基于趋势引导的深度物理信息迁移学习方法,用于预测滚动轴承在多台机器中的剩余使用寿命

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Trend-guided deep physics-informed transfer learning method for remaining useful life prediction of rolling bearings across machines

【字体: 大 中 小 】 时间:2026年01月01日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 11

编辑推荐:

  针对滚动轴承跨异构机器剩余使用寿命预测中的分布差异与故障模式不匹配问题,提出趋势引导的深度物理信息迁移学习方法TG-PITL。通过物理约束退化规律建模与多特征稀疏注意力机制,结合故障模式一致性、退化趋势形态相似性和数据分布一致性构建跨域迁移评估指标F-TEM,实现知识有效迁移。实验表明该方法在四类公开数据集和自建实验数据集上均优于基线模型,验证了其跨机器泛化能力和可解释性优势。

  
方远航|史怀涛|赵成英|白晓天|王湛
沈阳建筑大学机械工程学院,中国沈阳110168

摘要

在复杂的工业系统中,对于异构机器上的滚动轴承进行准确的剩余使用寿命(RUL)预测对于协作式智能运维至关重要。然而,不同机器之间的结构差异和参数变化会导致数据分布不匹配,以及故障演变模式的显著异质性。这会导致退化特征分布出现明显的非线性偏移。特别是当目标滚动轴承中出现复合故障或未见过的故障模式时,现有深度迁移学习方法的特征适应能力会显著下降,从而导致预测误差大幅增加。为了解决这些问题,本文提出了一种基于趋势引导的深度物理信息迁移学习方法(TG-PITL),用于跨机器预测轴承的RUL。具体而言,提出了一种新的跨故障迁移评估指标(F-TEM),通过故障模式、趋势形态相似性和分布一致性来量化知识的可迁移性。同时,设计了一种物理信息驱动的时空概率解析注意力网络(PI-TSPAN),通过稀疏注意力机制自适应地学习滚动轴承的时空退化依赖性。此外,引入了一个物理约束的退化定律,以揭示控制RUL演变的物理机制。最后,基于PI-TSPAN和F-TEM开发了一种协同迁移机制,以提高目标域的预测准确性和可解释性。实验结果在四个基准数据集上证明了TG-PITL在跨机器预测滚动轴承RUL方面的有效性。

引言

作为旋转机械的重要组成部分,滚动轴承广泛应用于智能制造生产线、能源发电涡轮机和航空航天推进单元等复杂工业系统中[[1], [2], [3], [4], [5]]。由于工作条件多变且恶劣,它们容易发生退化和故障,可能导致设备意外停机或严重事故。因此,准确预测滚动轴承的剩余使用寿命(RUL)对于降低运营风险、确保设备正常运行以及提高滚动轴承及其相关机械系统的可靠性和安全性至关重要。现有的RUL预测方法通常分为三大类[6]:模型驱动方法[[7], [8], [9]]、数据驱动方法[[10], [11], [12]]和物理信息驱动方法[[13], [14], [15]]。由于物理信息驱动方法结合了领域特定的先验知识,具有更强的泛化能力和可解释性,因此受到了越来越多的关注,并成为RUL预测领域的一个有前景的研究方向。
现有的物理信息驱动方法通常将物理先验知识(包括信号处理、仿真数据和故障机制)嵌入到数据驱动方法中,以实现可靠的RUL预测[16]。例如,Yan等人将信号处理层与知识引导的损失函数结合,建立了用于RUL估计的稳健健康指标[17]。Arunthavanathan等人开发了一种混合模型,将数据驱动的故障诊断与退化建模相结合,用于实时自主RUL估计[18]。Lu等人提出了一种带有单调正则化的物理引导长短期记忆(LSTM)网络,以强制特征与RUL之间保持一致的关系[19]。D’Urso等人使用了一种基于物理的数字孪生技术生成合成数据,用于神经网络训练,从而在有限的实际数据条件下实现准确的RUL预测[20]。Martin等人将先验系统知识和故障物理特性纳入训练数据集中,减少了对标记数据的依赖[21]。然而,在复杂的工程场景中,原始数据与RUL之间的明确数学关系往往难以获得。这种固有的不确定性阻碍了将这些物理机制纳入方法中,从而限制了它们的可靠性和可解释性。为了解决这一挑战,Cofre-Martel等人将非线性动态方程编码到损失函数中,以提高RUL预测的可解释性[22]。尽管如此,这种方法忽略了特征指标的重要权重,限制了隐藏退化特征的有效性。Liao等人随后提出了AttnPINN,通过增强注意力的特征提取来预测RUL[23],但AttnPINN未能完全捕捉到长时间序列数据中的时间相关性。Yong等人通过深度可分离卷积增强了AttnPINN,用于滚动轴承的RUL估计[24],但由于仅依赖原始振动信号,导致频域中关键退化信息的缺失。因此,建立一个基于物理约束的学习框架以实现物理一致性和退化敏感的特征提取仍然是一个关键挑战。
上述大多数方法基本上假设训练数据和测试数据满足独立同分布的条件,这需要相同的设备和运行条件。然而,在跨机器场景中,由于配置和工作条件的差异,这一假设不成立,从而导致监控数据分布发生显著偏移和退化机制的固有变化。因此,基于迁移学习(TL)的RUL预测方法应运而生,通过跨领域传递预测知识,展示了在跨机器场景中的巨大潜力。Nejjar等人提出了一种新的相位特定对抗性领域适应方法,以提高领域偏移下的RUL预测准确性[25]。Furqon等人设计了混合领域对齐方法,利用自监督学习来增强RUL估计[26]。基于以往工作中采用的数据分布对齐策略,后续研究(如[27,28])将退化趋势相似性整合到迁移学习框架中,以减轻负面迁移效应。然而,统计上相似的退化趋势可能源于不同的故障机制。如果这些对齐的趋势与不匹配的故障机制相关联,那么跨机器传递的物理知识将会不一致。Xia等人将故障数据整合到卷积LSTM中,用于半监督的跨领域退化特征对齐,这需要已知的目标域故障模式[29]。然而,在工业场景中,目标设备可能表现出混合或未知的故障模式,这阻碍了退化知识的有效迁移评估,并削弱了目标轴承的RUL预测。此外,基于TL的方法在工业部署中仍面临限制,因为需要额外的目标数据才能进行有效的微调[30,31]。这导致RUL预测延迟,阻碍了及时的维护干预。因此,构建一个有效的迁移指标来量化预测知识的可迁移性面临着跨机器差异和未知故障模式变化的挑战。
为了解决上述挑战,提出了一种基于趋势引导的深度物理信息迁移学习方法(TG-PITL),用于跨机器预测轴承的RUL。本文的主要贡献如下:
  • (1)
    TG-PITL旨在为跨机器预测滚动轴承的RUL建立一个趋势引导的迁移框架。该框架即使在目标轴承处于未知故障模式下,也能通过可解释的退化提取和有效的可迁移性评估保持良好的预测准确性和鲁棒性。
  • (2)
    开发了一种新的跨故障迁移评估指标(F-TEM),全面评估退化知识的可迁移性,整合了故障模式一致性、形态相似性和物理退化趋势之间的数据分布相似性。
  • (3)
    设计了一种物理信息驱动的时空概率解析注意力网络(PI-TSPAN),以自适应地关注多个特征指标中的关键时间依赖性和空间交互作用。同时,引入了一个物理约束的退化定律,指导PI-TSPAN从源域中表征退化敏感的预测知识。
  • (4)
    通过公开可用的数据集和两个全生命周期轴承数据集上的跨机器预测任务验证了TG-PITL框架的有效性。比较结果证实,TG-PITL在预测准确性和跨机器泛化能力方面表现优异。此外,消融结果验证了F-TEM在可迁移性量化方面的有效性,并证明了PI-SPANN在深度预测知识提取方面的可解释性。
  • 本文的其余部分安排如下。第2节详细描述了TG-PITL。第3节提供了实验设置和分析。第4节提出了结论。

    部分片段

    基于趋势引导的深度物理信息迁移学习方法

    TG-PITL的整体架构由三个关键部分组成,如图1所示。具体来说,应用主成分分析(PCA)从振动信号的多个时频特征指标中提取物理退化趋势(PDT)。同时,构建了F-TEM来量化退化知识的可迁移性,整合了PDT的几何相似性、分布相似性和目标轴承的故障概率。

    实验分析

    本节通过最先进的比较和消融研究,在四个轴承加速寿命测试数据集上实验验证了TG-PITL的性能。编程基于Intel ? Core TM i9–12900H CPU、NVIDIA RTX 3060、Python 3.8.16和PyTorch 1.13.1。

    结论

    本文提出了一种基于TG-PITL框架的跨机器滚动轴承RUL预测方法,该方法结合了F-TEM和PI-TSPAN的协作迁移策略。具体而言,F-TEM通过评估故障概率以及源域和目标域之间退化趋势的几何和分布相似性,建立了一个量化的趋势引导可迁移性指标。同时,PI-TSPAN结合了多头概率解析注意力

    CRediT作者贡献声明

    方远航:撰写 – 审稿与编辑,撰写 – 原始草稿,验证。史怀涛:资源管理,项目行政。赵成英:软件开发,方法论,数据整理。白晓天:监督,调查。王湛:形式分析,概念化。
    相关新闻
    生物通微信公众号
    微信
    新浪微博

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号