基于xLSTM–Transformer神经网络的滚动轴承在不同工作条件下的剩余使用寿命预测

《Sensors》:RUL Prediction Based on xLSTM–Transformer Neural Network for Rolling Element Bearings Under Different Working Conditions Runzhong Jiang, Ziqi Li, Haiyu Lu, Weizhong Mo, Wei Huang and Minmin Xu

【字体: 大 中 小 】 时间:2026年03月05日 来源:Sensors 4.0

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,从而确保设备安全并降低维护成本。为了解决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Transf

  
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,从而确保设备安全并降低维护成本。为了解决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,将多头注意力(Multi-Head Attention)机制与xLSTM模块集成。这种设计同时增强了短期动态特征的建模能力,并有效捕获长期退化模式。在XJTU-SY和PHM2012数据集上进行了验证。所提出的模型在均方根误差(RMSE)、决定系数(R2)和评分函数(Score)等评估指标上优于对比模型,实现了预测准确性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和可泛化的解决方案,并展示了在工业设备智能健康管理方面的巨大潜力。
**研究背景与问题**
滚动轴承作为旋转机械的核心部件,广泛应用于各类工业领域,但其在运行中常因疲劳和磨损而失效,导致设备停机甚至重大事故。根据IEEE统计,轴承故障约占低压永磁同步电机所有故障的41%。为避免频繁停机维护带来的损失,剩余使用寿命(RUL)预测成为智能预测性维护的关键环节。传统物理模型难以捕捉设备退化过程中的复杂非线性关系,而数据驱动方法,尤其是深度学习模型,逐渐成为主流。然而,早期基于单一架构的深度学习方法(如卷积神经网络CNN、循环神经网络RNN)在处理退化健康指标(HI)时存在局限:标准LSTM依赖sigmoid门控,在轴承寿命末期HI值指数增长时易饱和,且其标量记忆单元难以编码长时程退化积累;Transformer虽能通过自注意力机制捕捉全局依赖,但缺乏递归结构,对局部时序顺序不敏感,在小样本下易出现预测曲线振荡。现有混合架构多采用简单模块堆叠,缺乏深层融合机制,无法同时有效建模局部动态特征与全局退化趋势。为此,Runzhong Jiang等研究人员提出了一种基于xLSTM-Transformer的混合神经网络,旨在通过指数门控和矩阵记忆克服上述局限,提升RUL预测精度和泛化能力。该论文发表在《Sensors》期刊上。

**主要关键技术与方法**
研究人员采用以下关键技术:(1)**ISOMAP算法**(等距特征映射):基于流形学习的非线性降维方法,通过测地距离替代欧氏距离,将多维度特征融合为单维健康指标(HI);(2)**xLSTM模块**:包含标量LSTM(sLSTM)和矩阵LSTM(mLSTM),前者引入指数门控防止饱和,后者将记忆单元升级为矩阵形式,增强信息存储容量;(3)**Transformer架构**:基于多头注意力(Multi-Head Attention)的编码器-解码器结构,用于捕获全局时间依赖关系;(4)**混合网络设计**:在Transformer编码器中,将xLSTM模块嵌入多头注意力层与残差连接之间,通过上投影-非线性处理-下投影实现特征整合,平衡局部与全局建模。数据集来源包括西安交通大学XJTU-SY加速寿命试验数据集和IEEE PHM2012 PRONOSTIA平台数据集,均采集水平方向振动信号。

**研究结果**
(1)**Case 1: XJTU-SY数据集验证**
通过对比LSTM、xLSTM、Transformer、LSTM-Transformer、BiLSTM-Transformer、GRU-Transformer六种网络,在三种工况下进行实验。结果表明,标准LSTM在中期退化阶段预测下降过快,末期出现明显滞后;xLSTM虽平滑性改善,但末期仍存在高估;Transformer全局趋势拟合较好,但早期曲线波动;LSTM-Transformer集成后性能提升有限。所提出的xLSTM-Transformer网络在早期预测曲线平滑稳定,中期准确跟踪退化起点,末期敏感捕捉实际RUL下降速率,整体拟合最优。定量评估中,该模型在RMSE、R2和Score指标上均优于所有对比模型,尤其在末期预测风险控制上表现突出,证明了指数门控和矩阵记忆对非线性拟合能力的增强。

(2)**Case 2: PHM2012数据集验证**
在PHM2012数据集相同实验环境下,预测趋势与XJTU-SY一致。LSTM仍存在末期滞后,xLSTM部分改善但仍有偏差,Transformer早期波动,LSTM-Transformer中期滞后。所提方法在稳定期和退化期均与实际RUL高度一致,大幅缓解了高估或滞后问题。定量分析显示,该模型在三种工况下的RMSE、R2和Score均为最佳,验证了跨数据集和跨工况的强泛化能力。

(3)**讨论**
成功归因于xLSTM的矩阵记忆(增大特征存储容量)和指数门控(避免长序列数值压缩)与Transformer自注意力机制(确保全局趋势拟合)的互补融合,实现了“局部-全局”特征协同。但在PHM2012条件2中,所有模型R2均显著下降,所提方法虽最优,仍存在差距,表明极端退化模式下特征提取和模型鲁棒性面临挑战。此外,模型复杂度和多头注意力机制增加了计算开销。未来工作将聚焦于数据增强(如随机噪声注入)和迁移学习以提升极端条件鲁棒性,以及模型剪枝以轻量化满足实时性需求。

**结论**
论文提出了一种结合xLSTM与Transformer的混合网络,用于提高轴承RUL预测精度。该网络整合了xLSTM的局部时序依赖建模能力与Transformer的全局注意力机制,通过增强的深度时序建模能力准确表征退化过程,并提升了网络泛化能力。为验证有效性和稳定性,研究人员在两种不同数据集的不同工况下进行了对比实验,以LSTM、xLSTM、Transformer和LSTM-Transformer网络为基准。结果表明,所提出的方法能准确拟合退化趋势,并在RMSE、R2和Score等评估指标上取得最佳性能。通过不同数据集验证,所提方法保持高预测精度,展现出优越的泛化性能和鲁棒性。综上所述,所提出的xLSTM-Transformer网络在不同数据集上均表现出优异的预测稳定性、泛化能力和实用价值,显示出强大的工程应用潜力,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方法。
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