《Applied Sciences》:An Unsupervised Data-Driven Framework for Bearing Failure Prognosis via Health Stage Clustering and Artificial Neural Network-Based Remaining Useful Life Estimation
Charafeddine Khamoudj,
Fatima Benbouzid-Si Tayeb,
Karima Benatchba and
Mohamed Benbouzid
编辑推荐:
摘要:本研究提出一种基于双人工神经网络(Artificial Neural Network, ANN)架构与残差校正(residual correction)机制的感应电机滚动轴承剩余使用寿命(Remaining Useful Life, RUL)预测方法。该
摘要:本研究提出一种基于双人工神经网络(Artificial Neural Network, ANN)架构与残差校正(residual correction)机制的感应电机滚动轴承剩余使用寿命(Remaining Useful Life, RUL)预测方法。该方法由一个用于单步超前时序预测的forecast-ANN和一个用于学习并补偿forecast-ANN预测误差的adjustment-ANN组成,通过滑动时间窗输入历史观测值(时间、振动、温度三维特征),迭代推演至失效阈值以获取RUL估计值。研究人员在PRONOSTIA轴承全寿命退化数据集与NASA-IMS(run-to-failure)数据集上对所提方法进行验证,并与ARIMA(Autoregressive Integrated Moving Average)模型进行对比。性能评估采用PRONOSTIA评分函数、平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)、累积相对精度(Cumulative Relative Accuracy, CRA)及均方根误差(Root Mean Squared Error, RMSE)。实验结果表明,所提出的双ANN结合残差微调(fine-tuning)策略在非平稳(non-stationary)时序信号下较传统ARIMA模型具有更优的RUL预测精度与鲁棒性,可有效适应变工况与退化趋势波动,为旋转机械PHM(Prognostics and Health Management, 故障预测与健康管理)提供了一种可行的数据驱动方案。
论文解读——《Applied Sciences》刊载论文"Forecast-ANN与Adjustment-ANN结合的感应电机轴承RUL预测"
一、研究背景与意义
旋转机械中滚动轴承是易损关键部件,其突发失效将引发严重停机事故。传统剩余使用寿命(Remaining Useful Life, RUL)预测方法包括基于物理模型与数据驱动两类,前者依赖精确失效机理建模且难以适用于复杂变工况,后者常用自回归积分移动平均(Autoregressive Integrated Moving Average, ARIMA)或单一神经网络,但在非平稳(non-stationary)振动与温度时序信号下泛化能力不足,且对预测偏差缺乏自适应修正机制。现有方法较少针对预测残差进行专门建模校正。为此,研究人员设计了一种双神经网络协同架构——forecast-ANN负责一步超前时序预报,adjustment-ANN专门学习并补偿forecast-ANN的预测残差(error residual),并通过迭代外推至振动超限阈值实现RUL估计,旨在提升轴承PHM(Prognostics and Health Management, 故障预测与健康管理)在非平稳信号下的准确性与适应性。论文发表于《Applied Sciences》。
二、关键技术方法概述
研究人员采用PRONOSTIA全寿命退化实验数据集(水平与垂直振动25.6 Hz采样,温度10 Hz,失效阈值20 g)及NASA-IMS四轴承run-to-failure数据集(2000 rpm,径向载荷6000 lbs,20 kHz采样,取均值与方差统计特征)作为验证样本。方法核心含两个前馈神经网络:①forecast-ANN——输入为k个历史观测值的滑动窗(每观测含时间、振动、温度三特征,故输入层k×3神经元),单隐层5神经元、双曲正切(tansig)激活,输出层3神经元(线性激活)预测下一时刻On+1,训练采用Levenberg–Marquardt(trainlm)、MSE损失、80%训练/20%测试无验证集;②adjustment-ANN——双输入分别为当前实际观测Oi与上一时刻forecast-ANN预测值O'i(各含三特征,共6输入神经元),单隐层5神经元tansig激活,输出层3神经元(线性激活)预测残差(Oi?O'i)作误差校正量。两网络先分别在训练阶段用历史数据离线训练,测试阶段forecast-ANN迭代预测→adjustment-ANN校正→校正结果追加至时序→判断振动超阈值停止,RUL=总迭代步数。性能以PRONOSTIA评分Ai(指数惩罚过/欠预测)、MAPE、CRA及RMSE量化。
三、研究结果
3.1. Forecast-ANN Architecture(预测神经网络结构)
研究人员构建输入维数为k×3(k为滑动窗长度,3为特征维度)、隐含层5节点tansig激活、输出3节点线性激活的前馈网络,实现一步超前多变量时序预测(预测步长horizon h=1),通过滑动窗将历史观测映射至下一时刻观测值,为RUL外推提供基础预测模块。
3.2. Prediction Fine-Tuning(预测微调/残差校正)
研究人员设计adjustment-ANN以实际观测与forecast-ANN预测值为双输入,学习目标为二者之差(残差)。测试阶段先完成训练集上adjustment-ANN的参数初始化,再于迭代预测过程中对每一步forecast-ANN输出施加残差补偿,形成"主预测+专用误差校正子网"的在线微调机制,区别于传统权重微调,可显式建模预测偏差与工况变化关系。
3.3. Bearing Failure Prediction Process(轴承失效预测流程/Algorithm 1)
研究人员将两网络整合入迭代算法:以已知观测序列初始化,循环执行forecast-ANN预测→adjustment-ANN校正→将校正后观测插入时序→更新当前观测,直至当前观测振动分量≥失效阈值,累计循环次数即为RUL估计值(RUL = t ? On(t))。算法实现了从短程一步预测到长程RUL外推的完整流程。
3.4. Validation on Experimental Data——Datasets and Performance Metrics(实验验证:数据集与评价指标)
在PRONOSTIA(三种工况不同转速/载荷组合)与NASA-IMS(Set 1/2/3含内圈/外圈/滚子失效)数据集上,经归一化与窗口聚合预处理后对比forecast-ANN+adjustment-ANN与单一forecast-ANN及ARIMA。采用四项指标:PRONOSTIA评分Ai=exp(?ln(0.5)×(Eri/5))(Eri≤0)或exp(ln(0.5)×(Eri/20))(Eri>0),其中Eri=100×(RULactual?RULcalculated)/RULactual;MAPE=1/nΣ|Xi?X'i|/Xi×100%;CRA=1/nΣ(1?|Xi?X'i|/Xi);RMSE=√[Σ(Xi?X'i)2/n]。结果证实双ANN加残差微调在PRONOSTIA各工况及NASA-IMS不同失效模式下均降低MAPE与RMSE、提高CRA与评分Ai,优于ARIMA与无微调单ANN。
四、讨论与结论
研究人员指出,传统单一时序预测模型难以兼顾非平稳信号中缓慢退化与突变特征,而引入独立残差校正子网可在测试阶段动态补偿主模型预测偏差,无需重新训练主网络权重,适应不同运行条件与退化轨迹变化。与ARIMA相比,所提方法对非线性、多变量耦合的轴承退化时序具有更强拟合与泛化能力;与单独forecast-ANN相比,adjustment-ANN显著削减过/欠预测误差,尤其在接近失效区精度改善明显。局限在于滑动窗长度k与隐层节点数需经验设定,未来可结合贝叶斯优化或深度学习(LSTM, GRU)进一步探索。结论为:双人工神经网络结合残差微调的架构能有效提升感应电机轴承RUL预测精度与可靠性,为工业旋转机械PHM的数据驱动 prognostics 提供了可行改进路径。