趙志宏， 李 晴， 楊紹普， 李樂豪

(1. 石家莊鐵道大學(xué) 信息科學(xué)與技術(shù)學(xué)院，石家莊 050043；2. 石家莊鐵道大學(xué) 省部共建交通工程結(jié)構(gòu)力學(xué)行為與系統(tǒng)安全國家重點(diǎn)實(shí)驗(yàn)室，石家莊 050043)

當(dāng)今社會(huì)已進(jìn)入工業(yè)化快速發(fā)展的階段，對(duì)于各種機(jī)械設(shè)備的要求也越來越高，在各個(gè)應(yīng)用領(lǐng)域剩余使用壽命(remaining useful life，RUL)預(yù)測(cè)技術(shù)都尤為重要。剩余使用壽命預(yù)測(cè)是預(yù)測(cè)某一機(jī)械設(shè)備從當(dāng)前時(shí)刻保持正常運(yùn)行的剩余時(shí)間或者失效時(shí)間[1]。理想情況下，剩余使用壽命預(yù)測(cè)側(cè)重于在系統(tǒng)或者某一設(shè)備發(fā)生故障之前預(yù)警，給維修人員預(yù)留足夠的時(shí)間，對(duì)于機(jī)械設(shè)備進(jìn)行維護(hù)[2]，能夠降低設(shè)備的維修成本，節(jié)約維護(hù)時(shí)間。

剩余使用壽命預(yù)測(cè)方法大致可以分為兩類：基于模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法[3]。基于模型的方法主要是通過構(gòu)建一個(gè)數(shù)學(xué)模型來描述機(jī)械設(shè)備的退化過程。某一機(jī)械設(shè)備的剩余使用壽命受自身制造工藝和操作環(huán)境等影響。理想情況下，構(gòu)建過程不但需要經(jīng)過測(cè)量后系統(tǒng)的實(shí)際參數(shù)，而且需要研究者對(duì)系統(tǒng)有充足的先驗(yàn)知識(shí)[4]。然而在現(xiàn)實(shí)中，實(shí)際情況非常復(fù)雜，出現(xiàn)的情況各不相同，大多數(shù)機(jī)械設(shè)備不能用簡(jiǎn)單的數(shù)學(xué)模型來預(yù)測(cè)RUL。

基于數(shù)據(jù)驅(qū)動(dòng)的剩余使用壽命預(yù)測(cè)一般分為兩種：機(jī)器學(xué)習(xí)方法和統(tǒng)計(jì)學(xué)方法。傳統(tǒng)機(jī)器學(xué)習(xí)剩余使用壽命預(yù)測(cè)方法主要分為兩個(gè)步驟：①分別在時(shí)域、頻域或時(shí)頻域人工提取特征；②構(gòu)建剩余使用壽命預(yù)測(cè)模型[5]，方法有人工神經(jīng)網(wǎng)絡(luò)[6]、灰色預(yù)測(cè)方法[7]、馬爾科夫模型[8]、支持向量機(jī)[9]等。但傳統(tǒng)機(jī)器學(xué)習(xí)的剩余使用壽命預(yù)測(cè)方法通常是淺層機(jī)器學(xué)習(xí)模型，存在著對(duì)多元復(fù)雜時(shí)間序列預(yù)測(cè)時(shí)選擇模型及參數(shù)和特征提取困難、函數(shù)關(guān)系難以表達(dá)、預(yù)測(cè)結(jié)果受工況和環(huán)境影響等問題。

近年來，深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的新方法，具有強(qiáng)大的自動(dòng)提取特征能力，被廣泛應(yīng)用在不同領(lǐng)域?；谏疃葘W(xué)習(xí)的剩余使用壽命預(yù)測(cè)摒棄了傳統(tǒng)剩余使用壽命預(yù)測(cè)手工提取特征的方法，通過構(gòu)建一個(gè)多層的深度體系結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)從獲取的原始時(shí)間序列中自主的學(xué)習(xí)層次化的特征。Babu等[10]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)的剩余使用壽命預(yù)測(cè)方法，將卷積層和池化層應(yīng)用于多通道傳感器數(shù)據(jù)的時(shí)間維上，通過深層結(jié)構(gòu)學(xué)習(xí)低層原始傳感器信號(hào)的抽象表示，獲取深層次特征信息。楊宇等[11]提出了全參數(shù)動(dòng)態(tài)學(xué)習(xí)深度信念網(wǎng)絡(luò)，在原始振動(dòng)信號(hào)中提取深層特征信息,減少了訓(xùn)練時(shí)間，提高了預(yù)測(cè)結(jié)果精度。唐旭等[12]通過從多元時(shí)間序列中提取到的時(shí)域特征輸入到長短期記憶網(wǎng)絡(luò)(long short-term memory，LSTM)中進(jìn)行剩余使用壽命預(yù)測(cè)，取得了較準(zhǔn)確的結(jié)果。Ren等[13]利用深度自動(dòng)編碼器聯(lián)合時(shí)頻特征壓縮和計(jì)算結(jié)果輸入到DNN(deep neural networks)中進(jìn)行剩余使用壽命預(yù)測(cè)。

以上基于深度學(xué)習(xí)的剩余使用壽命預(yù)測(cè)方法未能充分利用深度學(xué)習(xí)模型提取多元時(shí)間序列中深層特征信息。雙向長短期記憶網(wǎng)絡(luò)(bi-directional long short term memory，BiLSTM)對(duì)于處理基于時(shí)間序列的預(yù)測(cè)具有一定的優(yōu)勢(shì)，可以有效避免時(shí)間依賴帶來的梯度消失或者梯度爆炸等問題。Mnih等[14]提出的注意力機(jī)制(Attention)被廣泛應(yīng)用于各個(gè)方面。注意力機(jī)制通過計(jì)算不同特征的注意力概率，對(duì)模型中的不同特征賦予不同權(quán)重，已有研究表明，注意力機(jī)制可以更好地利用提取到的特征信息[15]。

本文提出一種基于BiLSTM與注意力機(jī)制(BiLSTM-Attention)的剩余使用壽命預(yù)測(cè)模型。BiLSTM的優(yōu)點(diǎn)是可以將前向和后向信息相結(jié)合，自動(dòng)獲取其中隱藏的特征信息，以提高剩余使用壽命預(yù)測(cè)能力。在剩余使用壽命預(yù)測(cè)中，BiLSTM是將獲取的全部時(shí)間序列統(tǒng)一作為神經(jīng)網(wǎng)絡(luò)的輸入，以進(jìn)行特征提取。此外，本文采用了注意力機(jī)制對(duì)于各個(gè)BiLSTM輸出的特征值分配不同的權(quán)重，以提高剩余使用壽命預(yù)測(cè)的準(zhǔn)確性。將本文所提出的BiLSTM-Attention預(yù)測(cè)模型與現(xiàn)有的LSTM、BiLSTM模型在公共數(shù)據(jù)集上進(jìn)行試驗(yàn)。試驗(yàn)結(jié)果表明本文提出的BiLSTM-Attention預(yù)測(cè)模型可以更準(zhǔn)確地預(yù)測(cè)剩余使用壽命。

1 理論背景

1.1 BiLSTM

由于RNN(recurrent neural network)在處理時(shí)間序列存在長期依賴、梯度消失或者梯度爆炸等問題，研究人員提出了LSTM用于解決RNN出現(xiàn)的問題[16]，但LSTM只能處理前向信息輸入神經(jīng)網(wǎng)絡(luò)獲取預(yù)測(cè)的結(jié)果，BiLSTM通過前向和后向信息神經(jīng)網(wǎng)絡(luò)獲取預(yù)測(cè)的結(jié)果，往往在預(yù)測(cè)方面BiLSTM的預(yù)測(cè)結(jié)果優(yōu)于LSTM[17]。BiLSTM結(jié)構(gòu)如圖1所示。

圖1 BiLSTM結(jié)構(gòu)圖

在前向?qū)幽骋粫r(shí)刻ti(i=1,2,…,n)正向計(jì)算，將獲得的時(shí)刻ti前向隱含層的輸出保存，得到Mf，Mf計(jì)算公式如式(1)；在后向?qū)觮i(i=n,…,2,1)反向計(jì)算，將獲得的時(shí)刻ti后向隱含層的輸出保存，得到Mb，Mb計(jì)算公式如式(2)；然后將前向?qū)雍秃笙驅(qū)用總€(gè)時(shí)刻ti獲得對(duì)應(yīng)的輸出相結(jié)合獲得最后的輸出Yt，Yt計(jì)算公式如式(3)，其中wi(i=1,2,…,6)為權(quán)重

Mf=f(w1xt+w2Mf-1)

(1)

Mb=f(w3xt+w5Mb-1)

(2)

Yt=g(w4Mf+w6Mb)

(3)

本文研究的是基于時(shí)間的序列數(shù)據(jù)，通過以上分析使用BiLSTM用于提取輸入數(shù)據(jù)的特征，獲取隱藏在時(shí)間序列中的特征信息。

1.2 注意力(Attention)機(jī)制

注意力機(jī)制最早應(yīng)用于機(jī)器翻譯[18]，現(xiàn)在已經(jīng)廣泛應(yīng)用于各種時(shí)間序列處理[19]。注意力機(jī)制的本質(zhì)為計(jì)算某一特征向量的的加權(quán)求和[20]。注意力機(jī)制有很多種實(shí)現(xiàn)方式，本文采用的是乘法注意力機(jī)制中的Scaled Dot-Product Attention方法，其計(jì)算主要分為3個(gè)步驟。

步驟1將query和每個(gè)key進(jìn)行點(diǎn)積計(jì)算得到權(quán)重。

步驟2使用Softmax函數(shù)對(duì)權(quán)重歸一化處理。

步驟3將權(quán)重和對(duì)應(yīng)的value加權(quán)求和獲得Attention。

Attention計(jì)算公式為

(4)

式中： queries，keys，values的矩陣表示Q,K,V，Q=K=V=L,L為注意力層的輸入；dk為queries,keys,values的向量維度。

2 基于BiLSTM與注意力機(jī)制預(yù)測(cè)方法

本文設(shè)計(jì)的基于BiLSTM與注意力機(jī)制相結(jié)合的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。主要由批標(biāo)準(zhǔn)化(batch normalization，BN)層、BiLSTM層、注意力層和全連接層組成。BiLSTM中LSTM單元數(shù)設(shè)為64；全連接層為2層，Dense_1輸出維度設(shè)置為10，Dense_2輸出維度設(shè)置為1；在輸入層之后和注意力層之后使用BN層。該模型既能夠自動(dòng)提取原始信號(hào)時(shí)序特征信息，又能夠突出關(guān)鍵特征信息，具有較強(qiáng)的特征提取能力。

圖2 基于BiLSTM與注意力機(jī)制預(yù)測(cè)模型圖

基于BiLSTM與注意力機(jī)制預(yù)測(cè)的主要步驟如圖3所示。

圖3 基于BiLSTM與注意力機(jī)制預(yù)測(cè)模型流程圖

首先，對(duì)于多元時(shí)間序列的預(yù)測(cè)，先通過設(shè)定周期長度獲得連續(xù)的時(shí)間序列，然后依次向后滑動(dòng)直至一個(gè)周期結(jié)束，此時(shí)將獲得若干組多元時(shí)間序列，即為不同發(fā)動(dòng)機(jī)的時(shí)間序列訓(xùn)練集。將原始信號(hào)經(jīng)過數(shù)據(jù)處理后，輸入到BN層，BN層具有一定的正則化作用，可以避免過擬合和梯度消失的問題，提高模型穩(wěn)定性和泛化性、加快訓(xùn)練速度并提高深度神經(jīng)網(wǎng)絡(luò)的性能。

其次，BiLSTM通過學(xué)習(xí)每個(gè)時(shí)刻ti前、后向的單元信息獲得各個(gè)時(shí)間步輸出值，學(xué)習(xí)時(shí)間序列前向和后向之間蘊(yùn)含的信息，在解決時(shí)間序列依賴性和梯度爆炸等問題的基礎(chǔ)上自動(dòng)獲取全面的特征信息。

然后Attention層對(duì)時(shí)序數(shù)據(jù)信息的進(jìn)一步篩選，有選擇的學(xué)習(xí)模型訓(xùn)練過程中的中間特征，通過權(quán)重分配的方式，將其與輸出序列關(guān)聯(lián)起來，過濾無用信息，突出關(guān)鍵信息，提高模型預(yù)測(cè)結(jié)果的準(zhǔn)確性。

最后，全連接層進(jìn)行降維，得到最終的剩余使用壽命預(yù)測(cè)結(jié)果，為提高預(yù)測(cè)結(jié)果準(zhǔn)確性，采用加權(quán)平均降噪的方法對(duì)于預(yù)測(cè)結(jié)果處理。

3 剩余使用壽命預(yù)測(cè)試驗(yàn)

3.1 數(shù)據(jù)集

選擇公開的C-MAPSS[21]數(shù)據(jù)集進(jìn)行剩余使用壽命預(yù)測(cè)試驗(yàn)，C-MAPSS數(shù)據(jù)集如表1所示。分為4個(gè)子數(shù)據(jù)集，使用美國國家航空航天局開發(fā)的基于模型的模擬程序C-MAPSS生成的模擬數(shù)據(jù)[22]。

表1 C-MAPSS數(shù)據(jù)集

C-MAPSS數(shù)據(jù)集存儲(chǔ)為n×26矩陣，其中n對(duì)應(yīng)于每個(gè)子集中的數(shù)據(jù)點(diǎn)的數(shù)量。每一行是在一個(gè)操作時(shí)間周期內(nèi)獲取的數(shù)據(jù)，共有26列，其中第1列為引擎號(hào)，第2列為操作周期號(hào)，第3～第5列為3個(gè)操作設(shè)置，第6～第26列為21個(gè)傳感器值[23]。數(shù)據(jù)中的3個(gè)操作設(shè)置會(huì)顯著影響發(fā)動(dòng)機(jī)性能。假設(shè)發(fā)動(dòng)機(jī)內(nèi)的每個(gè)軌跡是發(fā)動(dòng)機(jī)的壽命周期，當(dāng)每臺(tái)發(fā)動(dòng)機(jī)在不同的初始條件下進(jìn)行模擬時(shí)，這些條件被認(rèn)為是正常條件(無故障)。對(duì)于訓(xùn)練集中的每個(gè)發(fā)動(dòng)機(jī)軌跡，最后一個(gè)數(shù)據(jù)條目對(duì)應(yīng)于發(fā)動(dòng)機(jī)被宣布為不正?；蚬收蠣顟B(tài)的時(shí)刻。另一方面，測(cè)試集包含故障前一段時(shí)間的數(shù)據(jù)，目的是預(yù)測(cè)每臺(tái)發(fā)動(dòng)機(jī)測(cè)試集中的RUL。對(duì)于C-MAPSS數(shù)據(jù)集中每個(gè)子集都有測(cè)試軌跡的實(shí)際RUL值。

3.2 數(shù)據(jù)預(yù)處理

由于不同的操作設(shè)置可能導(dǎo)致不同的傳感器值，而得到的數(shù)據(jù)代表的物理特性不同。因此，為消除數(shù)據(jù)不規(guī)范對(duì)預(yù)測(cè)效果的影響，在進(jìn)行任何訓(xùn)練和測(cè)試之前，必須進(jìn)行數(shù)據(jù)歸一化處理，原始數(shù)據(jù)通過處理將限定在[0,1]內(nèi)，計(jì)算公式如式(5)

(5)

3.3 評(píng)分函數(shù)

為了比較評(píng)估模型在測(cè)試數(shù)據(jù)上的性能，需要一些客觀的性能度量，主要采用了兩種評(píng)價(jià)指標(biāo)：評(píng)分函數(shù)和平均絕對(duì)誤差(mean absolute error，MAE)。

本文使用PHM2008數(shù)據(jù)挑戰(zhàn)中的評(píng)分函數(shù)，計(jì)算公式如式(6)

(6)

式中：n為測(cè)試集中的引擎數(shù)；S為計(jì)算的評(píng)分；d=Restimated-Rreal，Restimated為剩余使用壽命預(yù)測(cè)值，Rreal為剩余使用壽命真實(shí)值。

MAE[24]：?jiǎn)我灰揽吭u(píng)分函數(shù)有時(shí)會(huì)因?yàn)楫惓Ｖ?比如d過大或過小)的出現(xiàn)影響對(duì)模型整體預(yù)測(cè)性能的評(píng)價(jià)，因此需要結(jié)合MAE共同評(píng)價(jià)。MAE值越小表示結(jié)果越精確，模型越有效。MAE的使用還可以避免人為降低評(píng)分函數(shù)值的現(xiàn)象發(fā)生，其計(jì)算公式如式(7)

(7)

3.4 試驗(yàn)過程及結(jié)果分析

3.4.1 數(shù)據(jù)處理

本節(jié)主要以C-MAPSS數(shù)據(jù)集子集FD001的數(shù)據(jù)為例進(jìn)行描述試驗(yàn)。FD001數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)、測(cè)試數(shù)據(jù)和測(cè)試數(shù)據(jù)對(duì)應(yīng)的真實(shí)RUL，其中訓(xùn)練數(shù)據(jù)有20 631個(gè)運(yùn)行周期樣本的訓(xùn)練數(shù)據(jù)，測(cè)試數(shù)據(jù)有13 096個(gè)運(yùn)行周期樣本的測(cè)試數(shù)據(jù)。訓(xùn)練集和測(cè)試集記錄了發(fā)動(dòng)機(jī)在若干運(yùn)行周期下3個(gè)操作設(shè)置值和21個(gè)傳感器監(jiān)測(cè)數(shù)據(jù)，其中操作設(shè)置值如圖4所示。首先是對(duì)于輸入的數(shù)據(jù)序列進(jìn)行歸一化的數(shù)據(jù)預(yù)處理，對(duì)于得到的特征值可視化，去除不隨時(shí)間變換的特征以減少計(jì)算量，提高計(jì)算性能。通過操作設(shè)置值和傳感器監(jiān)測(cè)數(shù)據(jù)分析可知，刪去在發(fā)動(dòng)機(jī)退化過程中始終未改變的一個(gè)操作設(shè)置和7個(gè)傳感器數(shù)據(jù)，使用18個(gè)通道數(shù)據(jù)進(jìn)行分析，將獲取的數(shù)據(jù)進(jìn)行歸一化處理，使數(shù)據(jù)大小在[0,1]內(nèi)。

圖4 操作設(shè)置值

3.4.2 試驗(yàn)結(jié)果

根據(jù)訓(xùn)練集的設(shè)置，提取FD001對(duì)應(yīng)的測(cè)試集和測(cè)試集對(duì)應(yīng)的真實(shí)RUL。分別提取FD001中的兩個(gè)操作設(shè)置和16個(gè)傳感器監(jiān)測(cè)值組成的18個(gè)變化的待預(yù)測(cè)序列，輸入到訓(xùn)練集得到的預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，最后將訓(xùn)練得到的預(yù)測(cè)RUL和真實(shí)RUL輸入到評(píng)分函數(shù)中進(jìn)行處理，獲取對(duì)應(yīng)的分?jǐn)?shù)。利用BiLSTM-Attention方法得到的發(fā)動(dòng)機(jī)預(yù)測(cè)RUL結(jié)果如圖5所示，由圖5可知，運(yùn)行周期數(shù)較小時(shí)預(yù)測(cè)較為準(zhǔn)確，隨著運(yùn)行周期數(shù)增加，設(shè)備出現(xiàn)故障，預(yù)測(cè)曲線出現(xiàn)波動(dòng)，準(zhǔn)確性降低。FD001和FD003為單故障類型數(shù)據(jù)，F(xiàn)D002和 FD004為多故障類型數(shù)據(jù)，F(xiàn)D001和FD003預(yù)測(cè)結(jié)果與FD002和FD004相比較為準(zhǔn)確。

圖5 C-MAPSS測(cè)試集發(fā)動(dòng)機(jī)的預(yù)測(cè)RUL結(jié)果

3.4.3 評(píng)價(jià)結(jié)果比較

為說明本文提出的BiLSTM-Attention預(yù)測(cè)模型的有效性和可行性，選擇了LSTM、BiLSTM與已有論文中深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network，DCNN)、隨機(jī)森林(random forest，RF)和支持向量機(jī)(support vector machine, SVM)預(yù)測(cè)模型在同樣的C-MAPSS數(shù)據(jù)集中4組子集試驗(yàn)訓(xùn)練，獲取不同預(yù)測(cè)方法得到的評(píng)分和MAE進(jìn)行比較。不同預(yù)測(cè)方法評(píng)分函數(shù)、MAE對(duì)比如表2所示。從表2可知，本文提出的BiLSTM-Attention預(yù)測(cè)模型與LSTM和BiLSTM方法相比，BiLSTM-Attention預(yù)測(cè)方法在評(píng)分函數(shù)和MAE兩個(gè)方面均獲得較好的結(jié)果。以FD001為例，評(píng)分函數(shù)LSTM最高，依次為BiLSTM和BiLSTM-Attention，降低了77.13%；MAE中BiLSTM最高，依次為LSTM和BiLSTM-Attention，降低7.12%(見表2)。

表2 C-MAPSS數(shù)據(jù)集預(yù)測(cè)結(jié)果比較

將表2與已有論文方法相比，BiLSTM-Attention預(yù)測(cè)模型的評(píng)分函數(shù)在子集FD001中低于DCNN 和SVM方法，但高于RF方法；在子集FD002中低于DCNN、SVM和RF方法；在子集FD003中低于SVM方法，高于DCNN和RF方法；在子集FD004中低于RF和SVM方法，高于DCNN方法。

通過以上結(jié)果分析可知本文提出的BiLSTM-Attention預(yù)測(cè)模型比LSTM和BiLSTM具有更好的數(shù)據(jù)特征提取能力。綜上所述，本文提出的BiLSTM-Attention預(yù)測(cè)模型在航空發(fā)動(dòng)機(jī)剩余使用壽命預(yù)測(cè)結(jié)果更準(zhǔn)確。

3.4.4 不確定性試驗(yàn)

為了評(píng)估不確定性對(duì)傳感器測(cè)量結(jié)果的影響，使用BiLSTM-Attention預(yù)測(cè)模型進(jìn)行多次試驗(yàn)，不同子集不同評(píng)價(jià)指標(biāo)波動(dòng)值，如表3所示。所獲得的均方根誤差(root mean squard error，RMSE)和MAE顯示了所提出模型的顯著穩(wěn)定的性能。

表3 BiLSTM-Attention不確定性試驗(yàn)

3.4.5 復(fù)雜度比較

為了說明本文所提出的BiLSTM-Attention預(yù)測(cè)模型與LSTM和BiLSTM預(yù)測(cè)模型相比的優(yōu)點(diǎn)，對(duì)于以上3種模型進(jìn)行復(fù)雜性對(duì)比，包括模型參數(shù)量和訓(xùn)練時(shí)間的對(duì)比。

模型參數(shù)量對(duì)比結(jié)果如表4所示。由表4可知，BiLSTM-Attention預(yù)測(cè)模型參數(shù)量多于LSTM和BiLSTM預(yù)測(cè)模型。模型訓(xùn)練時(shí)間取決與硬件情況，本文試驗(yàn)采用的硬件為：處理器:lntel(R) Core(TM) i5-6200U CPU @2.30 GHz 2.40 GHz；已安裝的內(nèi)存(RAM):8.00 GB；系統(tǒng)類型：64位操作系統(tǒng)，基于x64的處理器。模型訓(xùn)練時(shí)間如表5所示。由表5可知，BiLSTM-Attention預(yù)測(cè)模型訓(xùn)練時(shí)間多于LSTM和BiLSTM預(yù)測(cè)模型。

表4 不同預(yù)測(cè)方法參數(shù)量對(duì)比

表5 不同預(yù)測(cè)方法訓(xùn)練時(shí)間對(duì)比

3.5 泛化性試驗(yàn)

為驗(yàn)證本文所提出的BiLSTM-Attention預(yù)測(cè)模型的泛化能力，使用PHM2012軸承數(shù)據(jù)集[27]進(jìn)行驗(yàn)證。該數(shù)據(jù)集包括3種工況下17個(gè)軸承水平方向和垂直方向兩個(gè)加速度傳感器采樣得到的的全壽命周期振動(dòng)數(shù)據(jù)，第1種和第2種工況各7個(gè)軸承，第3種工況3個(gè)軸承，分別命名為Bearing 1-1～Bearing 1-7，Bearing 2-1～Bearing 2-7，Bearing 3-1～Bearing 3-3，采樣頻率為25.6 kHz，每10 s采集一次數(shù)據(jù)，每次采樣時(shí)間為0.1 s。本文驗(yàn)證采用的是水平方向的振動(dòng)數(shù)據(jù)。本文在不考慮工況影響的情況下，使用14個(gè)軸承的數(shù)據(jù)作為訓(xùn)練集，將剩余的軸承數(shù)據(jù)作為測(cè)試集進(jìn)行試驗(yàn)。以Bearing 2-6為例，軸承水平方向原始全壽命周期振動(dòng)信號(hào)如圖6所示。對(duì)于原始數(shù)據(jù)進(jìn)行處理，行數(shù)等于加速度采集的次數(shù)，列數(shù)等于采集一次的數(shù)據(jù)長度。每行數(shù)據(jù)的標(biāo)簽，表示該行對(duì)應(yīng)的軸承剩余使用壽命。假設(shè)第i行數(shù)據(jù)的剩余使用壽命標(biāo)簽為yi，表示當(dāng)前時(shí)刻的剩余使用壽命與使用壽命的比值如式(8)所示。式8中m為行數(shù)，即軸承的實(shí)際壽命。經(jīng)過歸一化處理后的剩余使用壽命標(biāo)簽，可以降低不同軸承、不同工況、不同剩余使用壽命值之間的影響，提高剩余使用壽命預(yù)測(cè)的準(zhǔn)確性。

圖6 軸承全壽命周期原始信號(hào)

(8)

按照C-MAPSS數(shù)據(jù)集相同的試驗(yàn)方法使用基于BiLSTM與注意力機(jī)制預(yù)測(cè)模型對(duì)于PHM2012數(shù)據(jù)進(jìn)行試驗(yàn)。Bearing 2-6在LSTM、BiLSTM和BiLSTM-Attention不同模型剩余使用壽命預(yù)測(cè)結(jié)果如圖7所示。由圖7可知，BiLSTM-Attention預(yù)測(cè)結(jié)果與真實(shí)值相比浮動(dòng)較小，優(yōu)于LSTM和BiLSTM。Bearing 2-6在LSTM、BiLSTM和BiLSTM-Attention不同模型剩余使用壽命預(yù)測(cè)評(píng)價(jià)指標(biāo)如表6所示。由表6可知，BiLSTM-Attention預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)均小于LSTM和BiLSTM。

圖7 不同模型剩余使用壽命預(yù)測(cè)結(jié)果

表6 不同預(yù)測(cè)方法對(duì)比

4 結(jié) 論

本文提出一種基于BiLSTM與注意力機(jī)制的設(shè)備剩余使用壽命預(yù)測(cè)模型，從多元時(shí)間序列數(shù)據(jù)中估計(jì)設(shè)備的剩余使用壽命。本文主要結(jié)論：

(1) 基于BiLSTM-Attention設(shè)備剩余使用壽命預(yù)測(cè)方法利用BiLSTM網(wǎng)絡(luò)能夠提取設(shè)備運(yùn)行狀態(tài)特征信息，通過注意力機(jī)制給提取到的特征信息分配不同的權(quán)重，從而更好地提取設(shè)備的健康狀態(tài)信息。

(2) 注意力機(jī)制的引入能夠提高深度神經(jīng)網(wǎng)絡(luò)模型剩余使用壽命預(yù)測(cè)的準(zhǔn)確性。

(3) BiLSTM-Attention模型與LSTM、BiLSTM方法相比得到的壽命預(yù)測(cè)評(píng)價(jià)指標(biāo)更好，壽命預(yù)測(cè)的準(zhǔn)確性更高。