域差異問(wèn)題，提出了基于對(duì)抗域自適應(yīng)的方法以最小化源特征與目標(biāo)特征之間的分布差異。對(duì)比有無(wú)健康階段劃分的剩余使用壽命預(yù)測(cè)試驗(yàn)，以及其他領(lǐng)域自適應(yīng)和特征提取模型與本方法的對(duì)比試驗(yàn)，結(jié)果驗(yàn)證了本文方法的有效性和先進(jìn)性。

對(duì)抗域自適應(yīng)方法主要保留2個(gè)域間的不變特征，可能會(huì)從目標(biāo)特征中刪除特定于任務(wù)的信息，以最大程度減少對(duì)抗性損失，這可能會(huì)影響預(yù)測(cè)效果；在健康階段劃分中，人工設(shè)定的梯度值可能不準(zhǔn)確或不具備普適性，如果針對(duì)不同的軸承數(shù)據(jù)能夠自適應(yīng)地選擇梯度值，此方法的預(yù)測(cè)精度和泛化能力將得到很大提升。