莫仁鵬，司小勝，李天梅，朱 旭，胡昌華

(火箭軍工程大學(xué)導(dǎo)彈工程學(xué)院，陜西 西安 710025)

0 引 言

在生產(chǎn)活動中，機械設(shè)備的安全可靠運行至關(guān)重要，對生產(chǎn)效益和生產(chǎn)安全有著重大影響。但由于內(nèi)部損耗和外部環(huán)境的影響，機械設(shè)備在長期運行過程中不可避免地會發(fā)生性能退化現(xiàn)象，當(dāng)退化到一定程度會徹底失效，進而影響生產(chǎn)活動的正常進行。而軸承作為機械設(shè)備的支撐部件，其退化現(xiàn)象尤為明顯，因此有必要對軸承進行剩余使用壽命（remaining useful life，RUL）預(yù)測，實時掌握其健康狀況，并進行適當(dāng)?shù)木S修或替換，從而避免機械設(shè)備突然失效、對生產(chǎn)活動造成不必要的破壞。

目前流行的RUL預(yù)測方法主要包括統(tǒng)計數(shù)據(jù)驅(qū)動方法[1-3]和深度學(xué)習(xí)方法，但統(tǒng)計數(shù)據(jù)方法的預(yù)測效果受限于模型的選擇是否合適，而深度學(xué)習(xí)方法具有對大數(shù)據(jù)和非線性信息的強大處理能力，且不需要復(fù)雜的先驗知識，因此基于深度學(xué)習(xí)的RUL預(yù)測方法引起了廣大研究者的關(guān)注[4]。Ambadekar等[5]以顯微鏡觀察刀具的磨損情況并進行拍照，再將這些照片輸入到卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）中提取刀具的退化特征并進行RUL預(yù)測；Deutsch等[6]以深度置信網(wǎng)絡(luò)學(xué)習(xí)得到具有代表性的健康指標(biāo)，再基于前饋神經(jīng)網(wǎng)絡(luò)（feedforward neural network，F(xiàn)NN）預(yù)測 RUL，通過齒輪實例和軸承實例對所提方法進行了驗證；Hinchi等[7]首先利用CNN網(wǎng)絡(luò)提取局部特征，再引入長短期記憶網(wǎng)絡(luò)捕獲退化過程并預(yù)測軸承的RUL。

以上深度學(xué)習(xí)方法僅在單一尺度上學(xué)習(xí)機械信號的退化信息，沒有考慮到機械信號所蘊含的退化信息往往分布在多個時間尺度上[8]。鑒于此，本文提出一種可以自動提取多尺度退化特征的RUL預(yù)測方法，所提方法通過對軸承的原始振動信號進行多粗粒度操作獲得多尺度信號，再基于CNN網(wǎng)絡(luò)進行深層特征提取與融合，并引入注意力機制進行特征重標(biāo)定，以強化對RUL預(yù)測任務(wù)貢獻度更大的特征，最后利用FNN網(wǎng)絡(luò)映射得到軸承的RUL預(yù)測值。

1 基于多粗粒度與注意力網(wǎng)絡(luò)的軸承RUL預(yù)測方法

本文所提方法的整體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，主要包括多尺度粗粒度層、多尺度特征融合層、注意力加權(quán)層以及RUL預(yù)測層。

圖1 本文方法的整體網(wǎng)絡(luò)結(jié)構(gòu)

1.1 多尺度粗粒度層

對機械設(shè)備的振動信號進行多尺度粗粒度處理得到的多尺度特征，能更全面地表征機械設(shè)備的健康狀態(tài)[9-11]。因此首先采用多尺度粗粒度層處理軸承振動數(shù)據(jù)，具體過程如圖2所示。

圖2 多粗粒度處理

設(shè)傳感器對軸承監(jiān)測得到的某樣本數(shù)據(jù)為x={x1,···,xi,···,xN}，其中xi為第i個振動數(shù)值，N為樣本數(shù)據(jù)的長度。對振動信號進行多粗粒度處理，即分別以不同尺度的滑動窗在該振動信號上無重疊地移動，然后分別計算每個窗口內(nèi)的均值作為新的信號數(shù)據(jù)，從而獲得蘊含更豐富退化信息的多尺度信號，公式如下：

其中 τ為滑動窗尺度即粗粒度，本文使用了1、2、4三個粗粒度，粗粒度1即為原始振動信號，粗粒度2處理過后的信號長度為原信號的一半，粗粒度4處理過后的信號長度為原信號的1/4。在網(wǎng)絡(luò)中，以多個尺寸的池化層來實現(xiàn)多尺度信號的自動提取。

1.2 多尺度特征融合層

CNN網(wǎng)絡(luò)主要包括卷積層和池化層，卷積層的卷積操作可以很好捕捉到軸承監(jiān)測數(shù)據(jù)的非線性退化信息，卷積層的計算公式如下：

?——卷積運算；

W——卷積核權(quán)重；

b——偏置；

σ(·)——非線性激活函數(shù)，通常選擇為修正線

性單元（rectified linear unit，ReLU）。

本文采用大步幅的卷積層代替池化層進行特征壓縮，可以降低網(wǎng)絡(luò)的整體參數(shù)量，并提高預(yù)測模型的計算效率。不同粗粒度處理得到的多尺度信號長度不一致，因此在利用多個大步幅卷積層分別學(xué)習(xí)每個尺度信號的深層特征時，不同尺度對應(yīng)的步幅組合亦有所不同，最終要確保三個尺度的深層特征在進行拼接時保持長度統(tǒng)一。此外，在本文中，將不同尺度的深層特征簡單拼接后得到合并特征，再將其輸入到一個公共的卷積層中進行融合，以學(xué)習(xí)不同尺度特征之間的潛在關(guān)系。

1.3 注意力加權(quán)層

本文在預(yù)測網(wǎng)絡(luò)中引入改進的卷積注意力模塊（convolutional block attention module，CBAM）[12]對深層特征進行特征重標(biāo)定，CBAM包括通道注意力和空間注意力，分別在通道維度和空間維度上加強重要特征并抑制相對不重要的特征。傳統(tǒng)的CBAM先以通道注意力強化重要通道，之后再以空間注意力為補充，為不同的空間位置賦予最佳權(quán)重。但考慮到軸承原始振動信號為一維時序數(shù)據(jù)，因此本文先使用空間注意力進行權(quán)重分配，再以通道注意力作為補充，避免通道注意力加權(quán)之后破壞時序結(jié)構(gòu)，影響空間注意力的效果。改進的CBAM模塊如圖3所示。

圖3 改進的CBAM模塊

設(shè)待標(biāo)定的深層特征為F，計算其空間注意力權(quán)重Ms(F)，將該權(quán)重與F相乘得到加權(quán)后的特征F1；再針對F1計算得到相應(yīng)的通道注意力權(quán)重Mc(F1)，并與F1相乘得到最終的加權(quán)特征F2，計算公式如下：

其中 ⊙表示逐元素相乘。

空間注意力Ms(F)與通道注意力Mc(F1)的計算公式如下：

式中：conv——單核卷積層；

MLP— —單共享參數(shù)的三層感知器，兩端的感知器神經(jīng)元個數(shù)與通道數(shù)相等，中間層感知器神經(jīng)元個數(shù)為：通道數(shù)/壓縮率，這種瓶頸結(jié)構(gòu)能有效減少模塊參數(shù)量；

GAP和GMP— —單全局平均池化和全局最大池化，用來壓縮通道信息或空間信息為一個表示符，以表征對應(yīng)通道或空間所包含的退化信息量；

δ(·)——sigmoid激活函數(shù)。

1.4 剩余壽命預(yù)測

最后，將經(jīng)注意力重標(biāo)定的特征輸入到FNN網(wǎng)絡(luò)中進行RUL預(yù)測。FNN網(wǎng)絡(luò)由多個全連接層組成，并且最后一個全連接層的神經(jīng)元個數(shù)為1，如此便可映射得到一個單值數(shù)據(jù)，即為RUL預(yù)測值。全連接層的計算公式如下：

D——第l層的神經(jīng)元總數(shù)；

Wi,j——兩個神經(jīng)元之間{的連接權(quán)重。}

設(shè)某軸承振動信號為X=X1,···,Xj,···,XV，Xj為第j個樣本的數(shù)據(jù)，V為樣本總數(shù)。將每個樣本數(shù)據(jù)輸入到預(yù)測網(wǎng)絡(luò)中，經(jīng)過多尺度粗粒度層、多尺度特征融合層、注意力加權(quán)層以及全連接層后，最終得到該樣本對應(yīng)的RUL預(yù)測值。

在訓(xùn)練網(wǎng)絡(luò)時，以預(yù)測值和真實值的均方誤差作為損失函數(shù)，并通過誤差反向傳播算法更新網(wǎng)絡(luò)參數(shù)，以逐漸最小化損失函數(shù)、減少預(yù)測誤差。經(jīng)過多次訓(xùn)練后，損失函數(shù)將降低到很小的程度，此時網(wǎng)絡(luò)能較好地捕捉到樣本數(shù)據(jù)到RUL真實值之間的映射關(guān)系。當(dāng)輸入新的樣本數(shù)據(jù)到訓(xùn)練好的網(wǎng)絡(luò)中，便可準(zhǔn)確地預(yù)測出當(dāng)前的RUL值。

2 實驗驗證

2.1 實驗數(shù)據(jù)

采用FEMTO-st研究所的PRONOSTIA軸承數(shù)據(jù)集[13]來驗證所提方法的有效性。該軸承數(shù)據(jù)集的振動信號通過在加速度傳感器上采樣獲得，采樣間隔為10 s，每個采樣點內(nèi)有2560個數(shù)值。包含了3個工況下的17個軸承的全壽命振動信號，監(jiān)測了每個軸承由正常狀態(tài)退化至失效的振動加速度值，在這個過程中，振動加速度值逐漸增大。

本文選用工況1的7個軸承進行實驗，每個軸承隨機選取70%的采樣點作為訓(xùn)練集樣本，其余30%的采樣點作為測試集樣本。利用訓(xùn)練集訓(xùn)練好網(wǎng)絡(luò)模型后，將測試集數(shù)據(jù)輸入到網(wǎng)絡(luò)中得到RUL預(yù)測值，以測試集RUL預(yù)測值和對應(yīng)RUL真實值之間的均方根誤差（RMSE）作為評價指標(biāo)來評估所提方法的預(yù)測性能。

為了降低網(wǎng)絡(luò)訓(xùn)練難度，對軸承每個采樣點的RUL值進行歸一化處理。例如軸承1-1一共包含2803個采樣點，其全壽命為 28030 s，則在第 2000 個采樣點對應(yīng)的RUL為8030 s，對其進行歸一化得到：RUL2000=8 030/28 030≈0.286 5。

2.2 實驗設(shè)置

經(jīng)過多次實驗，網(wǎng)絡(luò)超參數(shù)設(shè)置如表1時，所提方法會取得較好的預(yù)測效果。其余的實驗設(shè)置如下：優(yōu)化器為Adam，學(xué)習(xí)率為0.001，共訓(xùn)練30次。此外本文的實驗環(huán)境為：Tensorflow2.0，keras2.3.1，python3.6。

表1 網(wǎng)絡(luò)超參數(shù)

2.3 分析實驗

在CBAM模塊中，多層感知器的中間層壓縮率ratio的大小決定了該模塊的參數(shù)量，ratio越大則參數(shù)量越小，但過大的ratio可能會影響RUL的預(yù)測精度，為了在盡可能地減小模型參數(shù)規(guī)模的同時保證網(wǎng)絡(luò)的預(yù)測精度，對ratio的選擇進行了相關(guān)實驗。

分別觀察不同ratio情況下網(wǎng)絡(luò)對軸承1-1的預(yù)測效果，此外，去除CBAM模塊（MScale）、既無CBAM模塊又不采用多尺度粗粒度策略（SScale）亦作為對照組參與實驗，以驗證注意力機制和多尺度策略對RUL預(yù)測任務(wù)的有效性。實驗結(jié)果如表2所示。

表2 分析實驗

由表2可以發(fā)現(xiàn)，ratio=16時網(wǎng)絡(luò)的預(yù)測效果最好，且CBAM模塊的參數(shù)規(guī)模亦比較輕量，當(dāng)ratio繼續(xù)增加時，模塊參數(shù)的減少量不大，且預(yù)測效果反而下降，因此最終選擇16作為CBAM模塊的壓縮率。此外，無論ratio取何值，含有CBAM模塊的網(wǎng)絡(luò)皆比MScale網(wǎng)絡(luò)的預(yù)測效果要好，這說明在預(yù)測網(wǎng)絡(luò)中引入了改進的CBAM模塊后，注意力機制能根據(jù)對RUL任務(wù)的貢獻度大小，自適應(yīng)的為深層退化特征分配最佳權(quán)重，從而提高RUL預(yù)測精度；而MScale網(wǎng)絡(luò)的預(yù)測效果又要強于SScale網(wǎng)絡(luò)，驗證了多尺度粗粒度策略可以從軸承原始振動信號中提取更豐富的退化信息，有利于RUL預(yù)測任務(wù)的進行。

確定網(wǎng)絡(luò)超參數(shù)后，基于所提方法對軸承1-1、1-2的測試集進行RUL預(yù)測，結(jié)果如圖4所示。

圖4 所提方法對測試集的RUL預(yù)測結(jié)果

在軸承1-1和軸承1-2測試集上的RUL預(yù)測值與真實值較為接近，反映了訓(xùn)練好的預(yù)測網(wǎng)絡(luò)能較好地捕捉到采樣點數(shù)據(jù)和對應(yīng)RUL之間的關(guān)系，驗證了所提方法的有效性。

2.4 對比實驗

分別以深度神經(jīng)網(wǎng)絡(luò)（DNN）[14]、卷積神經(jīng)網(wǎng)絡(luò)（CNN）[15]以及無注意力機制的多尺度粗粒度方法（MScale）對工況1的7個軸承進行RUL預(yù)測，并與本文方法進行對比。對比方法的實驗條件與本文保持一致，同樣隨機劃分每個軸承的70%采樣點作為訓(xùn)練集，其余采樣點作為測試集。實驗結(jié)果（RMSE）如表3所示。

表3 不同網(wǎng)絡(luò)在測試集上的RMSE

由于CNN網(wǎng)絡(luò)的特征提取能力要強于DNN網(wǎng)絡(luò)，因此CNN網(wǎng)絡(luò)的預(yù)測效果比DNN網(wǎng)絡(luò)更好；而MScale網(wǎng)絡(luò)的預(yù)測效果又優(yōu)于CNN網(wǎng)絡(luò)，這體現(xiàn)了多尺度粗粒度操作獲得的多尺度特征，可以捕獲更多的軸承退化信息，從而提高網(wǎng)絡(luò)對軸承的RUL預(yù)測準(zhǔn)確度；最后，本文方法在所有軸承上皆表現(xiàn)出了最佳的預(yù)測性能，驗證了本文方法在對軸承進行RUL預(yù)測時的優(yōu)越性。

3 結(jié)束語

考慮到機械信號往往分布在多個時間尺度上，本文采用多粗粒度操作處理軸承的原始振動信號，以獲得的多尺度信號蘊含更豐富的退化信息。此外，由于網(wǎng)絡(luò)深層特征中的不同通道（不同空間）對RUL預(yù)測任務(wù)的貢獻度不一致，在預(yù)測網(wǎng)絡(luò)中引入改進的CBAM注意力模塊對深層特征進行特征重標(biāo)定，以增強重要特征并抑制無效特征?；赑RONOSTIA軸承數(shù)據(jù)進行了分析實驗和對比實驗，實驗結(jié)果表明，所提方法能較好地捕捉到監(jiān)測數(shù)據(jù)和RUL值之間的映射關(guān)系，且多尺度粗粒度策略和注意力機制可以有效提高軸承的RUL預(yù)測精度，與其他網(wǎng)絡(luò)的對比實驗表明，所提方法具有更佳的預(yù)測性能。