姜宇迪,胡 暉,殷躍紅
(上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院,上海 200240)
電梯制動(dòng)器是電梯的重要安全裝置,其性能衰減將直接影響電梯的運(yùn)行安全[1-4].目前,電梯制動(dòng)器壽命預(yù)測(cè)多采用傳統(tǒng)的機(jī)器學(xué)習(xí)法[4-5],即根據(jù)全生命周期的標(biāo)注數(shù)據(jù)學(xué)習(xí)回歸算法并進(jìn)行預(yù)測(cè)分析[6-7].然而,電梯制動(dòng)器作為高可靠性設(shè)備,其衰退周期長(zhǎng),全生命周期下的大量標(biāo)注數(shù)據(jù)不易被采集,從而嚴(yán)重限制了傳統(tǒng)機(jī)器學(xué)習(xí)方法的壽命預(yù)測(cè)效果.因此,需要探索能夠得到大量電梯制動(dòng)器衰退數(shù)據(jù)并進(jìn)行剩余生命周期(RUL)精確預(yù)測(cè)的新方法.利用實(shí)驗(yàn)室樣機(jī)仿真加速電梯制動(dòng)器衰變的方法可以采集到大量標(biāo)注數(shù)據(jù),但所得仿真數(shù)據(jù)與在真實(shí)工作環(huán)境中得到的數(shù)據(jù)存在明顯分布差異,會(huì)影響預(yù)測(cè)算法的結(jié)果.因此,如何遷移運(yùn)用不同類型的大數(shù)據(jù)是算法研究的關(guān)鍵.
遷移學(xué)習(xí)[8]是一種機(jī)器學(xué)習(xí)新方法,其將仿真數(shù)據(jù)集定義為源領(lǐng)域,將真實(shí)工作環(huán)境中的數(shù)據(jù)集定義為目標(biāo)領(lǐng)域[8-9],以減少分布差異對(duì)預(yù)測(cè)結(jié)果的影響,從而提高算法的精度[10-13].在工業(yè)設(shè)備的應(yīng)用方面,基于遷移學(xué)習(xí)的壽命預(yù)測(cè)和故障診斷算法尚不成熟.Sun等[14]利用稀疏自編碼和Kullback-Leibler (KL)散度實(shí)現(xiàn)了對(duì)機(jī)器工具的壽命預(yù)測(cè).Jia 等[15]利用基于域自適應(yīng)的深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了在不同噪聲環(huán)境下軸承的故障診斷.Zhang等[16]提出通過(guò)快速傅里葉變換的方法將頻譜數(shù)據(jù)映射到子空間,并利用子空間對(duì)齊的方式實(shí)現(xiàn)不同工況下軸承的故障分析.以上方法利用遷移學(xué)習(xí)將源領(lǐng)域與目標(biāo)領(lǐng)域的數(shù)據(jù)在特征空間進(jìn)行對(duì)齊,可以實(shí)現(xiàn)不同工況下設(shè)備的高精度RUL預(yù)測(cè).但以上算法針對(duì)不同型號(hào)設(shè)備的預(yù)測(cè)效果卻不佳,且其中的特征提取器并未考慮傳感器數(shù)據(jù)在時(shí)間序列上產(chǎn)生的異常情況.此外,在訓(xùn)練過(guò)程中,將特征提取器和回歸網(wǎng)絡(luò)聯(lián)合訓(xùn)練導(dǎo)致了對(duì)同一型號(hào)設(shè)備的過(guò)擬合,從而直接影響最終預(yù)測(cè)結(jié)果.
針對(duì)上述問(wèn)題,提出一種基于映射的無(wú)監(jiān)督深度遷移學(xué)習(xí)(UDTL)法,利用仿真制動(dòng)器的訓(xùn)練網(wǎng)絡(luò)判定實(shí)際制動(dòng)器的健康狀態(tài),從而對(duì)真實(shí)工作環(huán)境中電梯制動(dòng)器的RUL進(jìn)行精準(zhǔn)預(yù)測(cè).該方法借助長(zhǎng)短期記憶網(wǎng)絡(luò)自編碼器(LSTM-ED)實(shí)現(xiàn)對(duì)原始數(shù)據(jù)的特征提取.其根據(jù)健康數(shù)據(jù)訓(xùn)練模型,將網(wǎng)絡(luò)重構(gòu)序列與原始序列的差方序列作為特征序列,因此特征領(lǐng)域?qū)嶋H是傳感器數(shù)據(jù)在時(shí)間序列上異常值的數(shù)據(jù)表征,從而保證了不同設(shè)備在特征領(lǐng)域中均具有一定的相似性;結(jié)合最大平均差異實(shí)現(xiàn)仿真數(shù)據(jù)與實(shí)際制動(dòng)器數(shù)據(jù)在特征領(lǐng)域的再次對(duì)齊,從而保證兩者在特征序列上的一致性,提高預(yù)測(cè)精度.同時(shí),用分步訓(xùn)練法代替?zhèn)鹘y(tǒng)的聯(lián)合訓(xùn)練法.在預(yù)測(cè)過(guò)程中,提出在線微調(diào)的方法,利用得到的新數(shù)據(jù)逐步更新特征提取器,從而實(shí)現(xiàn)對(duì)新設(shè)備的高精度壽命預(yù)測(cè).
在電梯運(yùn)行過(guò)程中,制動(dòng)器的主要制動(dòng)工作模式如下:當(dāng)電梯轎廂到達(dá)需停站時(shí),曳引機(jī)根據(jù)設(shè)定好的程序減速至極低的轉(zhuǎn)速,同時(shí)電磁線圈斷電.在彈簧壓力作用下,閘瓦再次抱緊制動(dòng)輪,并利用摩擦片的摩擦力制停曳引機(jī).
根據(jù)電梯的工作模式進(jìn)行制動(dòng)器失效分析(見(jiàn)圖1).可知,電梯在運(yùn)行過(guò)程中出現(xiàn)制動(dòng)衰退的原因主要為制動(dòng)力矩過(guò)小、制動(dòng)器氣隙和制動(dòng)距離過(guò)大以及摩擦片磨損.在設(shè)計(jì)過(guò)程中,本文選用的電梯制動(dòng)器符合設(shè)計(jì)指標(biāo),即初始條件下制動(dòng)器氣隙、制動(dòng)距離、摩擦噪聲和制動(dòng)力均為正常值.但在長(zhǎng)期運(yùn)行過(guò)程中,制動(dòng)瓦片磨損會(huì)增大制動(dòng)器氣隙,摩擦噪聲會(huì)隨摩擦系數(shù)減小而增大,制動(dòng)力減小,制動(dòng)距離隨之增大.根據(jù)具體失效原因,將制動(dòng)器間隙、編碼器讀數(shù)、摩擦噪聲和制動(dòng)加速度作為原始數(shù)據(jù),進(jìn)行制動(dòng)器壽命預(yù)測(cè)算法分析與試驗(yàn).
圖1 制動(dòng)器失效分析Fig.1 Failure analysis of brake
根據(jù)電梯制動(dòng)器制動(dòng)衰退的成因,提出一種基于LSTM-ED的剩余生命周期預(yù)測(cè)算法.利用長(zhǎng)短期記憶(LSTM)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行重構(gòu)處理,將重構(gòu)誤差作為數(shù)據(jù)的特征序列,通過(guò)非線性的全連接層將特征序列映射成剩余生命周期,并利用真實(shí)剩余生命周期對(duì)回歸模型進(jìn)行訓(xùn)練.不同于典型的遷移學(xué)習(xí)方法,以 LSTM-ED為特征提取器可以直接將傳感器數(shù)據(jù)在時(shí)間軸上的異常反映在特征領(lǐng)域上,LSTM-ED可以根據(jù)不同設(shè)備的初始狀態(tài)進(jìn)行微調(diào),因此特征領(lǐng)域具備對(duì)不同型號(hào)設(shè)備的泛化性.
LSTM網(wǎng)絡(luò)單元是一種循環(huán)單元,其通過(guò)輸入層、上一時(shí)刻的隱藏層和記憶細(xì)胞層計(jì)算當(dāng)前時(shí)刻的隱藏層.該單元結(jié)合了記憶細(xì)胞層、輸入門、忘記門和輸出門,能夠決定是否需要使用輸入門記住輸入,何時(shí)需要使用忘記門保留記憶,以及何時(shí)需要使用輸出門輸出記憶.為便于表示,將Tn1,n2:Rn1→Rn2表示為矩陣W和適當(dāng)維度的矢量b做運(yùn)算z→Wz+b.在t時(shí)刻的輸入門(it)、忘記門(ft)、輸出門(ot)、隱藏層(at)和記憶細(xì)胞層(ct),由輸入層(xt)和上一時(shí)刻的隱藏層(at-1)以及記憶細(xì)胞值(ct-1)計(jì)算得到:
(1)
ct=ftct-1+itgt
(2)
at=ottanh(ct)
(3)
式中:gt為新的記憶細(xì)胞候選值;m為輸入維度;n為隱藏層維度;σ(x)和tanh(x)可以表示為
tanh(x)=2σ(2x)-1
其中:x為任意變量.4個(gè)變量的推導(dǎo)公式可以由以上簡(jiǎn)化矩陣符號(hào)得到,如
it=σ(W1xt+W2at-1+bi)
不再贅述.
自編碼(ED)重構(gòu)模型可以通過(guò)網(wǎng)絡(luò)輸出與輸入向量維度相同的向量,因此可以檢測(cè)輸入數(shù)據(jù)中的異常值.利用自編碼的異常值檢測(cè)特性,將健康狀態(tài)下的數(shù)據(jù)重構(gòu)誤差最小化以提取傳感器數(shù)據(jù)中的異常值特征,從而提高預(yù)測(cè)精度.
圖2 LSTM-ED重構(gòu)原理Fig.2 Reconstruction principle of LSTM-ED
各個(gè)時(shí)刻的重構(gòu)誤差為
(4)
將損失函數(shù)優(yōu)化至規(guī)定的閾值以下得到更新后的LSTM-ED網(wǎng)絡(luò),則新網(wǎng)絡(luò)可以重構(gòu)出健康狀態(tài)下的傳感器數(shù)據(jù).當(dāng)設(shè)備制動(dòng)衰減時(shí),傳感器數(shù)據(jù)會(huì)隨機(jī)產(chǎn)生異常值,導(dǎo)致重構(gòu)序列與原始序列之間會(huì)存在較大差異,因此需要將X′u與Xu的各元素進(jìn)行方差處理:
(5)
(6)
式中:Rt為真實(shí)壽命.
在實(shí)際預(yù)測(cè)過(guò)程中,通常僅有少量初始狀態(tài)為有標(biāo)注的數(shù)據(jù)和無(wú)標(biāo)定的數(shù)據(jù),因此將訓(xùn)練好的網(wǎng)絡(luò)運(yùn)用到新設(shè)備上并對(duì)其進(jìn)行預(yù)測(cè)具有一定挑戰(zhàn)性.對(duì)此,提出一種無(wú)監(jiān)督的深度遷移學(xué)習(xí)法.
在UDTL中,假設(shè)在源領(lǐng)域內(nèi)均為有標(biāo)注的數(shù)據(jù),則源領(lǐng)域?yàn)?/p>
(7)
此外,假設(shè)在目標(biāo)領(lǐng)域內(nèi)標(biāo)簽是不可得的,則目標(biāo)領(lǐng)域?yàn)?/p>
(8)
源領(lǐng)域和目標(biāo)領(lǐng)域分別遵循概率分布P和Q.由于源領(lǐng)域和目標(biāo)領(lǐng)域的傳感器數(shù)據(jù)分別于不同的電梯制動(dòng)器設(shè)備中采集得到,所以這些數(shù)據(jù)存在嚴(yán)重的分布差異,導(dǎo)致2.2節(jié)中的智能診斷模型不再適用.對(duì)此,利用UDTL減少源領(lǐng)域和目標(biāo)領(lǐng)域之間的特征分布誤差,從而在目標(biāo)領(lǐng)域內(nèi)實(shí)現(xiàn)準(zhǔn)確的壽命預(yù)測(cè).
最大平均差異(MMD)是一種用于測(cè)量?jī)蓚€(gè)數(shù)據(jù)集之間分布差異的非參數(shù)距離度量,當(dāng)兩個(gè)樣本的MMD距離足夠小時(shí),可以認(rèn)為分布相同.當(dāng)Xs和Xt分別遵循概率分布P和Q時(shí),兩個(gè)數(shù)據(jù)集之間的MMD距離為
DH(Xs,Xt)=
(9)
式中:sup(·)為輸入聚合的上確界;H表示再生核Hilbert空間(RKHS);φ(·)為從原始特征空間到RKHS的非線性映射;E(·)為數(shù)學(xué)期望.通過(guò)對(duì)RKHS的非線性映射,評(píng)估兩個(gè)數(shù)據(jù)集分布之間的相似程度.由式(9)進(jìn)一步運(yùn)算得到
(10)
式中:k(·,·)為特征核函數(shù).線性核函數(shù)、多項(xiàng)式核函數(shù)和高斯核函數(shù)為常用的核函數(shù),而高斯核函數(shù)可以實(shí)現(xiàn)非線性映射且對(duì)于多維數(shù)據(jù)的計(jì)算量較小,因此選擇高斯核函數(shù)進(jìn)行運(yùn)算,即
式中:σ為速度參數(shù),σ越大,則高斯核函數(shù)的局部影響范圍越大.本文選取σ=5.
3.3.1權(quán)重遷移 在源領(lǐng)域內(nèi)的LSTM-ED深度特征提取網(wǎng)絡(luò)中提取訓(xùn)練好的權(quán)重和偏置,并直接遷移至目標(biāo)領(lǐng)域中的新LSTM-ED網(wǎng)絡(luò)中,將其作為新深度特征提取網(wǎng)絡(luò)的初始權(quán)重和偏置:
(11)
(12)
3.3.2特征遷移 經(jīng)權(quán)重遷移后,Xt可以通過(guò)新的LSTM-ED提取特征
Ht=L(Xt)
其中:L(·)為L(zhǎng)STM-ED的處理函數(shù);Ht為目標(biāo)領(lǐng)域的特征序列.因此,源領(lǐng)域的特征序列(Hs)與Ht的遷移誤差(LMDD)可由MMD標(biāo)量表示為
(13)
特征遷移使得目標(biāo)領(lǐng)域與源領(lǐng)域的特征序列分布一致,因此由源領(lǐng)域數(shù)據(jù)的先驗(yàn)知識(shí)訓(xùn)練得到的回歸預(yù)測(cè)全連接網(wǎng)絡(luò)可以直接作用于新目標(biāo)特征序列上,從而得到高精度的預(yù)測(cè)結(jié)果.
遷移學(xué)習(xí)算法的整體框圖如圖3所示.算法的損失函數(shù)為
圖3 遷移學(xué)習(xí)算法框圖Fig.3 Overall block diagram of transfer learning
L=αLrec+βLMMD+γLR
(14)
式中:α、β和γ為3個(gè)損失函數(shù)的修正系數(shù).
典型的遷移學(xué)習(xí)多采用將目標(biāo)領(lǐng)域和源領(lǐng)域的數(shù)據(jù)整合在一起訓(xùn)練,即將α、β和γ均設(shè)為非零值進(jìn)行聯(lián)合訓(xùn)練.該訓(xùn)練模式未考慮各損失函數(shù)的實(shí)際意義,易導(dǎo)致對(duì)源領(lǐng)域數(shù)據(jù)的過(guò)擬合,而對(duì)目標(biāo)領(lǐng)域數(shù)據(jù)的預(yù)測(cè)結(jié)果不理想[9].此外,該方法需要完整的目標(biāo)領(lǐng)域數(shù)據(jù),因此在實(shí)際運(yùn)用中無(wú)法對(duì)目標(biāo)領(lǐng)域設(shè)備進(jìn)行在線預(yù)測(cè).對(duì)此,提出一種分步訓(xùn)練方法,其通過(guò)保證各模塊的準(zhǔn)確性實(shí)現(xiàn)RUL精準(zhǔn)預(yù)測(cè),具體步驟如下:
步驟1令β=γ=0,將源領(lǐng)域中前10%的數(shù)據(jù)作為健康狀態(tài)數(shù)據(jù)輸入,從而更新LSTM-ED網(wǎng)絡(luò)的權(quán)重和偏置.根據(jù)訓(xùn)練得到的重構(gòu)網(wǎng)絡(luò),將輸入序列轉(zhuǎn)化為與輸入等長(zhǎng)的特征序列,并將這一過(guò)程定義為特征提取.
步驟2在進(jìn)行回歸預(yù)測(cè)訓(xùn)練時(shí),令α=β=0,即將源領(lǐng)域數(shù)據(jù)的回歸誤差作為更新權(quán)重的損失函數(shù),同時(shí)固定LSTM-ED的權(quán)重不變,僅更新全連接層的權(quán)重和偏置.
步驟3權(quán)重遷移利用源領(lǐng)域?qū)W習(xí)得到的LSTM-ED網(wǎng)絡(luò)和全連接網(wǎng)絡(luò),初始化目標(biāo)領(lǐng)域網(wǎng)絡(luò).通過(guò)特征提取模塊,將新得到的目標(biāo)領(lǐng)域序列轉(zhuǎn)化為Ht,并將Ht與Hs進(jìn)行領(lǐng)域適應(yīng),即令α=γ=0,利用損失函數(shù)更新LSTM-ED,從而減小Ht與Hs的分布誤差.
步驟4LSTM-ED網(wǎng)絡(luò)能夠針對(duì)目標(biāo)領(lǐng)域數(shù)據(jù)進(jìn)行傳感器異常監(jiān)測(cè),因此利用由步驟3更新后的LSTM-ED參數(shù)得到新特征序列,并將其輸入到全連接網(wǎng)絡(luò)中得到當(dāng)前預(yù)測(cè)的RUL.本文預(yù)測(cè)的RUL值均小于1,其含義為剩余生命周期占總生命周期的比例.若預(yù)測(cè)值小于90%,則直接將其作為該點(diǎn)的RUL值;若預(yù)測(cè)值大于90%,則說(shuō)明該時(shí)間段內(nèi)的數(shù)據(jù)為電梯制動(dòng)器前10%的健康生命周期數(shù)據(jù),需要根據(jù)LSTM-ED的異常值檢測(cè)特性,令β=γ=0、α=1,再次訓(xùn)練更新LSTM-ED參數(shù),并利用新LSTM-ED得到新特征序列,將其作為全連接網(wǎng)絡(luò)的輸入值,重新預(yù)測(cè)該點(diǎn)的RUL.
其中,步驟1和2為利用源領(lǐng)域數(shù)據(jù)進(jìn)行訓(xùn)練網(wǎng)絡(luò),完成之后即可得到針對(duì)源領(lǐng)域數(shù)據(jù)的高精度RUL預(yù)測(cè)算法.步驟3和4為借助目標(biāo)領(lǐng)域數(shù)據(jù)進(jìn)行在線微調(diào)訓(xùn)練并得到預(yù)測(cè)結(jié)果.
仿真試驗(yàn)平臺(tái)由迅達(dá)曳引機(jī)、PLC控制柜和變頻器組成,如圖4(a)所示.其中,a為加速度,D為制動(dòng)距離,d為間隙,LI為聲強(qiáng)級(jí),N為運(yùn)行次數(shù).變頻器和制動(dòng)器(110 V直流電壓)聯(lián)動(dòng)能夠加速制動(dòng)器的制動(dòng)失效,從而仿真制動(dòng)器制動(dòng)力不足的失效模式.基于上述方法,采集得到制動(dòng)器從初始狀態(tài)運(yùn)行至失效的全生命周期數(shù)據(jù)(見(jiàn)圖4(b)),并將其作為源領(lǐng)域數(shù)據(jù).當(dāng)制動(dòng)器在寧波申菱電梯塔(見(jiàn)圖5(a))運(yùn)作時(shí),人工定期檢查得到制動(dòng)器從初始狀態(tài)運(yùn)行至失效的全生命周期數(shù)據(jù)(見(jiàn)圖5(b)),并將其作為目標(biāo)領(lǐng)域數(shù)據(jù).利用源領(lǐng)域數(shù)據(jù)訓(xùn)練模型,并基于所提遷移學(xué)習(xí)法實(shí)現(xiàn)對(duì)目標(biāo)領(lǐng)域的RUL精確預(yù)測(cè).
圖4 制動(dòng)器仿真實(shí)驗(yàn)Fig.4 Simulation experiment of brake
圖5 寧波申菱電梯塔實(shí)驗(yàn)Fig.5 Shenling elevator tower experiment in Ningbo
利用傳感器網(wǎng)絡(luò)連續(xù)采集制動(dòng)器間隙、編碼器讀數(shù)、摩擦噪聲和制動(dòng)加速度等相關(guān)物理參數(shù),并將數(shù)據(jù)預(yù)處理為多個(gè)長(zhǎng)度l=50的子序列作為網(wǎng)絡(luò)輸入,即輸入為5×50個(gè)節(jié)點(diǎn)(兩個(gè)制動(dòng)間隙).LSTM-ED網(wǎng)絡(luò)分為輸入層、隱藏層和輸出層,分別輸出30×50個(gè)節(jié)點(diǎn)、20×50個(gè)節(jié)點(diǎn)和5×50個(gè)節(jié)點(diǎn).截取仿真數(shù)據(jù)中前10%的數(shù)據(jù)作為健康數(shù)據(jù),對(duì)LSTM-ED進(jìn)行訓(xùn)練,并利用訓(xùn)練好的網(wǎng)絡(luò)將傳感器數(shù)據(jù)投射到如圖6所示的特征區(qū)域中,其中F為經(jīng)學(xué)習(xí)得到的特征值,ε為運(yùn)行進(jìn)度(運(yùn)行時(shí)間占總壽命的比例).可知,5個(gè)特征值(F1~F5)隨時(shí)間的增加而增大,且增大趨勢(shì)相似,表明LSTM-ED可以作為特征提取器并有效地反映制動(dòng)器衰退現(xiàn)象.
圖6 仿真實(shí)驗(yàn)數(shù)據(jù)提取得到的特征Fig.6 Features of simulation experiment data
利用全連接網(wǎng)絡(luò)(輸入層為提取特征,隱藏層包括20個(gè)節(jié)點(diǎn),輸出層為一維)對(duì)LSTM-ED提取的特征進(jìn)行回歸預(yù)測(cè),并利用仿真數(shù)據(jù)中的真實(shí)壽命訓(xùn)練全連接網(wǎng)絡(luò).經(jīng)訓(xùn)練后,仿真數(shù)據(jù)的損失函數(shù)降低至小于0.015,即得到針對(duì)源領(lǐng)域數(shù)據(jù)的高精度RUL預(yù)測(cè)算法.
利用在線微調(diào)方法(步驟3和4),進(jìn)一步訓(xùn)練LSTM-ED的特征提取器參數(shù),并基于新的特征提取器將電梯塔中的數(shù)據(jù)轉(zhuǎn)化為如圖7所示的特征數(shù)據(jù).可知,該提取器同樣可以作為特征提取器并有效地反映制動(dòng)器衰退現(xiàn)象.
圖7 電梯塔數(shù)據(jù)通過(guò)UDTL學(xué)習(xí)得到的特征Fig.7 Features of elevator tower data learned through UDTL
在預(yù)測(cè)過(guò)程中,利用全連接層預(yù)測(cè)回歸得到的特征,預(yù)測(cè)結(jié)果如圖8所示.可知,RUL的預(yù)測(cè)曲線與真實(shí)曲線的吻合度較高.為量化UDTL的預(yù)測(cè)結(jié)果,引入平均絕對(duì)值誤差(MAE)、均方誤差(MSE)和均方根誤差(RMSE):
圖8 UDTL對(duì)電梯塔的剩余生命周期預(yù)測(cè)Fig.8 RUL prediction of elevator tower by UDTL
(15)
(16)
(17)
根據(jù)上式計(jì)算得到:MAE=0.03、MSE=0.001 6、RMSE=0.04.可知,利用UDTL預(yù)測(cè)的誤差均很小,表明本文提出的UDTL可以有效預(yù)測(cè)真實(shí)工況下的電梯制動(dòng)器剩余生命周期.
為證明所提方法的有效性,將未進(jìn)行遷移學(xué)習(xí)的預(yù)測(cè)算法和傳統(tǒng)訓(xùn)練法作為對(duì)比,進(jìn)行電梯塔數(shù)據(jù)的RUL預(yù)測(cè),結(jié)果如圖9所示.可知,與圖8中的UDTL方法相比,圖9中各方法的預(yù)測(cè)誤差均較大.
圖9 電梯塔剩余生命周期預(yù)測(cè)結(jié)果Fig.9 RUL prediction of elevator tower
利用上節(jié)所述量化方法,計(jì)算不同方法下電梯塔的RUL預(yù)測(cè)誤差,結(jié)果如表1所示.可知,在MSE方面,本文所提UDTL方法較無(wú)遷移學(xué)習(xí)的情況降低了59%,較傳統(tǒng)訓(xùn)練法降低了54%,證明該方法能夠有效提高電梯制動(dòng)器壽命預(yù)測(cè)的準(zhǔn)確度.
表1 不同方法下電梯塔的剩余生命周期預(yù)測(cè)誤差Tab.1 RUL prediction error of elevator tower by multiple methods
為驗(yàn)證所提方法的優(yōu)越性,將其他遷移學(xué)習(xí)方法作為對(duì)比,利用源領(lǐng)域數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,并在真實(shí)情況下對(duì)電梯制動(dòng)器進(jìn)行RUL預(yù)測(cè).引入遷移損失作為遷移學(xué)習(xí)效果的判斷指標(biāo),其值為源領(lǐng)域與目標(biāo)領(lǐng)域的MSE之差,結(jié)果如表2所示.
表2 各遷移方法對(duì)比結(jié)果Tab.2 Comparison results of different migration methods
可知,在保證源領(lǐng)域內(nèi)的高精度RUL預(yù)測(cè)的情況下,本文所提UDTL方法的遷移損失值最小,說(shuō)明其對(duì)目標(biāo)領(lǐng)域電梯制動(dòng)器的RUL預(yù)測(cè)結(jié)果優(yōu)于其他方法,遷移過(guò)程中的精度損失較低.
分別利用無(wú)遷移和經(jīng)遷移更新后的LSTM-ED對(duì)真實(shí)工作情況下的電梯制動(dòng)器進(jìn)行特征提取,計(jì)算特征值總和(Fs)并與仿真制動(dòng)器提取的特征值總和進(jìn)行對(duì)比,結(jié)果如圖10所示.其中,仿真制動(dòng)器的特征標(biāo)注為制動(dòng)器1;在真實(shí)工作情況下,無(wú)遷移和經(jīng)UDTL遷移更新后的的LSTM-ED提取的特征分別標(biāo)注為制動(dòng)器2和制動(dòng)器3.
圖10 各制動(dòng)器的特征值總和Fig.10 Sum of eigenvalues of different brakes
可知,在Fs值在大小方面,制動(dòng)器3與制動(dòng)器1更接近;在Fs值的變化趨勢(shì)方面,制動(dòng)器3與制動(dòng)器2更接近,即UDTL通過(guò)尋找兩個(gè)制動(dòng)器的共有特征進(jìn)行特征的遷移.利用相關(guān)度系數(shù)(r)量化各特征之間的相關(guān)性,其絕對(duì)值越大,則相關(guān)度越高.
(18)
利用式(18),得到相關(guān)度系數(shù)結(jié)果,如表3所示.可知,制動(dòng)器3與制動(dòng)器1的特征值總和的相關(guān)度最高,這表明制動(dòng)器1通過(guò)遷移將特征保留在了制動(dòng)器2的特征中,從而進(jìn)一步證明所提方法可以有效提高電梯制動(dòng)器在真實(shí)工作情況下的RUL預(yù)測(cè)準(zhǔn)確度.
表3 相關(guān)度系數(shù)結(jié)果Tab.3 Results of correlation coefficient
為改善電梯制動(dòng)器在真實(shí)工作情況下的壽命預(yù)測(cè)效果,提出一種基于無(wú)監(jiān)督深度遷移學(xué)習(xí)的制動(dòng)器RUL預(yù)測(cè)方法.該方法利用LSTM-ED將原始數(shù)據(jù)映射到特征空間中,通過(guò)MMD實(shí)現(xiàn)真實(shí)數(shù)據(jù)與仿真數(shù)據(jù)的對(duì)齊,最終利用全連接網(wǎng)絡(luò)進(jìn)行回歸并完成預(yù)測(cè).試驗(yàn)和量化數(shù)據(jù)表明:該算法RUL預(yù)測(cè)值的均方誤差僅為 0.001 6,比無(wú)遷移學(xué)習(xí)的情況降低了59%;其可以對(duì)真實(shí)工作情況下的電梯制動(dòng)器進(jìn)行高精度壽命預(yù)測(cè),有助于提升電梯等同類特種設(shè)備的安全性.