一种基于多通道时间序列传感器数据的双域特征自匹配融合方法,用于复杂设备关键部件的可靠性评估

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:A dual-domain feature self-matching fusion method based on multi-channel time-series sensor data for reliability assessment of key components of complex equipment

【字体: 大 中 小 】 时间:2026年01月02日 来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 8.9

编辑推荐:

  针对复杂机械系统中多通道时间序列传感器数据的冗余与不足问题,提出双域特征自匹配融合方法,结合Pm-SDP可视化和谐熵量化,利用TFF-RRCT算法动态优化特征选择,提升可靠性评估的精度,实验验证其有效性。

  
王东|刘振宇|萨国栋|孙家成|侯明杰|谭建荣
浙江大学CAD&CG国家重点实验室,杭州310058,中国

摘要

复杂机械系统中关键部件的可靠性与多通道传感器数据融合分析的有效性密切相关。然而,现有方法在处理多通道时间序列传感器数据中的冗余或不足的特征选择以及时空差异方面存在困难,这阻碍了机械部件可靠性评估框架的进展。为了解决这些挑战,我们提出了一种基于多通道时间序列传感器数据信息丰富性的新型双域特征自匹配融合方法。该方法结合了分段映射对称点模式(Pm-SDP)用于数据可视化,以及交互式空间信息熵(ISIE)用于量化数据丰富性。利用时频融合相关性-冗余-互补性权衡(TFF-RRCT)算法,该方法动态选择互补且非冗余的特征。此外,双域框架协同结合了统计和频谱域,以捕捉传感器通道之间的复杂时空依赖性。我们的方法显著提高了数据融合和特征提取的全面性,从而提高了寿命预测、故障诊断和状态识别等可靠性分析任务的准确性。为了验证其有效性,我们使用了三个公开可用的数据集进行了比较实验,包括IEEE PHM 2012数据集,以及我们自己的卧式磨床工具磨损数据集。结果表明,我们的方法优于传统方法,均方根误差(RMSE)降低了76.95%,准确性提高了10.23%。这项工作为复杂机械系统中关键部件的可靠性评估提供了稳健且精确的数据驱动基础。

引言

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的要求不断提高,关键部件的可靠性评估研究迅速发展[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役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测技术的出现,早期的数据驱动可靠性评估方法通常依赖单一传感器(如加速度计、温度传感器或振动传感器)来监测设备运行[4]。然后从监测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,经验特征的选择具有很强的主观性,严重依赖于研究人员的专业知识[11]、[12]、[13]。这些限制大大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,多通道传感和监测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型数据集,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变得极其具有挑战性。这突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,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,使得多通道时间序列特征的集成和来自不同传感器的独立分布状态信息的合成成为可能[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所总结。数据级融合直接整合了从多个传感器收集的原始数据[27]。例如,Azamfar等人[28]采用基于二维卷积神经网络(2D-CNN)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。决策级融合通过汇总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固有的结构信息。
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役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从多通道时间序列传感器数据中预先选择特征,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,这种手动选择过程会在提取特征的质量中引入相当大的不确定性。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,用于在像素级别有效处理多模态分布图像。此外,还设计了一种基于分段映射对称点模式(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内在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。

节选

框架和过程

为了解决将多通道时间序列传感器数据应用于复杂设备中关键部件可靠性评估时遇到的挑战,本研究提出了一种基于多通道时间序列传感器数据信息丰富性的双域特征自匹配融合方法。总体而言,该方法首先对多通道时间序列传感器数据进行可视化和基于熵的量化。随后,分别进行特征自匹配

方法论

在本节中,我们详细解释了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的原理和方法论。

频谱域特征的自匹配算法

不同通道的传感器数据之间存在一定程度的空间相关性。为了捕捉这种关系,我们采用TMSST[37],并通过局部通道信息丰富性进行加权,生成多通道时间序列传感器数据的基于图像的特征表示。这种方法充分考虑了通道间的时空特性和特征相关性。
对于传感数据集中的每个通道信号Sct,其中包含StCt个通道,执行STFT

实验

为了验证基于多通道时间序列传感器数据信息丰富性的双域特征自匹配融合方法在复杂设备中关键部件可靠性评估中的有效性,我们使用多个基准数据集进行了实验。IEEE PHM 2012和XJTU-SY轴承数据集被用来验证该方法在关键部件寿命预测方面的性能。东南大学齿轮箱数据集评估了其

结论

总之,基于多通道时间序列传感器数据信息丰富性的双域特征自匹配融合方法有效解决了由于运行变异性和设备结构复杂性导致的关键特征选择冗余或不足以及跨通道数据时空差异的问题。该方法使用Pm-SDP对多通道时间序列数据进行了可视化,然后通过ISIE量化信息丰富性,并

CRediT作者贡献声明

王东:撰写——原始草案、可视化、方法论、形式分析、概念化。刘振宇:撰写——审稿与编辑、资金获取、概念化。萨国栋:撰写——审稿与编辑、方法论、资金获取、概念化。孙家成:可视化、资金获取、数据管理。侯明杰:可视化、数据管理。谭建荣:撰写——审稿与编辑、资金获取。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

致谢

该项目得到了国家自然科学基金(项目编号:U24B6005、U22A6001)、宁波市重点研发计划(2023Z134)以及中央高校基本科研业务费(2024BSSXM09)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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