林懿，龍偉，李炎炎，魏鴻飛，湯高豐

（1.四川大學機械工程學院，四川成都，610097； 2.成都中創(chuàng)一佳科技公司, 四川成都，610065）

0 引言

滾動軸承是旋轉(zhuǎn)設備中應用最廣的關鍵部件之一，因其工況惡劣，承受載荷多變、強度大和時間長等特點，也是最易損的部件之一。并且由于軸承失效的突發(fā)性，事故的發(fā)生難以預料，在造成經(jīng)濟損失的同時，也會給工業(yè)安全生產(chǎn)帶來嚴峻挑戰(zhàn)[1]。因此，提前預測軸承剩余使用壽命能夠快速反應決策，對保障人員財產(chǎn)安全具有重大意義。傳統(tǒng)RUL預測嚴重依賴專家經(jīng)驗，不僅成本高，且在大規(guī)模生產(chǎn)或惡劣環(huán)境狀況下，僅憑人力也難以負擔。如何低成本、高效且智能的對滾動軸承RUL實現(xiàn)精確預測，成為工業(yè)工程中亟待解決的問題。

而隨著新一代信息技術的高速發(fā)展，云計算、大數(shù)據(jù)和人工智能等手段通過打造工業(yè)領域的互聯(lián)網(wǎng)平臺賦能裝備智能運維與自主健康，為軸承RUL預測提供了一種全新的、高效的、智能的解決方法?；诰W(wǎng)絡技術開展設備遠程監(jiān)測診斷的研究可追溯到上世紀90年代，在國外，1997年麻省理工學院與斯坦福大學共辦第一屆“基于因特網(wǎng)的工業(yè)遠程診斷研討會”，對該技術的連接體系、診斷信息、傳輸協(xié)議以及相關限制進行了探討，提出了展望與預期，獲得了國家以及相關行業(yè)公司的支持合作[2]；2012年美國GE公司發(fā)布報告，重點以“旋轉(zhuǎn)機械”為討論對象，提出將傳感器嵌入各類先進儀器儀表以收集分析信息數(shù)據(jù)，改進設備性能，并打造出全球首個工業(yè)互聯(lián)網(wǎng)平臺——Predix[3]。在國內(nèi)，諸多高校行業(yè)也依據(jù)自身優(yōu)勢專業(yè)，在各工業(yè)領域開展設備遠程診斷，并取得部分成果，其中，華中科技大學[4]在網(wǎng)絡上設立診斷點，以實驗室為單位成功提供了遠程診斷服務。北京化工大學的高金吉院士團隊[5]從企業(yè)工程經(jīng)驗出發(fā)，于2012年就推出了基于工業(yè)互聯(lián)網(wǎng)的設備監(jiān)測診斷平臺，能夠于在線、無線、離線狀態(tài)下實現(xiàn)對工業(yè)現(xiàn)場設備的故障診斷。

近些年，隨著傳統(tǒng)制造業(yè)轉(zhuǎn)型升級的呼聲愈發(fā)高昂，以工業(yè)互聯(lián)網(wǎng)賦能設備監(jiān)測診斷，促使設備診斷信息化、管理決策智能化也掀起空前熱潮。

1 端-邊-云協(xié)同方案設計

本文方案是以“面向產(chǎn)業(yè)集群全業(yè)務服務的工業(yè)互聯(lián)網(wǎng)平臺”為基礎設計的，該平臺由四川大學龍偉教授團隊推出，主要針對國內(nèi)某開發(fā)區(qū)企業(yè)類型多、產(chǎn)業(yè)數(shù)量多的特點建設的，并已成功入選“重慶市十大軟件公共服務平臺培育方案”，平臺主界面如圖1所示。

圖1 工業(yè)互聯(lián)網(wǎng)平臺主界面

傳統(tǒng)的“端-云”協(xié)同面臨以下問題：（1）大數(shù)據(jù)傳輸問題。未加處理的海量設備端數(shù)據(jù)在傳輸至云端的過程中，存在高延遲的缺陷；（2）實時性問題。數(shù)據(jù)量過大，影響云計算的實時處理能力；（3）安全問題。端-云傳輸路徑過長，存在數(shù)據(jù)丟失以及泄露風險。盡管“端-云”協(xié)同的架構解決了終端設備的限制，但仍存在一定的問題影響服務質(zhì)量和效率。為了緩解上述問題，在端-云架構中靠近設備端的部分，引入邊緣層，對海量工業(yè)數(shù)據(jù)實施預處理和儲存，能夠產(chǎn)生更快的網(wǎng)絡服務響應，滿足工業(yè)實時性、應用智能性、信息安全性。端-邊-云總體架構如圖2所示。

圖2 端-邊-云總體架構

1.1 端層功能設計

端層又叫應用層、設備層或者感知層，主要指的是工業(yè)現(xiàn)場的數(shù)據(jù)采集系統(tǒng)，通常包括工業(yè)設備、傳感器以及嵌入式系統(tǒng)等。在工業(yè)現(xiàn)場，主要是將各類有線和無線通信技術接入各種工業(yè)現(xiàn)場設備、智能產(chǎn)品/裝備采集工業(yè)數(shù)據(jù)。因此，利用加速度傳感器，采集重要設備的軸承振動信號，并通過智能網(wǎng)關傳輸?shù)竭吘壏掌鳌?/p>

1.2 邊層功能設計

邊層又叫邊緣層，能利用云網(wǎng)關連接工廠網(wǎng)絡中的各類設備，采集端層的多源異構數(shù)據(jù)，匯聚各類工業(yè)參數(shù)，并進行準確及時的協(xié)議解析、數(shù)據(jù)清洗、存儲和科學的分析處理，通過以太網(wǎng)、移動網(wǎng)絡等上網(wǎng)方式與云平臺進行通信，實現(xiàn)數(shù)據(jù)上云。將邊緣服務器部署在靠近工業(yè)現(xiàn)場的節(jié)點，一方面，能夠解決設備端儲存、計算能力不足的問題；另一方面，通過邊層對工業(yè)數(shù)據(jù)的結構化處理，不僅將云層的計算任務卸載到邊層，減輕了云中心的處理壓力、增加了傳輸效率。此外，由于目前在工業(yè)數(shù)據(jù)采集領域，多種工業(yè)協(xié)議標準并存，各種工業(yè)協(xié)議標準不統(tǒng)一、互不兼容，導致協(xié)議解析、數(shù)據(jù)格式轉(zhuǎn)換和數(shù)據(jù)互聯(lián)互通困難。因此采用一種以SOA、WebService為核心的跨平臺數(shù)據(jù)交換技術，即OPC UA統(tǒng)一架構，在單一接口情況下實現(xiàn)多種工業(yè)協(xié)議標準的數(shù)據(jù)交換。因此，在邊緣層中，將軸承原始振動信號進行數(shù)據(jù)清洗、特征提取后，再傳輸給云層計算中心。

1.3 云層功能設計

云層也被稱為云計算層，即“面向產(chǎn)業(yè)集群全業(yè)務服務的工業(yè)互聯(lián)網(wǎng)平臺”，是面向客戶的中心平臺或封裝軟件，主要接受來自邊緣層的數(shù)據(jù)流，并通過對數(shù)據(jù)進行智能分析與可視化展示，為用戶提供決策支撐。同時，由于云服務器具備足夠的計算與緩存能力，因此，將訓練好的軸承RUL預測模型模型部署于云層，實現(xiàn)網(wǎng)絡化協(xié)同管理，對軸承狀態(tài)實現(xiàn)智能分析、判斷和預警，為工業(yè)安全生產(chǎn)提供遠程分析和決策服務，保障工業(yè)現(xiàn)場的安全生產(chǎn)。

2 基于QPSO-LSTM的軸承RUL預測建模

LSTM網(wǎng)絡在長距離時序預測過程中表現(xiàn)出極佳的魯棒性和適應性，適用于滾動軸承RUL預測。但單一的LSTM網(wǎng)絡預測方法過于依賴人為設置神經(jīng)網(wǎng)絡的超參數(shù)，這不僅導致訓練模型隨機性高、算法智能性差，還影響模型預測精度。因此，使用量子粒子群優(yōu)化算法（Quantum Particle Swarm Optimization，QPSO）對LSTM的網(wǎng)絡超參數(shù)自適應尋優(yōu)，建立起QPSO-LSTM網(wǎng)絡模型，最終實現(xiàn)對軸承剩余壽命的智能預測。

2.1 算法介紹

2.1.1 QPSO算法

Sun[6]模擬量子波動行為，提出了一種QPSO算法，該算法引入了量子理論，從智能進化和搜索策略的本質(zhì)上對PSO進行了改進。與標準PSO根據(jù)粒子飛行速度更新位置的行為不同，QPSO取消了粒子“速度向量”的屬性，使粒子位置的更新不關聯(lián)于粒子運動，以此增加算法搜尋能力。此外，基于量子理論，將粒子視為量子束縛態(tài)，其位置為搜尋空間中任意可能的點，而粒子存在于該點的概率將由概率密度函數(shù)決定。因此，基于δ勢阱理論，通過求解薛定諤方程，就能求出該概率密度函數(shù)，并在其旁邊進行逆變換從而獲得粒子位置。與傳統(tǒng)算法相比，QPSO可以在整個可行域內(nèi)搜索最優(yōu)解，具有快速收斂性和魯棒性。同時，QPSO算法在對多維函數(shù)的尋優(yōu)問題中，表現(xiàn)出極佳的精度。算法原理和步驟如下：

Step1：計算平均最佳位置mbestt：

其中，M為粒子種群數(shù)；pbesti,t為t代粒子中的個體最優(yōu)位置。

Step2：更新粒子位置。因為粒子處于δ勢阱中，從量子理論來看，粒子在不斷演變的過程中，種群具有一定程度的聚集性，粒子將會被吸引子逐漸吸引到該點。吸引子公式為：

其中，α是加權因子，遵循[0, 1]上的均勻分布數(shù)值

同時，為了更新粒子位置，需要將粒子從量子態(tài)壓縮到經(jīng)典態(tài)，并使用蒙特卡羅隨機模擬獲得下一代粒子位置：

其中，xi,t+1表示粒子t+1代的位置，β為創(chuàng)新參數(shù)，名為收縮擴張系數(shù),取值一般小于1；u遵循[0, 1]上的均勻分布；取+與-的概率各為0.5。

QPSO算法結合了PSO和量子理論的特點，具有如下優(yōu)點：①具有概率為1的全局收斂能力；②參數(shù)量少，算法收斂速度和粒子位置只取決于參數(shù)β，具有更簡單的結構、更快的收斂速度；③比標準PSO輸出更為穩(wěn)定，魯棒性極佳。

2.1.2 LSTM網(wǎng)絡

在滾動軸承壽命預測時，考慮到軸承退化過程是動態(tài)和發(fā)展的，傳統(tǒng)神經(jīng)網(wǎng)絡只能表現(xiàn)為對當前時刻監(jiān)測信號的映射，忽略了時序信號在不同時間的相關性[7]。循環(huán)神經(jīng)網(wǎng)絡RNN擁有記憶循環(huán)結構，能夠同時兼顧輸入信號的空間和時序性，但在長時序數(shù)據(jù)中，有依賴下降的缺點。LSTM網(wǎng)絡是RNN的變種，是為了解決RNN長期以來存在的梯度消失和爆炸問題所提出的，相對于RNN，LSTM網(wǎng)絡在長時序記憶中有更好的表現(xiàn)。

傳統(tǒng)RNN是一個鏈式結構，通過單一網(wǎng)絡的復制將信息傳遞給下一個神經(jīng)模塊，因此RNN具備一定的記憶功能。但隨著數(shù)據(jù)時間片段與網(wǎng)絡節(jié)點計算階段增加，RNN會逐漸喪失接受遠程信息的能力，也就是出現(xiàn)了長期依賴問題。此外，RNN權值矩陣的循環(huán)乘積，會產(chǎn)生梯度消失和爆炸，使得其模型訓練困難。

LSTM引入門（gate）機制，在隱藏層增加一個細胞狀態(tài)，以輸入門、輸出門和遺忘門控制信息流動。與RNN不同的是，LSTM重復模塊中并非單一神經(jīng)網(wǎng)絡，而是四個交互層，共同控制信息沿著時間軸更新。其中，三種狀態(tài)門形成記憶單元結構組織決定單元狀態(tài)。通過這種刻意設計的結構，LSTM網(wǎng)絡能夠利用門控傳輸機制，有選擇性的記住需要長時間記憶的信息，而遺忘掉無用信息，徹底解決了RNN網(wǎng)絡“呆板”的疊加式記憶方式。

2.1.3 QPSO-LSTM

Klaus greff[8]等人研究了LSTM網(wǎng)絡相關超參數(shù)設置對預測結果的影響，實驗表明，學習速率和網(wǎng)絡大小的設置至關重要，因此，可用QPSO算法對學習速率、迭代次數(shù)、隱含神經(jīng)元節(jié)點數(shù)（兩層網(wǎng)絡結構）共四個超參數(shù)進行尋優(yōu)，以得到精度更高、更穩(wěn)定的訓練模型。其中，適應度值函數(shù)定義為均方差，計算公式如下：

其中，Ai為測試值，F(xiàn)i為神經(jīng)網(wǎng)絡預測值。

算法流程如圖3所示。

圖3 QPSO-LSTM算法流程

2.2 實驗驗證

實驗數(shù)據(jù)為來自IEEE協(xié)會2012年舉辦的PHM預測挑戰(zhàn)賽軸承全周期振動信號[9]，選用兩種工況下的Bearing1-1及Bearing2-1為訓練集數(shù)據(jù)，Bearing1-3為測試集數(shù)據(jù)，具體軸承全壽命信號圖如圖4所示。經(jīng)過綜合考慮，提取信號最小值、能量熵、峰峰值、最大值、波形、整流平均值、標準差、方差等8組特征構建軸承退化特征向量。此外，將軸承剩余壽命模型簡化為一次方程，并引入軸承特征共同構建訓練參數(shù)集，同時為了更直觀地呈現(xiàn)剩余壽命預測情況，將剩余壽命歸一化為[0, 1]，1代表百分百剩余壽命，0代表軸承完全失效。

圖4 軸承全壽命信號圖

Elman、CNN、BP、標準LSTM及PSO-LSTM多種模型的預測結果進行對比。其中，Elman網(wǎng)絡是一種遞歸神經(jīng)網(wǎng)絡，因為本身包括四層網(wǎng)絡結構，所以具有一定的延時時變能力，常用于回歸預測；CNN網(wǎng)絡則是一種具有深度結構的前饋神經(jīng)網(wǎng)絡，在機器視覺、語音處理及分類問題中表現(xiàn)極佳；BP網(wǎng)絡則是當前應用最廣的模型之一，具有模型結構簡明、運算效率高的特點，其本身能利用梯度下降法減小訓練誤差，因此在非線性擬合中表現(xiàn)突出。各模型預測結果曲線如圖5所示，而為了便于展示，圖中的曲線是經(jīng)平滑處理后的結果。

由圖5可知，六種模型的剩余壽命預測值同真實值的整體變化趨勢基本相同，直觀反映了所取特征參數(shù)的退化敏感性較高，對軸承退化狀態(tài)表征能力較強，證明了自適應特征選擇算法的有效性與實用性。分階段來看，在退化初期，即[0, 500]處，所有模型的預測效果都較差，主要原因是軸承剛接入負載系統(tǒng)，系統(tǒng)整體穩(wěn)定性不高，導致軸承振幅波動較大，待系統(tǒng)趨于平穩(wěn)后，擬合效果才逐漸提高；而在[500, 1000]處的振幅平穩(wěn)階段預測值與真實值誤差較小，模型擬合曲線精度普遍較高，這是因為此階段軸承磨損量較小，整體處于健康狀態(tài)，振動特征平穩(wěn)，因此具有較高的擬合精度；而在[1000, 1500]處的退化中期階段，因軸承磨損量逐漸加深，振動信號非線性、非平穩(wěn)性增強，因此預測誤差較大，此外，由于振幅波動較大，與退化初期的表現(xiàn)形式相似，導致五種對比模型剩余壽命預測值擬合曲線在真實值曲線上方，而只有本文所提出的QPSO-LSTM算法具有最佳的擬合效果，體現(xiàn)出該算法預測結果的精確性；最后，在[1500, 2500]處的急速退化階段，六種模型擬合精度普遍較高，因為本階段軸承退化趨勢明顯，振幅異常，振動特征表征效果最佳。同時，為了定量評價各算法剩余壽命預測模型的精度，以均方根誤差RMSE和決定系數(shù)R2為評價指標，公式如下：

圖5 預測結果對比圖

其中，Ai為測試值，F(xiàn)i為神經(jīng)網(wǎng)絡預測值，F(xiàn)為Fi的平均值。

根據(jù)式(5)和(6)計算的模型精度評價指標結果如表1所示， RMSE指標代表著預測輸出與預期輸出的誤差值，該指標越小，則代表整體預測越小，預測精度越高；R2指標代表著預測結果對預期值的擬合度，其值越大，說明擬合結果越好，預測精度越高。LSTM網(wǎng)絡模型則因其獨特的長時序記憶能力，在長距離時序數(shù)據(jù)預測方面表現(xiàn)突出，因此，LSTM網(wǎng)絡模型的預測結果顯著優(yōu)于其余網(wǎng)絡模型；其次，為了解決LSTM網(wǎng)絡智能化訓練問題，使用PSO算法對網(wǎng)絡超參數(shù)尋優(yōu)，結果顯示，PSO尋優(yōu)后的LSTM網(wǎng)絡預測效果優(yōu)于超參數(shù)固定設置的標準LSTM網(wǎng)絡，驗證了智能訓練的有效性；最后，為了提高尋優(yōu)精度，提出一種QPSO-LSTM網(wǎng)絡模型，結果也表明，QPSO算法尋優(yōu)精度更高，因此該模型的剩余壽命曲線擬合最符合真實值，且預測模型評價結果中，RMSE最小、R2最大，預測精度最高。

表1 模型評價

綜上所述，本節(jié)所提出的基于QPSO-LSTM算法不僅可以有效的預測滾動軸承剩余壽命，還能夠自適應調(diào)整網(wǎng)絡超參數(shù)，智能訓練模型，為設備在線監(jiān)測與維護提供了一種新的策略。

最后，將預測模型部署于工業(yè)互聯(lián)網(wǎng)平臺上，預測結果如圖6所示。圖6中，橫坐標表示軸承工作時間，縱坐標表示軸承剩余壽命，曲線則表示當前軸承剩余壽命。通過提取當前時刻軸承的退化特征，輸入QPSO-LSTM壽命預測模型，能夠提前預測軸承失效時間，快速反應決策，避免因設備可靠性缺失導致惡性工業(yè)事故的發(fā)生。此外，圖7還展示了平臺另一個功能——軸承狀態(tài)識別的可視化。圖7中，左邊為離散點分析，主要通過振動信號振幅大小輔助判定軸承是否運行異常，右邊為軸承診斷結果及三維聚類圖的可視化展示。

圖6 滾動軸承剩余壽命預測結果

圖7 軸承故障診斷結果可視化

3 結論

（1）設計了一套“端云邊”協(xié)同的工業(yè)互聯(lián)網(wǎng)架構，通過端層采集軸承振動信號并傳輸至邊層；在邊緣層對大量軸承數(shù)據(jù)進行預處理與特征提取，減少云端復雜，增加預測實時性；最后，在云層部署智能模型，實現(xiàn)對軸承RUL的準確預測；

（2）提出了一種基于QPSO-LSTM的軸承RUL預測算法，通過QPSO優(yōu)化算法自適應設定LSTM的網(wǎng)絡超參數(shù)，使其更穩(wěn)定、精確的對RUL進行預測。并通過軸承全壽命數(shù)據(jù)與多種算法對比，驗證了該算法的實用性；

（3）將智能模型部署于工業(yè)互聯(lián)網(wǎng)云端，實現(xiàn)了對軸承RUL的在線智能預測。

提前預測設備失效時間，能夠快速反應決策，避免惡性安全事故，保證人員財產(chǎn)安全；同時，智能化的設備健康管理技術也可以節(jié)省人力成本，提升企業(yè)管理效率，在加快傳統(tǒng)制造業(yè)轉(zhuǎn)型升級、增強中國制造核心競爭力方面作用深遠。