近年来,随着航空航天、精密仪器及相关领域对机械设备可靠性要求的提高,关键部件可靠性评估的研究迅速发展[1]。早期的可靠性分析主要集中在寿命数据的统计评估和机械故障模式的识别上,往往无法捕捉不同服务条件下部件之间的复杂相互作用[2]、[3]。随着低成本且易于部署的传感器监控技术的出现,早期的数据驱动可靠性评估方法通常依赖于单一传感器(例如加速度计、温度传感器或振动传感器)来监控设备运行[4]。然后从监控数据中经验性地构建特征,以提取与部件故障模式相关的信息,使用的方法包括经验模态分解[5]、[6]和小波包分解[7]、[8]、[9]、[10]。然而,单一传感器的性能对其放置位置和外部环境因素非常敏感,经验特征的选择本质上具有主观性,很大程度上取决于研究人员的专业知识[11]、[12]、[13]。这些限制严重阻碍了在复杂条件下对设备运行状态的全面表征[14],从而影响了准确的可靠性评估。
随着智能传感技术的快速发展,多通道传感和监控设备在机械设备的实时健康监测和可靠性评估中发挥着关键作用[15]。目前,设备可靠性——如关键部件的剩余使用寿命(RUL)预测[16]、故障诊断[17]和服务状态识别[18]——主要依赖于从大量时间序列传感器数据中提取特征,使用的方法包括统计分析、时频分析和稀疏滤波。然而,由于设备的固有结构复杂性和运行环境的不确定性,现有的多通道时间序列传感器数据融合方法和特征提取策略往往无法有效处理通道间高度异构的传感器信号[19]。此外,大多数数据驱动的可靠性评估方法过度依赖具有丰富特征样本的大数据集,忽视了数据特征质量对准确评估系统状态和可靠性的限制作用[20]。因此,当样本量有限或提取信息丰富、高度相关的特征困难时,无论基于分布函数先验[21]还是基于机器学习的拟合[22],实现准确的可靠性评估都极具挑战性。这凸显了迫切需要一种有效的特征融合方法,以支持在多样化运行条件下对复杂设备中关键部件的准确可靠性评估。
因此,已经开发了多传感器数据特征融合技术以及先进的可靠性分析方法,使得能够整合多通道时间序列特征并合成来自不同传感器的独立分布状态信息[23]、[24]。根据集成程度,多通道时间序列数据融合方法可以分为三大类:数据级融合、特征级融合和决策级融合[25]、[26],每种方法都有其独特的优势和局限性,如表1所示。数据级融合直接整合来自多个传感器的原始数据[27]。例如,Azamfar等人[28]采用基于二维卷积神经网络(2D-CNNs)的数据级多传感器融合方法来捕获丰富的故障信息。特征级融合通过降维来增强数据表示[29]。例如,Udmale等人[30]提出了一种深度迁移学习框架用于故障诊断,该框架结合了卷积神经网络和多传感器数据融合,有效解决了样本量有限的挑战。决策级融合通过聚合来自多个传感器的初步决策来得出最终结果[31]。例如,Li等人[32]开发了一种实用的基于置信度的支持矩阵机器,以充分利用矩阵数据中的结构信息。
然而,尽管现有的多通道时间序列传感器数据融合方法可以整合多源信息并有效提取关键数据特征,但在应用于在不同服务条件下运行的复杂机械时仍面临相当大的挑战。首先,在进行可靠性分析之前,通常会根据专家知识预先从多通道时间序列传感器数据中选择特征,确保它们与目标变量的相关性以及准确反映设备状态的能力。然而,这种手动选择过程引入了提取特征质量的较大不确定性。其次,不同类型的时间序列传感器数据表现出不同的特征,与退化机制或故障模式密切相关的特征往往显示出显著波动,而不太相关的特征则变化较小。现有的深度学习框架主要强调不同时间序列传感器特征的整合,但神经网络固有的不可解释性使得特征区分变得困难。第三,当前的多通道时间序列传感器数据融合方法通常无法考虑复杂机械中固有的时空相关性,包括单个传感器通道内的时间依赖性和不同通道间的空间相关性,这反过来限制了从融合传感器数据中提取高质量特征的能力。
为此,复杂机械可靠性评估中的一个关键挑战在于动态调整特征提取策略以适应时间序列传感器数据的特性,从而确保可靠性评估的数据支持具有可解释性和高质量。为了解决这一挑战,我们提出了一种基于多通道时间序列数据信息丰富性的双域特征自匹配融合方法,并通过复杂设备中关键部件的状态估计和性能评估来验证其有效性。本研究的主要贡献如下:
(i) 提出了一种交互式空间信息熵(ISIE)框架,有效处理像素级别的多模态分布图像。此外,还设计了一种基于分段映射对称点图案(Pm-SDP)图像的多尺度熵计算方法,以准确量化多通道时间序列传感器数据的固有信息丰富性。
(ii) 引入了一种双域特征自匹配策略,并开发了一种时频融合相关性-冗余-互补性权衡(TFF-RRCT)算法,以整合全局和通道特定的信息丰富性,确保充分考虑了时空依赖性和特征相关性。
(iii) 设计了一种双分支并行融合架构,用于多通道时间序列传感器特征,以减轻特征选择不确定性导致的冗余和表示不足,从而基于传感器数据的固有属性实现关键特征的差异自匹配。
本文的其余部分组织如下。第2节介绍了所提出方法的总体框架。第3节详细说明了方法论。第4节提供了实验结果和验证。第5节总结了研究并讨论了未来的研究方向。