張典震，陳 捷,2，王 華,2，楊啟帆

(1.南京工業(yè)大學(xué) 機械與動力工程學(xué)院，南京 211816；2.南京工業(yè)大學(xué) 江蘇省工業(yè)裝備數(shù)字制造及控制技術(shù)重點實驗室，南京 211816)

回轉(zhuǎn)支承是保障盾構(gòu)機、風(fēng)力發(fā)電機等大型回轉(zhuǎn)機械進行回轉(zhuǎn)運動的一種關(guān)鍵部件，在其服役過程中，由于受到工作環(huán)境、受載情況等因素的影響，往往會出現(xiàn)意外的故障和損壞，造成重大的經(jīng)濟損失與安全隱患。因此，研究回轉(zhuǎn)支承的性能退化趨勢預(yù)測具有重要意義。

退化趨勢預(yù)測主要包括構(gòu)造反映回轉(zhuǎn)支承性能退化狀況的健康指標(health indicator，HI)與建立準確有效的退化趨勢預(yù)測模型兩部分關(guān)鍵工作。在健康指標構(gòu)造方面，由Lei等[1-3]的研究可知,健康指標通常可分為兩類:一類是物理指標，如均方根、峭度[4]等一些傳統(tǒng)的統(tǒng)計特征，或如Wang等[5-6]研究中的基于等效循環(huán)能量、振動信號功率譜密度構(gòu)造的健康指標；另一類是融合指標，即提取原始信號的時域、頻域等統(tǒng)計特征，并通過主成分分析(principal component analysis，PCA)、局部保持投影等算法構(gòu)造的指標。但這兩類指標的構(gòu)造都過于依賴先驗知識，需要人為地提取與篩選特征，構(gòu)造方法難以適用于不同任務(wù)。存在通用性不強、自適應(yīng)能力差的問題。而深度神經(jīng)網(wǎng)絡(luò)具有較強的特征發(fā)掘與特征學(xué)習(xí)能力，能夠?qū)崿F(xiàn)在原始數(shù)據(jù)中自動提取特征、降維等操作。因此，近年來借助卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN),深度信念網(wǎng)絡(luò)[7]以及堆疊自編碼器等深度學(xué)習(xí)模型的健康指標構(gòu)造方法被提出，但其中多數(shù)方法仍存在依賴人為標注標簽以進行監(jiān)督訓(xùn)練的問題。

在建立退化趨勢預(yù)測模型方面，較為常見的預(yù)測模型包括：自回歸模型，BP(back propagation)神經(jīng)網(wǎng)絡(luò)，最小二乘支持向量機等[8]，但以上傳統(tǒng)機器學(xué)習(xí)模型在處理非線性較強的健康指標時存在一定局限性，預(yù)測精度不足。而諸如長短時記憶網(wǎng)絡(luò)(long short-term memory,LSTM)、門控循環(huán)單元網(wǎng)絡(luò)(gated recurrent unit,GRU)等專門為序列預(yù)測任務(wù)設(shè)計的深度學(xué)習(xí)模型，具有強大的特征提取與非線性映射能力，在預(yù)測精度上往往優(yōu)于一般機器學(xué)習(xí)模型，且其各類變體與改進模型層出不窮，李峰等[9]將量子計算技術(shù)引入門控循環(huán)單元網(wǎng)絡(luò)進行改進，提升了網(wǎng)絡(luò)的收斂效率與預(yù)測精度。Wang等[10]使用飛蛾撲火優(yōu)化算法對GRU模型進行自適應(yīng)參數(shù)選擇，提升了網(wǎng)絡(luò)預(yù)測效果的穩(wěn)定性。Wang等[11]在長短時記憶網(wǎng)絡(luò)中接入多個卷積層以增強網(wǎng)絡(luò)的特征提取能力，從而提升對健康指標的預(yù)測精度。時間卷積網(wǎng)絡(luò)(temporal convolution network,TCN)是2017年提出的一種用于序列預(yù)測任務(wù)的深度學(xué)習(xí)模型，目前已應(yīng)用在音頻合成、機器翻譯等方面，且在較多情況下取得了較循環(huán)神經(jīng)網(wǎng)絡(luò)更優(yōu)的表現(xiàn)。而在退化趨勢預(yù)測方面，其研究依然尚缺。雖在于重重等[12-13]的研究中作為預(yù)測模型被用于滾動軸承的退化趨勢預(yù)測任務(wù)，但研究中發(fā)現(xiàn)，其訓(xùn)練時存在收斂效果不穩(wěn)定、收斂速度較慢的問題，影響其最終的預(yù)測精度，有待改進。

因此，為解決以上問題，本文提出一種基于改進時間卷積網(wǎng)絡(luò)的退化趨勢預(yù)測模型:密集時間卷積網(wǎng)絡(luò)(densely temporal convolution network,DTCN)。首先，基于Dense-Net中的密集連接結(jié)構(gòu)對最初的TCN進行改進，通過進一步增加網(wǎng)絡(luò)的內(nèi)部連接，增強對各卷積層所提取特征的復(fù)用，進而提升網(wǎng)絡(luò)的預(yù)測性能以及訓(xùn)練時的穩(wěn)定性；隨后，通過對卷積自編碼網(wǎng)絡(luò)(convolutional auto-encoders,CAE)進行無監(jiān)督訓(xùn)練提取特征，并結(jié)合隱馬爾可夫模型(hidden Markov model,HMM)建立回轉(zhuǎn)支承健康指標，驗證本文所提方法的有效性以及在預(yù)測效果上的優(yōu)越性。

1 基于卷積自編碼與隱馬爾可夫模型的健康指標構(gòu)造

健康指標是反映回轉(zhuǎn)支承性能退化狀況的關(guān)鍵指示量，也是進行下一步退化趨勢預(yù)測的基礎(chǔ)。以往傳統(tǒng)的構(gòu)造方式中，如均方根(root mean square,RMS)、峭度等物理指標，雖然其構(gòu)造方式簡單，但所包含的退化信息有限，難以全面的反映退化過程。而融合指標如基于多種時、頻域特征的PCA指標、HMM指標，則需針對不同構(gòu)造對象，人為篩選退化趨勢明顯的特征，通用性較差。因此，本文采用深度學(xué)習(xí)方法結(jié)合卷積自編碼網(wǎng)絡(luò)與隱馬爾可夫模型進行回轉(zhuǎn)支承的健康指標的構(gòu)造。

1.1 卷積自編碼器

卷積自編碼網(wǎng)絡(luò)[14]是堆疊自編碼網(wǎng)絡(luò)的一種延伸，兩者具有相似的網(wǎng)絡(luò)結(jié)構(gòu)，均由編碼器與解碼器兩部分網(wǎng)絡(luò)組成：編碼器負責(zé)將輸入數(shù)據(jù)映射到低維空間，輸出編碼特征；解碼器負責(zé)將編碼特征進行重構(gòu)以得到近似的輸入數(shù)據(jù)。但卷積自編碼中使用卷積層代替以往的全連接層，因而具有更強的非線性映射能力。卷積自編碼網(wǎng)絡(luò)的無監(jiān)督訓(xùn)練過程,如圖1所示。其中編碼器網(wǎng)絡(luò)通過堆疊多個卷積層構(gòu)成，對于任意一個單通道輸入x，其多層映射可表示為

圖1 自編碼網(wǎng)絡(luò)的無監(jiān)督訓(xùn)練方法Fig.1 Unsupervised training method for auto-encoder

hk=σ(x*Wk+bk)

(1)

式中:hk為第k層的網(wǎng)絡(luò)輸出;σ為激活函數(shù);“*”為卷積運算;Wk與bk分別為權(quán)重與偏差。解碼器網(wǎng)絡(luò)以編碼器所輸出的編碼特征作為輸入，通過多個堆疊的反卷積層得到與原始輸入尺寸一致的重構(gòu)輸入，其運算過程可由式(2)表示

(2)

1.2 基于CAE與HMM的健康指標構(gòu)造流程

本文借助卷積自編碼網(wǎng)絡(luò)從原始試驗數(shù)據(jù)中自適應(yīng)的提取特征，并基于所提取特征對HMM進行訓(xùn)練，進而得到回轉(zhuǎn)支承的健康指標，其流程如圖2所示，主要步驟包括：

圖2 基于卷積自編碼器與隱馬爾可夫的HI構(gòu)造Fig.2 HI construction based on CAE and HMM

步驟1將原始試驗數(shù)據(jù)輸入卷積自編碼網(wǎng)絡(luò)進行無監(jiān)督訓(xùn)練，訓(xùn)練過程包括——從訓(xùn)練數(shù)據(jù)輸入網(wǎng)絡(luò)后的前向傳播得到重構(gòu)輸入；以及計算與原始輸入之間的重構(gòu)誤差并反向傳播更新網(wǎng)絡(luò)參數(shù)；最終得到訓(xùn)練后的模型。

步驟2將全部數(shù)據(jù)輸入訓(xùn)練后的卷積自編碼網(wǎng)絡(luò)，提取編碼器網(wǎng)絡(luò)所輸出的多維特征，并構(gòu)造特征矩陣。

步驟3取正常階段數(shù)據(jù)輸入卷積自編碼網(wǎng)絡(luò)后所提取的特征訓(xùn)練HMM，得到模型參數(shù)λ。

步驟4將全部特征集作為觀察矩陣O輸入訓(xùn)練后的HMM，計算似然概率值P(O|λ)，并對其進行長度5的滑動平均，作為最終的健康指標。

2 基于改進時間卷積網(wǎng)絡(luò)的退化趨勢預(yù)測模型

2.1 時間卷積網(wǎng)絡(luò)

時間卷積網(wǎng)絡(luò)的基本結(jié)構(gòu)組成包括以下。

2.1.1 一維全卷積

時間卷積網(wǎng)絡(luò)中使用了一維卷積，目的是應(yīng)對一維的時序信號作為輸入，全卷積網(wǎng)絡(luò)的設(shè)計是指該卷積層通過對輸入數(shù)據(jù)進行“補零”的方式，實現(xiàn)輸入與輸出等長。

2.1.2 因果卷積

TCN中的因果卷積，其目的是要保證在序列預(yù)測任務(wù)中，當對第t時刻進行預(yù)測時，僅能使用該時刻前的數(shù)據(jù)，避免出現(xiàn)將未來的數(shù)據(jù)用于預(yù)測的所謂數(shù)據(jù)“漏接”的情況[15]。假設(shè)輸入序列{x0,x1,…,xN}，預(yù)測t時刻的輸出yt，因果卷積的作用就是防止t時刻之后的數(shù)據(jù){xt+1,xt+2,…,xN}作為輸入用于預(yù)測。

2.1.3 擴張卷積

擴張卷積是CNN中的一種經(jīng)典架構(gòu)，其作用是能夠成指數(shù)倍的擴大CNN的感受野，在不改變卷積層輸出尺寸的同時，提升網(wǎng)絡(luò)的性能。其主要通過在普通卷積核的基礎(chǔ)上插入間隔的方式實現(xiàn)。

(3)

式中：k為卷積核尺寸;d為擴張系數(shù);下標s-d·i為上一層第s-d·i元素;下標i為第i個卷積層。由式(3)可知，影響該網(wǎng)絡(luò)感受的參數(shù)為卷積核的尺寸與擴張系數(shù)，此外，擴張系數(shù)的大小與卷積層數(shù)密切相關(guān)

d=O(2i)

(4)

卷積層的層數(shù)同樣是影響該網(wǎng)絡(luò)性能的一個重要參數(shù)。因此可確定影響TCN性能的3個關(guān)鍵參數(shù)為：卷積核尺寸k，卷積層層數(shù)n，擴張系數(shù)d。

2.1.4 殘差連接

由于TCN通常會采用增加層數(shù)的方式來確保足夠大的感受野，這就導(dǎo)致了在某些情況下出現(xiàn)網(wǎng)絡(luò)層數(shù)過多的問題。因此，Res-Net網(wǎng)絡(luò)中的一種跨層連接結(jié)構(gòu)Residual-block被采用。

殘差連接是深度卷積神經(jīng)網(wǎng)絡(luò)中的一種重要結(jié)構(gòu)，通過建立間隔兩層的跨層連接增強對卷積層輸出特征圖的復(fù)用，提升網(wǎng)絡(luò)的性能，同時也能有效避免因?qū)訑?shù)過多導(dǎo)致的梯度消散或梯度爆炸的問題。這種跨層連接方式的表達式為

xl=Hl-1(xl-1)+xl-1

(5)

式中:H(·)為第l層的非線性變換;xl為第l層的輸出。

2.2 改進的預(yù)測模型DTCN

在對實驗室回轉(zhuǎn)支承全壽命數(shù)據(jù)進行退化趨勢預(yù)測的代碼試驗中發(fā)現(xiàn)，TCN的預(yù)測效果不穩(wěn)定，并不總能達到最優(yōu)；而且在網(wǎng)絡(luò)的收斂速度上，相較于其他用于序列預(yù)測的深度學(xué)習(xí)模型(如LSTM，GRU等)較為緩慢，迭代次數(shù)要達到LSTM迭代次數(shù)的4倍～5倍才能達到相近或者更優(yōu)的預(yù)測效果。針對這一問題，嘗試借鑒Dense-Net中的密集連接結(jié)構(gòu)對TCN進行網(wǎng)絡(luò)結(jié)構(gòu)上的改進。

2.2.1 Dense-Net

Dense-Net是Huang等[16]于2017年提出的一種深層卷積網(wǎng)絡(luò)，該網(wǎng)絡(luò)在Res-Net基礎(chǔ)上，將原有的跨層連接方式進行拓展，提出了一種不同卷積層之間更為密集的連接方式。Dense-Net中的密集連接結(jié)構(gòu)Dense-block使得網(wǎng)絡(luò)中的每一層都從前面的所有層獲得額外的輸入，并將該層的輸出特征映射傳遞給后面的所有層。同時，區(qū)別于Res-Net中將不同層輸出特征升降維后相加的特征合并方式，Dense-Net將不同層的輸出特征沿某一維度進行拼接，保障了信息的完整性，同時最大程度保障了網(wǎng)絡(luò)的內(nèi)部信息流通。

Dense-Net中將任意一層連接至所有后續(xù)層的密集連接方式可以由式(6)表示,xl為Dense-Net中第l層的輸入，[x0,x1,…,xl-1]為從第一層到第l-1層輸入的拼接，Hl為第l層進行的非線性變換，l為所在的層數(shù)。

xl=Hl([x0,x1,…,xl-1])

(6)

2.2.2 模型結(jié)構(gòu)改進

本文使用Dense-net中的密集連接結(jié)構(gòu)替換時間卷積網(wǎng)絡(luò)中的殘差連接結(jié)構(gòu)，得到改進后的密集時間卷積網(wǎng)絡(luò)DTCN。

原始的時間卷積網(wǎng)絡(luò)，是由多個時間卷積模塊堆疊而成的，每個時間卷積模塊中都包含兩個擴張因果卷積層。如圖3所示，該模塊結(jié)構(gòu)為：擴張因果卷積-BN-ReLU-擴張因果卷積-BN-ReLU，以及一個支路的跨層連接，其中包含一個1×1卷積用于調(diào)整數(shù)據(jù)的通道數(shù)，起到升降維度的作用。(BN為批正則化操作，ReLU為激活函數(shù))。

圖3 改進前TCN結(jié)構(gòu)(局部)Fig.3 TCN structure before improvement(part)

本文主要對網(wǎng)絡(luò)中的時間卷積模塊進行改動，改動后的每個時間卷積模塊中只含有一個擴張因果卷積，每個時間卷積模塊之間通過Dense-Net中的密集連接方式建立連接，增強網(wǎng)絡(luò)內(nèi)部的信息流通與特征的復(fù)用，進而提升網(wǎng)絡(luò)的預(yù)測性能。每個時間卷積模塊的結(jié)構(gòu)為：BN-ReLU-1×1卷積-BN-ReLU-擴張因果卷積,如圖4所示。通過多個模塊的堆疊得到最終的網(wǎng)絡(luò)。

圖4 改進后DTCN結(jié)構(gòu)(局部)Fig.4 The improved DTCN structure(part)

3 退化趨勢預(yù)測流程

回轉(zhuǎn)支承退化趨勢預(yù)測的一般流程包括：健康指標構(gòu)造、訓(xùn)練預(yù)測模型、模型測試三部分，如圖5所示。

圖5 退化趨勢預(yù)測流程Fig.5 Prediction process of degradation trend

其中，DTCN的訓(xùn)練過程如下。

設(shè)長度為n的HI序列數(shù)據(jù)為{x1,x2,…,xn}，將其按一定比例劃分，得到訓(xùn)練數(shù)據(jù){x1,x2,…,xm}與測試數(shù)據(jù){xm+1,xm+2,…,xn}。隨后，按預(yù)測模型的輸入維度l進一步將數(shù)據(jù)劃分為形如式(7)的訓(xùn)練集與測試集，每一行代表一個樣本。式(8)為訓(xùn)練集對應(yīng)的期望輸出，將其與訓(xùn)練集樣本輸入網(wǎng)絡(luò)進行模型訓(xùn)練。當損失函數(shù)不再明顯下降時，保存DTCN模型參數(shù)訓(xùn)練結(jié)束。

(7)

Xtrain_label=[xl+1,xl+2,…,xm]

(8)

4 試驗驗證

4.1 加速壽命試驗

為進一步驗證該預(yù)測模型的可行性，使用本課題組自主研發(fā)的回轉(zhuǎn)支承試驗臺對某型號單排球回轉(zhuǎn)支承進行加速壽命試驗，采集其振動加速度數(shù)據(jù)進行驗證。

回轉(zhuǎn)支承試驗臺由加載蓋、上下法蘭及支架等構(gòu)成的機械部分，以及由液壓缸、液壓馬達組成的液壓部分共同完成回轉(zhuǎn)支承的加載與旋轉(zhuǎn)，如圖6所示?；剞D(zhuǎn)支承在規(guī)定載荷下運行至發(fā)生破壞停止工作，具體的試驗方案參考Lu等的研究。整個試驗過程共進行了12 d，采集到從正常階段到嚴重退化階段的全壽命振動加速度數(shù)據(jù)，如圖7所示。

圖6 回轉(zhuǎn)支承試驗臺Fig.6 Slewing bearing test bench

圖7 全壽命數(shù)據(jù)Fig.7 Life cycle data

4.2 健康指標構(gòu)造

按照第1章中所述的HI構(gòu)造流程，基于4.1節(jié)獲得的加速壽命試驗數(shù)據(jù)建立HI，對改進模型DTCN的預(yù)測效果進行驗證。同時，為驗證該自編碼指標的優(yōu)勢，選取幾種常用的HI進行對比，包括：①RMS指標；②通過PCA融合多種時、頻域特征構(gòu)造的融合指標；③通過隱馬爾可夫模型結(jié)合多種時、頻域特征所建立的指標。

文獻[17]綜述了能夠用于反映回轉(zhuǎn)支承性能退化的多類特征，人為篩選出4種退化趨勢明顯的時域特征：峰峰值、方差、均方根、峭度。以及3種頻域特征：中心頻率、均方根頻率、均值頻率。將這些特征組成特征集，用于構(gòu)造上述②③兩種健康指標HI。同時，為避免滑動平均對HI的評價結(jié)果造成影響，以上3種HI在構(gòu)造時均進行了與本文HI相同的滑動平均處理。全部的HI如圖8所示。

圖8 4種健康指標HI對比Fig.8 Comparison of four health indicators

為了定量的評價不同健康指標HI的優(yōu)劣，本文選擇時間關(guān)聯(lián)性和單調(diào)性以及魯棒性作為其評價指標[18]，如式(9)～式(11)所示。其中：時間相關(guān)性表示HI與時間的線性相關(guān)程度；單調(diào)性表示HI持續(xù)增加或減少的趨勢；魯棒性能夠表示對異常值的容忍程度。

(9)

(10)

(11)

由于每種評價指標僅能評價HI的部分屬性，難以全面地評價HI的適用性，因此，文中使用將3種度量進行混合的HI評價方式，即計算其綜合得分，如式(12)。

(12)

根據(jù)式(9)～式(11)可得到不同構(gòu)造方法下健康指標的量化指標評價結(jié)果及綜合得分Score，如表1所示。通過對比可知，本文方法所構(gòu)造的健康指標，雖然3種評價指標并不能全部達到最優(yōu)，但均與其他HI相近，且具有最優(yōu)的綜合評分，因此，認為該指標能夠較好的反映回轉(zhuǎn)支承全壽命周期內(nèi)的性能退化狀況。同時，相較于PCA與HMM方法所建立的指標，該指標構(gòu)造方法無需針對不同對象進行人為的特征提取與篩選，降低了對于先驗知識的依賴,具有通用性更強的優(yōu)點。

表1 不同健康指標的量化指標評價結(jié)果Tab.1 Evaluation results of quantitative indicators of different health indicators

4.3 基于DTCN的退化趨勢預(yù)測

在得到4.2節(jié)中的退化指標后，將其劃分為訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)，用于模型訓(xùn)練及驗證。考慮到應(yīng)盡早發(fā)現(xiàn)并掌握回轉(zhuǎn)支承的性能退化情況，結(jié)合圖8中所建立的不同健康指標，取正常狀態(tài)與初期退化狀態(tài)數(shù)據(jù)作為訓(xùn)練集，將開始出現(xiàn)顯著退化后的數(shù)據(jù)作為測試集，最終數(shù)據(jù)集劃分為70%的訓(xùn)練數(shù)據(jù)與30%的測試數(shù)據(jù),如圖9所示。

圖9 CAE-HI的訓(xùn)練集測試集劃分Fig.9 Data set partitioning for CAE-HI

為評價不同預(yù)測模型的預(yù)測準確性，以下均采用均方誤差(mean square error，MSE,公式中為EMS)作為預(yù)測效果的評價指標，通過計算健康指標HI預(yù)測值與真實值的差異反映預(yù)測效果。

(13)

由2.1節(jié)的介紹可知，對TCN預(yù)測性能有較大影響的幾個參數(shù)包括：卷積層數(shù)(范圍2～6)，卷積核個數(shù)(范圍22～32)，卷積核尺寸(范圍3～15)；因此，首先對以上參數(shù)進行討論，依次分別調(diào)整3個參數(shù)，觀察對最終預(yù)測誤差的影響。參數(shù)按照C-N-S的形式表示:C為擴張因果卷積的層數(shù)，N為卷積核的個數(shù)，S為卷積核尺寸，如表2所示。

由表2可知，在一定范圍內(nèi)改變超參數(shù)時，相較于原始的TCN，DTCN預(yù)測誤差的上下浮動范圍更小，且預(yù)測效果普遍優(yōu)于TCN，說明DTCN具有一定的泛化性，對參數(shù)的變化并不敏感，能夠在不同參數(shù)下保持相對不錯的預(yù)測效果，在實際應(yīng)用中，這一特性能夠使模型在保證性能的同時，大大減少人為調(diào)參的工作量。此外，在逐漸增大某一超參數(shù)時，發(fā)現(xiàn)預(yù)測誤差的變化并不規(guī)律。因此，為確定其最優(yōu)參數(shù)，本文在TCN原論文所提供的參數(shù)范圍內(nèi)對3種參數(shù)進行網(wǎng)格搜索，最終確定最優(yōu)超參數(shù)為6-27-15，其預(yù)測誤差為0.004 8。在DTCN的訓(xùn)練中，其他超參數(shù)設(shè)置為：網(wǎng)絡(luò)的輸入維度為10，輸出維度為1，最大迭代次數(shù)為1 000，使用Lookahead+Adam優(yōu)化器，Dropout比率為0.5，訓(xùn)練中引入Early-stopping機制防止過擬合。由于這些超參數(shù)對模型性能的影響相對較弱，故此處暫不討論。

表2 不同超參數(shù)對DTCN與TCN預(yù)測效果的影響Tab.2 Influence of different hyper-parameters on the prediction effect of DTCN and TCN

隨后，對本文所提改進模型DTCN的有效性進行驗證，損失函數(shù)曲線能夠較為直觀的反映一個模型的收斂情況。因此，將TCN改進前后的損失函數(shù)曲線進行對比。DTCN使用以上確定的參數(shù)，TCN的超參數(shù)按于重重等研究中的設(shè)置并同樣進行網(wǎng)格搜索，保證其達到最優(yōu)效果。以對指標HMM-HI的預(yù)測為例，通過對比圖10中TCN改進前后的損失函數(shù)曲線可以發(fā)現(xiàn)，DTCN的收斂效果明顯改善，損失函數(shù)的下降速度更快、波動更小，這說明收斂更加穩(wěn)定。同時，損失函數(shù)最終能下降到更小的值，說明DTCN預(yù)測效果較TCN更優(yōu)，證明了本文中對DTCN網(wǎng)絡(luò)結(jié)構(gòu)的改進是有效的。

圖10 DTCN與TCN損失函數(shù)對比Fig.10 Comparison of loss between TCN and TCN

為充分驗證DTCN在預(yù)測效果上的優(yōu)越性，將本文所提的改進模型與原始TCN、以及目前在序列預(yù)測領(lǐng)域較常用的LSTM、GRU進行對比。由于4.2節(jié)中所構(gòu)造的4種HI均呈現(xiàn)出明顯的指數(shù)上升趨勢，因此，使用指數(shù)函數(shù)模型對不同HI進行擬合并預(yù)測退化趨勢的方法同樣被引入進行對比。其中，LSTM與GRU的參數(shù)設(shè)置可參見Wang等的研究，不同神經(jīng)網(wǎng)絡(luò)模型設(shè)置相同的輸入、輸出維度，以保證對比的客觀性。指數(shù)函數(shù)模型，由式(14)分別對不同HI的訓(xùn)練數(shù)據(jù)進行擬合實現(xiàn)預(yù)測，其中a、b為擬合中確定的模型系數(shù)。5種不同模型的最終的預(yù)測誤差如表3所示，部分預(yù)測結(jié)果如圖11所示。

表3 不同模型的預(yù)測誤差Tab.3 Prediction errors of different models

f(x)=a·eb·x

(14)

由表3對比最終的預(yù)測結(jié)果可知，原始TCN網(wǎng)絡(luò)僅在對某些指標如PCA-HI、CAE-HI進行預(yù)測時，具有與LSTM、GRU相近的預(yù)測性能；而在對其他兩類指標進行預(yù)測時，預(yù)測誤差較大，結(jié)合在表1超參數(shù)討論中，其不同參數(shù)下預(yù)測性能的較大差異，暴露了TCN所存在的預(yù)測性能不穩(wěn)定的問題。LSTM與GRU作為兩種目前常用的序列預(yù)測模型，在對不同指標的預(yù)測中表現(xiàn)出了相對穩(wěn)健的預(yù)測性能。指數(shù)函數(shù)模型的預(yù)測方法操作簡單，基本能夠預(yù)測出HI的增長趨勢，但綜合來看，其對于HI細節(jié)變化的預(yù)測能力并不突出，預(yù)測誤差相對較大。說明其在HI的長期預(yù)測中可能更為適用。由圖11的預(yù)測結(jié)果可以看出，以上4種模型均能夠進行退化趨勢預(yù)測，較好的跟蹤回轉(zhuǎn)支承健康指標的變化情況；但本文所提的DTCN模型在對不同健康指標HI進行預(yù)測時，均能達到遠低于其他模型的預(yù)測誤差，平均預(yù)測誤差下降71%以上，對健康指標變化趨勢的反映更加準確，說明了DTCN在預(yù)測效果上具有優(yōu)越性，也具有一定的泛化性。由于DTCN采用了多個時間卷積模塊堆疊結(jié)構(gòu)，當網(wǎng)絡(luò)逐漸加深時，其中的密集連接結(jié)構(gòu)將會帶來較大的參數(shù)量，對其運算效率造成影響。因此，嘗試對DTCN進行一些輕量化改進，從而保證其高效且準確是今后將要研究的內(nèi)容。

(a)DTCN預(yù)測結(jié)果

5 結(jié) 論

本文的主要工作集中在退化趨勢預(yù)測中的預(yù)測模型方面。首先，通過將無監(jiān)督訓(xùn)練的卷積自編碼網(wǎng)絡(luò)與隱馬爾可夫模型結(jié)合，嘗試構(gòu)造了一種深度學(xué)習(xí)健康指標；隨后，使用時間卷積網(wǎng)絡(luò)對建立的回轉(zhuǎn)支承健康指標進行預(yù)測，并通過將Dense-Net中的密集連接結(jié)構(gòu)引入TCN，代替以往殘差模塊的方式對其進行改進，通過試驗驗證得到以下結(jié)論：

(1)DTCN增強了網(wǎng)絡(luò)內(nèi)部的信息流通，使卷積層所提取的特征能被盡可能多的利用，從而促進網(wǎng)絡(luò)收斂，提升預(yù)測效果。

(2)通過其他序列預(yù)測模型預(yù)測結(jié)果的對比可知，相較于原始TCN，DTCN的預(yù)測效果與收斂速度有顯著提升，相較于LSTM與GRU，本文所提方法在預(yù)測效果上也更加精確。

(3)基于卷積自編碼網(wǎng)絡(luò)的健康指標，具有與其他健康指標相近的評價結(jié)果，能夠用于反映回轉(zhuǎn)支承的性能退化狀況；同時擺脫了對于人為提取、篩選特征的依賴，構(gòu)造方式更加通用。

因此，本文所提的DTCN預(yù)測模型能夠較好地預(yù)測回轉(zhuǎn)支承健康指標的退化趨勢，準確反映回轉(zhuǎn)支承的性能退化狀況，對及早發(fā)現(xiàn)潛在故障并進行維護有積極作用。