《Sensors》:Smart Monitoring for Cancer Treatment: Feasibility Study of an IoT-Based Assessment System
David Martínez-Pascual,
Pablo Rubira-úbeda,
José M. Catalán,
Andrea Blanco-Ivorra,
Beatriz Franqueza,
Gabrielle Derrico,
Juan A. Barios and
Nicolás García-Aracil
编辑推荐:
滚动轴承的剩余使用寿命(RUL)预测是智能预测性维护中的关键问题,可确保设备安全并降低维护成本。针对传统深度学习模型在处理退化健康指标(HI)时难以同时捕捉局部时间特征和全局退化趋势的挑战,研究人员提出了一种基于扩展长短期记忆(xLSTM)和Transform
滚动轴承的剩余使用寿命(RUL)预测是智能预测性维护中的关键问题,可确保设备安全并降低维护成本。针对传统深度学习模型在处理退化健康指标(HI)时难以同时捕捉局部时间特征和全局退化趋势的挑战,研究人员提出了一种基于扩展长短期记忆(xLSTM)和Transformer的混合RUL预测模型。该模型采用编码器-解码器架构,融合了多头注意力机制与xLSTM模块。这种设计同时增强了短时动态特征的建模能力,并有效捕获了长期退化模式。在XJTU-SY和PHM2012数据集上进行了验证。所提模型在均方根误差(RMSE)、决定系数(R2)和评分(Score)等评估指标上优于对比模型,实现了预测精度和多数据集泛化能力的显著提升。所提出的网络为轴承健康评估和剩余使用寿命预测提供了更准确、更通用的解决方案,并展示了在工业设备智能健康管理方面的巨大潜力。
滚动轴承作为旋转机械的核心部件,其故障率约占低压永磁同步电机失效的41%,准确预测剩余使用寿命(RUL)对降低维护成本、保障设备安全至关重要。传统物理模型难以适应复杂工况下的非线性退化过程,数据驱动方法因深度学习的发展而受到重视,但单一网络(如LSTM或Transformer)在局部动态特征与全局退化趋势的捕捉上存在局限,现有混合架构多为简单堆叠,缺乏深层融合。标准LSTM的Sigmoid门控在末期健康指标(HI)上升时易饱和,标量记忆单元容量有限,无法有效编码长期损伤积累。为同时增强局部短期波动与长期退化模式的建模能力,研究人员提出了一种基于扩展长短期记忆(xLSTM)和Transformer的混合网络,该研究发表在《Sensors》。
主要关键技术方法包括:从原始振动信号中提取时域、频域、谱峭度及小波包能量共34个特征,采用相关度、单调性和鲁棒性加权指标(权重0.2、0.5、0.3)筛选评估值大于0.6的特征;通过等距特征映射(ISOMAP)将特征集降维至一维构建健康指标(HI),并依据3σ准则设定分段RUL标签。在Transformer编码器中嵌入xLSTM模块(含标量LSTM的指数门控与矩阵LSTM的矩阵记忆细胞),通过上投影-非线性处理-下投影实现维度对齐与特征增强,构成混合网络。实验在XJTU-SY(15个轴承,3种工况)和PHM2012(17个轴承,3种工况)两个公开数据集上进行,以均方根误差(RMSE)、决定系数(R
2)和评分(Score)为评估指标,与LSTM、xLSTM、Transformer、LSTM-Transformer、BiLSTM-Transformer、GRU-Transformer等模型比较。
**Case 1: 在XJTU-SY数据集上的验证**
在三种工况下,LSTM在退化初期平稳但中期下降过快、末期滞后;xLSTM整体平滑但末期高估RUL;Transformer趋势吻合但早期曲线波动;LSTM-Transformer等混合网络改进有限。所提xLSTM-Transformer在初期平滑、中期准确追踪退化、末期敏感响应实际下降,预测曲线与真实RUL高度一致。定量分析显示其RMSE、R
2和Score在所有工况下均优于对比模型,相比LSTM-Transformer的显著优势验证了xLSTM指数门控与矩阵记忆结构的有效性。
**Case 2: 在PHM2012数据集上的验证**
各网络预测趋势与XJTU-SY一致。LSTM末期滞后明显;xLSTM仍存在过/低估;Transformer波动;LSTM-Transformer中期滞后。所提方法在稳定与退化阶段均与实际RUL良好吻合,过估计和滞后缓解。定量结果表明,所提方法在三种工况下均取得最优RMSE、R
2和Score,验证了跨数据集泛化能力。
**讨论**
研究人员分析,混合架构的成功源于xLSTM的矩阵记忆细胞提供更大存储容量,结合指数门控避免数值压缩,精准捕获局部退化细节;Transformer自注意力机制确保全局趋势,修正局部过拟合风险。但在PHM2012工况2中所有模型R
2明显下降,表明极端退化模式下特征提取与模型结构仍有提升空间,且复杂堆叠带来计算开销。未来工作拟引入数据增强和迁移学习增强鲁棒性,采用模型剪枝实现轻量化以符合工业实时要求。
**结论**
研究人员提出了一种结合xLSTM和Transformer架构的混合网络以提高轴承RUL预测精度。该网络集成xLSTM的局部时间依赖建模能力与Transformer的全局注意力机制,通过增强深度时间建模准确表征退化过程并提升泛化能力。在XJTU-SY和PHM2012数据集不同工况下与多种基线模型对比,所提方法准确拟合退化趋势,在RMSE、R
2和Score指标上均取得最佳性能。跨数据集验证表明该方法保持高预测精度,具有优越的泛化性能和鲁棒性。所提出的xLSTM-Transformer网络展现出优异的预测稳定性、泛化能力和实用价值,为设备健康管理中基于时间序列的剩余使用寿命预测提供了新途径。