陳倩倩,林天然

(青島理工大學(xué) 機(jī)械與汽車工程學(xué)院,山東 青島 266520)

0 引 言

作為關(guān)鍵的傳動(dòng)部件,滾動(dòng)軸承被廣泛應(yīng)用于各類旋轉(zhuǎn)機(jī)械設(shè)備中。這些關(guān)鍵部件若發(fā)生故障,且沒(méi)有得到及時(shí)維護(hù),會(huì)引起旋轉(zhuǎn)機(jī)械整機(jī)系統(tǒng)的故障,影響安全生產(chǎn),甚至帶來(lái)巨大的經(jīng)濟(jì)損失[1,2]。

因此,開展?jié)L動(dòng)軸承剩余壽命(RUL)預(yù)測(cè)研究,不僅能準(zhǔn)確掌握其工作過(guò)程中的健康狀態(tài)變化,還能夠?yàn)樵O(shè)備健康管理策略的制定提供理論基礎(chǔ)。在最大程度保證旋轉(zhuǎn)機(jī)械正常運(yùn)行的情況下,對(duì)其進(jìn)行精確的壽命預(yù)測(cè)能有效節(jié)省設(shè)備的維護(hù)成本[3,4]。

剩余壽命預(yù)測(cè)作為預(yù)測(cè)與健康管理(PHM)領(lǐng)域的核心技術(shù),在保障設(shè)備安全性和可靠性方面得到了實(shí)際應(yīng)用[5,6]。

常見的滾動(dòng)軸承剩余壽命預(yù)測(cè)方法大致可分為基于物理模型方法和基于數(shù)據(jù)驅(qū)動(dòng)方法。對(duì)于滾動(dòng)軸承這種多元件組合式結(jié)構(gòu),很難準(zhǔn)確建立貼合實(shí)際工況的具體物理模型,因而滾動(dòng)軸承壽命預(yù)測(cè)更多地使用基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法。數(shù)據(jù)驅(qū)動(dòng)方法依靠采集的狀態(tài)監(jiān)測(cè)數(shù)據(jù),建立表征設(shè)備退化程度的健康指標(biāo)和預(yù)測(cè)模型,可以直接應(yīng)用于滾動(dòng)軸承的RUL預(yù)測(cè)。

近年來(lái),隨著計(jì)算機(jī)技術(shù)的發(fā)展,深度學(xué)習(xí)方法在滾動(dòng)軸承的壽命預(yù)測(cè)中嶄露頭角[7]。深度學(xué)習(xí)方法具有強(qiáng)大的非線性擬合能力,可以直接利用原始信號(hào)進(jìn)行壽命預(yù)測(cè)。

張繼冬等人[8]將傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)改進(jìn)為全卷積神經(jīng)網(wǎng)絡(luò),利用卷積神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)特征預(yù)測(cè)軸承剩余壽命。在模型訓(xùn)練過(guò)程中,基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型常會(huì)出現(xiàn)梯度消失和激增問(wèn)題,導(dǎo)致預(yù)測(cè)結(jié)果產(chǎn)生較大偏差。為此HE K等人[9,10]提出了殘差網(wǎng)絡(luò)結(jié)構(gòu),即通過(guò)在卷積層間加入“跳躍連接”結(jié)構(gòu),有效地解決了CNN模型訓(xùn)練中常見的梯度消失與激增問(wèn)題，而且相較于傳統(tǒng)CNN模型,其預(yù)測(cè)精度更高。目前,深度殘差網(wǎng)絡(luò)結(jié)構(gòu)已經(jīng)被成功應(yīng)用于滾動(dòng)軸承故障診斷。例如,徐卓飛等人[11]提出了一種基于深度殘差網(wǎng)絡(luò)的軸承故障診斷方法,通過(guò)搭建多組卷積層、池化層及殘差塊,構(gòu)成了深度網(wǎng)絡(luò)模型,實(shí)現(xiàn)了故障特征的自動(dòng)提取和訓(xùn)練。WEN L等人[12]提出了一種殘差卷積網(wǎng)絡(luò)模型,有效克服了卷積神經(jīng)網(wǎng)絡(luò)梯度消失問(wèn)題并改善了(RUL)預(yù)測(cè)結(jié)果的平均值和偏差。

除卷積神經(jīng)網(wǎng)絡(luò)外,長(zhǎng)短期記憶網(wǎng)絡(luò)(long short-term memory network, LSTM)是另一種常用的預(yù)測(cè)網(wǎng)絡(luò)。該網(wǎng)絡(luò)通過(guò)引入“門結(jié)構(gòu)”機(jī)制,增強(qiáng)網(wǎng)絡(luò)對(duì)長(zhǎng)時(shí)間序列數(shù)據(jù)的學(xué)習(xí)記憶能力,極大程度地提高了壽命預(yù)測(cè)的準(zhǔn)確性。而門控循環(huán)單元(gated recurrent unit,GRU)是LSTM的一種變形結(jié)構(gòu),具有與LSTM相同的優(yōu)點(diǎn),但其結(jié)構(gòu)更為簡(jiǎn)單,同樣在壽命預(yù)測(cè)領(lǐng)域獲得了廣泛應(yīng)用。

肖麗[13]以GRU網(wǎng)絡(luò)為基礎(chǔ),結(jié)合粒子濾波方法,準(zhǔn)確地跟蹤了軸承的退化過(guò)程,并有效地提高了軸承RUL預(yù)測(cè)精度。韓林潔[14]基于CNN和GRU網(wǎng)絡(luò),評(píng)估了滾動(dòng)軸承的退化趨勢(shì),利用GRU處理時(shí)間序列的優(yōu)勢(shì),建立了GRU-HI模型預(yù)測(cè)軸承退化趨勢(shì),并輸出了壽命退化曲線。

BiGRU是GRU算法的一個(gè)拓展,其通過(guò)采用2個(gè)GRU單元，同時(shí)處理數(shù)據(jù)的前向和后向時(shí)序信息,增強(qiáng)了模型的學(xué)習(xí)能力。例如,葉林峰等人[15]提出了一種基于BiGRU的神經(jīng)網(wǎng)絡(luò)模型,用于鋰離子電池的RUL預(yù)測(cè),結(jié)果顯示,該網(wǎng)絡(luò)模型具有訓(xùn)練參數(shù)少、預(yù)測(cè)精度高的特點(diǎn)。

為了充分利用數(shù)據(jù)中包含的空間與時(shí)間特征信息,進(jìn)一步提高軸承RUL預(yù)測(cè)的精確度,筆者提出一種結(jié)合深度殘差網(wǎng)絡(luò)(DRN)和雙向門控循環(huán)單元(BiGRU)的滾動(dòng)軸承RUL預(yù)測(cè)方法(模型)。

在該模型中,筆者通過(guò)將深度殘差網(wǎng)絡(luò)引入RUL預(yù)測(cè)模型中,在保證提取更多特征信息的同時(shí),利用“跳躍連接”結(jié)構(gòu)的恒等映射,解決深層網(wǎng)絡(luò)的性能退化問(wèn)題;并通過(guò)BiGRU同時(shí)捕獲時(shí)域數(shù)據(jù)包含的過(guò)去和未來(lái)兩個(gè)方向的相關(guān)信息,更準(zhǔn)確地獲取時(shí)域數(shù)據(jù)的退化特征,提高預(yù)測(cè)準(zhǔn)確率;最后,通過(guò)分析一組公開發(fā)布的軸承退化數(shù)據(jù)集,驗(yàn)證該方法的有效性及優(yōu)越性。

1 基礎(chǔ)理論

1.1 深度殘差網(wǎng)絡(luò)

深度殘差網(wǎng)絡(luò)(DRN)是在經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展出來(lái)的一種深度神經(jīng)網(wǎng)絡(luò)模型,其通過(guò)引入一個(gè)“跳躍連接(shortcut connection)”結(jié)構(gòu),有效地改進(jìn)了經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)存在的梯度消失和訓(xùn)練退化問(wèn)題。

深度殘差網(wǎng)絡(luò)的基本殘差單元(residual block,RB)如圖1所示。

圖1 基本殘差單元

通過(guò)將實(shí)際映射表示為H(x)=F(x)+x,就可以將原本直接擬合H(x)的問(wèn)題轉(zhuǎn)換為擬合殘差函數(shù)F(x)問(wèn)題。當(dāng)F(x)=0時(shí),就得到網(wǎng)絡(luò)的最佳映射解H(x)=x。

假設(shè)一個(gè)DRN網(wǎng)絡(luò)由L組基本殘差單元(圖1)構(gòu)成,其中,每一個(gè)殘差單元的輸入、輸出和參數(shù)分別為xl、xl+1與Wl,則可得到:

yl=h(xl)+F(xl,Wl)

(1)

xl+1=f(yl)

(2)

式中:F(·)—?dú)埐詈瘮?shù);f(·)—ReLU函數(shù)。

當(dāng)h(xl)=xl,f(yl)=yl時(shí),式(2)可轉(zhuǎn)化為:

xl+1=xl+F(xl,Wl)

(3)

然后,通過(guò)遞歸迭代方法可以推導(dǎo)出第L組殘差塊的輸出為:

(4)

1.2 GRU和BiGRU

GRU是LSTM的一種變體,其結(jié)構(gòu)相比LSTM更加簡(jiǎn)單,同時(shí)可以克服循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)存在的長(zhǎng)依賴問(wèn)題[16]。GRU主要由更新門和重置門組成,其中,更新門決定將多少過(guò)去的信息保存到當(dāng)前時(shí)間步,而重置門則決定歷史信息被遺忘的程度。

GRU的基本結(jié)構(gòu)如圖2所示。

圖2 GRU結(jié)構(gòu)圖

將輸入時(shí)間序列表示為xt,上一時(shí)刻和當(dāng)前狀態(tài)記憶量分別表示為ht-1和ht,輸出序列表示為yt,則GRU網(wǎng)絡(luò)的計(jì)算公式如下:

rt=σ(Wr·[ht-1,xt])

(5)

zt=σ(Wz·[ht-1,xt])

(6)

(7)

(8)

yt=σ(Wo·ht)

(9)

通過(guò)式(5,6)計(jì)算的重置門和更新門狀態(tài),均是將經(jīng)過(guò)線性變化后的輸入向量xt和上一時(shí)刻的記憶量ht-1傳遞給sigmoid激活函數(shù),輸出結(jié)果將介于0～1之間;

式(8)給出的是當(dāng)前時(shí)間步的最終記憶量ht的計(jì)算過(guò)程,最后通過(guò)式(9)的sigmoid函數(shù)計(jì)算得到輸出序列yt。

BiGRU通過(guò)組合正序和逆序2個(gè)GRU,充分利用GRU對(duì)時(shí)間系列順序的敏感性,從不同方向?qū)斎霐?shù)據(jù)進(jìn)行特征提取,能夠捕捉到被單向GRU忽略的時(shí)序特征,提高特征提取的準(zhǔn)確度[17]。

BiGRU網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 BiGRU網(wǎng)絡(luò)結(jié)構(gòu)

BiGRU獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)使得每個(gè)隱藏層在一個(gè)特定時(shí)間步長(zhǎng)內(nèi)可以同時(shí)捕獲過(guò)去(前向)和未來(lái)(后向)的時(shí)序信息,因此,BiGRU可以獲得更加全面的特征信息,提高網(wǎng)絡(luò)的預(yù)測(cè)性能。

2 滾動(dòng)軸承的RUL預(yù)測(cè)模型

為了充分利用數(shù)據(jù)中的特征信息，提高軸承RUL預(yù)測(cè)的精度，筆者提出一種結(jié)合DRN和BiGRU的滾動(dòng)軸承RUL預(yù)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)模型。

DRN繼承了卷積網(wǎng)絡(luò)典型的3大結(jié)構(gòu)特性:局部連接(local connectivity)、權(quán)值共享(parameter sharing)和下采樣(down sampling),并創(chuàng)新性地引入了殘差連接結(jié)構(gòu),能更好地發(fā)揮深層網(wǎng)絡(luò)的特征提取能力。

BiGRU特有的雙向結(jié)構(gòu)有助于提取被卷積層忽略的特征信息。

兩種方法結(jié)合有望提高預(yù)測(cè)的準(zhǔn)確性。

DRN-BiGRU模型的結(jié)構(gòu)框圖如圖4所示。

圖4 DRN-BiGRU模型的結(jié)構(gòu)框圖

圖4中:

該網(wǎng)絡(luò)模型的DRN部分包含5個(gè)殘差單元,每個(gè)殘差單元的卷積核的數(shù)目和尺寸各不相同,其主要作用是對(duì)輸入數(shù)據(jù)進(jìn)行空間特征提取;在每一個(gè)殘差單元后面都有一個(gè)最大池化層,其作用是對(duì)數(shù)據(jù)進(jìn)行降采樣;

在DRN后面添加3層BiGRU,用來(lái)捕獲數(shù)據(jù)的時(shí)序特性,提高模型的非線性擬合能力;網(wǎng)絡(luò)模型末端是全連接層部分,用于輸出模型預(yù)測(cè)結(jié)果。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)集簡(jiǎn)介及其預(yù)處理

筆者使用的數(shù)據(jù)集是2012年發(fā)表在IEEE 2012 PHM數(shù)據(jù)挑戰(zhàn)賽上的滾動(dòng)軸承加速退化數(shù)據(jù)集[18]。

該數(shù)據(jù)集所使用的軸承加速退化PRONOSTIA實(shí)驗(yàn)平臺(tái),如圖5所示。

圖5 軸承加速退化PRONOSTIA實(shí)驗(yàn)平臺(tái)

圖5中,通過(guò)安裝在軸承座上的加速度傳感器進(jìn)行數(shù)據(jù)采集,每隔10 s采集一次數(shù)據(jù),采樣頻率為25.6 kHz,每次采樣時(shí)長(zhǎng)為0.1 s,即每次采集2 560個(gè)數(shù)據(jù)點(diǎn),當(dāng)數(shù)據(jù)點(diǎn)的加速度幅值大于20 g時(shí)則視為軸承失效。

該數(shù)據(jù)集包含3種工況,共獲得17組滾動(dòng)軸承全壽命退化數(shù)據(jù)。這17組數(shù)據(jù)被劃分為訓(xùn)練集和測(cè)試集,分別用于模型的訓(xùn)練階段和模型最終預(yù)測(cè)效果的測(cè)試階段。

17組數(shù)據(jù)的詳細(xì)劃分如表1所示。

表1 PHM 2012軸承退化數(shù)據(jù)集

數(shù)據(jù)集在使用前需要進(jìn)行數(shù)據(jù)增強(qiáng)處理,即采用滑窗法對(duì)數(shù)據(jù)進(jìn)行重疊采樣,重疊采樣增加了數(shù)據(jù)集的特征量,有利于增強(qiáng)深度神經(jīng)網(wǎng)絡(luò)模型的泛化能力[19]。

滑窗法示意圖如圖6所示。

圖6 滑窗法示意圖

此處,筆者設(shè)置窗口長(zhǎng)度為3,移動(dòng)步長(zhǎng)為2,重疊率為66.7%;原始數(shù)據(jù)集每個(gè)樣本的序列為2 560×1,重采樣后的樣本序列為7 680×1。

筆者對(duì)重構(gòu)后的數(shù)據(jù)集進(jìn)一步處理,按照“端到端”壽命預(yù)測(cè)方式,添加壽命標(biāo)簽,將軸承全壽命周期退化數(shù)據(jù)進(jìn)行歸一化處理，即:

(10)

式中:S—樣本數(shù);i—時(shí)間點(diǎn);Labeli—第i個(gè)時(shí)間點(diǎn)的壽命標(biāo)簽。

筆者將軸承的全壽命退化數(shù)據(jù)映射到0～1之間,即當(dāng)?shù)趇個(gè)時(shí)間點(diǎn)的壽命標(biāo)簽Labeli=1時(shí),表示軸承為全新軸承;當(dāng)Labeli=0時(shí),則表示軸承已經(jīng)完全失效。

3.2 預(yù)測(cè)流程詳解及模型參數(shù)設(shè)置

整個(gè)預(yù)測(cè)流程可以劃分為3個(gè)部分,如圖7所示。

圖7 預(yù)測(cè)流程圖

具體的預(yù)測(cè)流程如下:

(1)數(shù)據(jù)集預(yù)處理。首先采用滑窗法對(duì)數(shù)據(jù)集進(jìn)行重采樣,再對(duì)重采樣后的每組數(shù)據(jù)分別添加壽命標(biāo)簽;

(2)模型訓(xùn)練。根據(jù)DRN-BiGRU模型結(jié)構(gòu),通過(guò)優(yōu)化配置好結(jié)構(gòu)參數(shù)和訓(xùn)練超參數(shù)后,將訓(xùn)練集的6組數(shù)據(jù)一次性輸入模型中進(jìn)行訓(xùn)練,輸入模型的訓(xùn)練集又會(huì)按照8∶2的比例，隨機(jī)劃分為訓(xùn)練部分和驗(yàn)證部分。訓(xùn)練過(guò)程中通過(guò)反向傳播算法,使權(quán)重和配置得到優(yōu)化,代價(jià)函數(shù)取最小值;

(3)模型的測(cè)試及評(píng)估。利用已訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)測(cè)試集進(jìn)行測(cè)試,選取評(píng)價(jià)指標(biāo)，對(duì)模型進(jìn)行綜合評(píng)估。

為構(gòu)建最優(yōu)模型結(jié)構(gòu),筆者搭建了多個(gè)不同層數(shù)的網(wǎng)絡(luò),然后分別從訓(xùn)練所耗時(shí)長(zhǎng)、訓(xùn)練效果和預(yù)測(cè)效果等方面進(jìn)行比較分析,并根據(jù)最優(yōu)原則確定模型的最佳參數(shù),如表2所示。

表2 模型結(jié)構(gòu)參數(shù)配置表

模型訓(xùn)練階段以均方誤差(mean square error,MSE)作為模型的代價(jià)函數(shù),每次實(shí)驗(yàn)進(jìn)行30輪次,訓(xùn)練批量為16,學(xué)習(xí)率為0.001,優(yōu)化算法選用Adam算法。

3.3 性能評(píng)價(jià)指標(biāo)

在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中,筆者使用MSE作為損失函數(shù)。

為更全面的評(píng)價(jià)預(yù)測(cè)結(jié)果,筆者選用平均絕對(duì)誤差(mean absolute error,MAE)、MSE、均方根誤差(root mean squared error,RMSE)以及Scoring函數(shù)作為評(píng)價(jià)指標(biāo)用于評(píng)估模型的有效性。

各函數(shù)計(jì)算公式如下:

(11)

(12)

(13)

(14)

(15)

(16)

Scoring函數(shù)的圖像如圖8所示。

圖8 Scoring函數(shù)

從圖8中可以看出:

得分函數(shù)的橫坐標(biāo)Errori介于-50和50之間,當(dāng)Errori為0時(shí),代表此時(shí)預(yù)測(cè)誤差為0,得分為1;

Scoring函數(shù)的圖像是非對(duì)稱的,因?yàn)檩S承壽命的低估更能體現(xiàn)RUL預(yù)測(cè)的意義。

3.4 結(jié)果對(duì)比分析

實(shí)驗(yàn)中所使用的深度學(xué)習(xí)框架為TensorFlow 1.14平臺(tái)版本,使用的編程軟件為Python3.6;工作站使用的中央處理器(CPU)為Intel i7-6700。

在此框架下,筆者搭建了網(wǎng)絡(luò)模型,并進(jìn)行模型訓(xùn)練。

訓(xùn)練階段的損失函數(shù)收斂過(guò)程如圖9所示。

圖9 模型訓(xùn)練損失曲線

圖9中,訓(xùn)練損失與驗(yàn)證損失的曲線擬合效果較好,波動(dòng)較小,整體過(guò)程運(yùn)行穩(wěn)定。

為了驗(yàn)證該模型的有效性,筆者隨機(jī)選取10個(gè)訓(xùn)練完成的模型,利用測(cè)試集上的11個(gè)軸承進(jìn)行測(cè)試,計(jì)算其Scoring函數(shù)得分的平均值,如表3所示。

表3 測(cè)試集預(yù)測(cè)Score平均值

從表3中可以看出:Score值普遍高于0.85,在軸承1～3上的預(yù)測(cè)效果最佳,平均Score值達(dá)到0.983。由此驗(yàn)證了該模型在滾動(dòng)軸承RUL預(yù)測(cè)中的有效性。為了驗(yàn)證該模型的優(yōu)越性,筆者選擇3種深度學(xué)習(xí)方法與之進(jìn)行比較,分別是DRN、DRN-GRU、FCNN。

3種模型在軸承1～3和軸承2～6兩個(gè)測(cè)試集上的預(yù)測(cè)效果,如表4所示。

表4 不同方法預(yù)測(cè)結(jié)果

從表4結(jié)果可以看出:

DRN-BiGRU模型預(yù)測(cè)結(jié)果的3項(xiàng)誤差最低,Score值最高。單使用DRN模型預(yù)測(cè)剩余壽命,在軸承1-3數(shù)據(jù)上Score值最高可達(dá)0.975,在軸承2-6數(shù)據(jù)上的預(yù)測(cè)效果一般,且3項(xiàng)誤差值偏高。將DRN和GRU網(wǎng)絡(luò)相結(jié)合得到的預(yù)測(cè)模型,預(yù)測(cè)效果并沒(méi)有明顯提高,但引入GRU網(wǎng)絡(luò)后模型的穩(wěn)定性得到明顯改善。

為保留GRU網(wǎng)絡(luò)的優(yōu)點(diǎn),采用BiGRU網(wǎng)絡(luò),可以更加全面地提取退化特征,提高網(wǎng)絡(luò)的預(yù)測(cè)性能。

從表4的結(jié)果可以得出:DRN-BiGRU模型預(yù)測(cè)結(jié)果的3項(xiàng)誤差最小,且軸承1-3數(shù)據(jù)預(yù)測(cè)結(jié)果的Score值相比較DRN模型、DRN-GRU模型和FCNN模型分別提高1.035%、0.510%和0.819%,軸承2～6數(shù)據(jù)預(yù)測(cè)結(jié)果的Score值分別提高2.25%、3.10%和0.315%。

從綜合所有評(píng)價(jià)指標(biāo)可以看出,DRN-BiGRU模型預(yù)測(cè)效果最優(yōu)。

4個(gè)模型在軸承1～3數(shù)據(jù)上的預(yù)測(cè)結(jié)果,如圖10所示。

圖10 軸承1-3剩余壽命預(yù)測(cè)結(jié)果

從預(yù)測(cè)結(jié)果上能明顯看出:DRN-BiGRU模型預(yù)測(cè)曲線與實(shí)際值最符合,且沒(méi)有明顯的波動(dòng)趨勢(shì)。

綜上所述,筆者所提出的方法能更有效地預(yù)測(cè)滾動(dòng)軸承的剩余壽命。

4 結(jié)束語(yǔ)

筆者結(jié)合深度殘差網(wǎng)絡(luò)和雙向門控循環(huán)單元兩種算法,提出了一種用于滾動(dòng)軸承RUL預(yù)測(cè)的DRN-BiGRU模型,并利用PHM2012軸承退化數(shù)據(jù)集驗(yàn)證了模型的有效性。

研究結(jié)果表明:

(1)DRN-BiGRU模型通過(guò)DRN部分實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的空間特征提取,然后利用BiGRU對(duì)數(shù)據(jù)時(shí)序信息的敏感性,充分提取了軸承退化數(shù)據(jù)里包含的過(guò)去和未來(lái)兩個(gè)方向的時(shí)序退化信息,改善了模型的特征提取能力;

(2)模型利用殘差網(wǎng)絡(luò)的“跳躍連接”結(jié)構(gòu),充分發(fā)揮了深層網(wǎng)絡(luò)良好的特征提取性能,避免了深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中存在的梯度消失等問(wèn)題;

(3)與DRN、DRN-GRU和FCNN這3個(gè)模型相比,DRN-BiGRU模型不僅預(yù)測(cè)的3項(xiàng)誤差值最低,而且對(duì)軸承1～3的預(yù)測(cè)Score值分別提高1.035%、0.510%和0.819%,軸承2～6的預(yù)測(cè)Score值分別提高2.25%、3.10%和0.315%。由此驗(yàn)證了DRN-BiGRU模型具有較高的RUL預(yù)測(cè)準(zhǔn)確率。

筆者采用的驗(yàn)證數(shù)據(jù)集為定轉(zhuǎn)速數(shù)據(jù),但在實(shí)際工業(yè)生產(chǎn)過(guò)程中存在變轉(zhuǎn)速、變載等的工況,軸承健康監(jiān)控?cái)?shù)據(jù)多為非穩(wěn)態(tài)數(shù)據(jù)。因此,在下一步的工作中,筆者將對(duì)利用非穩(wěn)態(tài)數(shù)據(jù)預(yù)測(cè)軸承RUL的方法做進(jìn)一步的研究。