一种基于时间卷积网络的旋转机械剩余使用寿命预测方法

技术领域

本发明属于故障预测与健康管理相关技术领域，更具体地，涉及一种基于时间卷积网络的旋转机械剩余使用寿命预测方法。

背景技术

故障预测与健康管理旨在应用一系列模型与方法对设备或系统的健康状态予以评估，并基于健康状态为企业管理者提供及时有效的维修决策方案，从而提高系统的安全性与可靠性。剩余使用寿命(Remaining useful life，RUL)预测是故障预测与健康管理的核心内容之一，其主要关注利用设备的内部结构与运行过程中所采集的传感器数据等预估系统故障前的健康状态，对避免因突发故障停工扰乱生产计划，杜绝安全隐患与重大事故，降低设备的维修成本，提高企业的生产效率及优化系统的运维管理等意义重大。

旋转机械是众多大型机械设备的重要部件之一，对旋转机械的RUL进行预测对于提高大型机械设备的安全性和可靠性至关重要。一般而言，RUL预测方法主要有以下两类：基于机理模型与基于数据驱动的方法。基于机理模型的方法主要根据设备退化过程建立物理失效模型，其需要丰富的专家经验知识，且具体设备具体分析，导致其泛化能力较差。近年来，人工智能和传感器技术的迅猛发展推动了基于数据驱动的方法的发展。基于数据驱动的方法旨在挖掘系统退化趋势和状态监测数据之间的潜在映射关系，由于其无需丰富的专家经验知识，只需对采集的传感器数据进行加工处理进而提取能表征系统退化的有效特征，因此该类方法泛化能力较强，已被广泛地应用于解决RUL预测问题。深度学习方法具有良好的非线性拟合能力和序列数据处理能力，可在显著降低RUL预测任务复杂性的同时提高预测性能，具有广泛的应用前景。现有的深度学习方法主要从数据采集、数据预处理、模型建立、模型训练和在线预测等方面开展RUL预测工作，主要存在以下不足：首先，建立的全生命周期统一退化模型难以很好地拟合旋转机械退化的全部过程。具体而言，早期旋转机械会平稳运行较长时间，随后以几乎恒定的速率缓慢退化，最后旋转机械进入快速退化阶段，并在短时间内运行到故障。不同的退化模式存在显著差异，因此需针对不同退化模式建立相应的退化模型以更好地拟合旋转机械退化的全部过程；其次，对于旋转机械的不同退化阶段，所提取的特征与健康状态之间的映射关系难匹配；最后，一些常用的深度学习模型在解决RUL预测问题上存在局限性，如卷积神经网络具有良好的特征提取能力，然而由于卷积核大小的限制导致其无法很好地捕捉长期序列依赖关系。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于时间卷积网络的旋转机械剩余使用寿命预测方法，其解决了RUL预测中的设备退化过程欠拟合、所提取特征与设备健康状态难匹配、特征提取能力与长时序列数据处理能力不兼容等导致的预测精度低问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于时间卷积网络的旋转机械剩余使用寿命预测方法，所述方法主要包括以下步骤：

(1)采集单台或者多台旋转机械在运行阶段的全生命周期的振动信号数据，并从全生命周期的振动信号数据中沿特定的方向提取时域特征、频域特征与时频特征；

(2)采用综合评估指标Cri从所提取的特征中选择有效特征；其中，综合评估指标Cri为：Cri＝ω

(3)应用t-SNE算法对选择的有效特征进行压缩，随后运用DBSCAN算法自适应划分旋转机械的退化阶段；

(4)建立基于TCN的预测模型并对该预测模型进行训练，采用训练好的预测模型对旋转机械剩余使用寿命进行预测。

进一步地，预测模型包括输入层、TCN层和回归层；输入层中，输入融合后的有效特征；TCN层中，在残差块结构中加入多个卷积单元，每个卷积单元的结构为膨胀因果卷积+权重归一化+ReLU激活函数+Dropout；回归层中，通过建立一个扁平化层与一个全连接层以融合TCN层所提取的所有局部特征，最后输出RUL预测值。

进一步地，从采集的全生命周期振动信号中沿水平方向和垂直方向提取时域、频域和时频特征，首先提取振动信号的时域统计特征；其次，采用快速傅里叶变换将离散的时域信号转换为频域信号，提取频域特征；最后，利用希尔伯特-黄变换自适应时频分析方法提取振动信号的时频特征。

进一步地，采用t-SNE算法对所选择的特征从高维空间压缩到低维空间，在高维空间和低维空间，分别应用高斯分布和t分布将状态点之间的距离转换为相应的联合概率分布，随后采用Kullback-Leibler散度衡量两个分布之间的差异，并运用梯度下降法对KL散度进行优化，最终实现映射后原高维空间中相距较远的特征状态点相距更远，相距较近的特征状态点相距更近。

进一步地，经过特征压缩后，处于相同和不同退化阶段的特征状态点之间的距离分别更近和更远，进一步明晰了不同退化阶段之间的边界，便于后续自适应划分退化阶段。

进一步地，DBSCAN算法能够实现根据旋转机械的实际健康状态自适应地识别退化模式，并基于退化模式自动将旋转机械的全生命周期划分为多个退化阶段。

进一步地，全生命周期特征序列为X

其中n为簇的数量，由此得簇标记数组

进一步地，首先采用t-SNE算法对选取的有效特征从高维空间映射到低维空间；其次，基于t-SNE算法产生的不同健康状态之间的分布差异，利用DBSCAN算法自适应地将训练集的全生命周期划分为不同的退化阶段；随后对训练集的有效特征进行融合，将其与相应的退化阶段标签进行组合以构成标签对输入到SVM分类器中，并对SVM分类器进行训练；最后，对测试集的有效特征进行融合，输入到训练完成的SVM分类器中，自适应生成测试集的退化阶段标签。

进一步地，将全生命周期自适应地划分为平稳退化和快速退化两阶段，随后对所述的平稳退化和快速退化两阶段的RUL应用基于TCN的预测模型进行预测。

进一步地，RUL真实值设定为旋转机械退化的百分比，则第t个采样点的RUL真实值标签为:

其中，RUL

其中，x

总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的基于时间卷积网络的旋转机械剩余使用寿命预测方法主要具有以下有益效果：

1.本发明通过构建综合评估指标即动态时间规整距离指标、相关性指标与单调性指标的线性组合对提取的时域、频域与时频特征进行选择，剔除相似性度量大、时间相关性较低与单调性较差的特征，保留余下有效特征，可更好地捕捉旋转机械的退化过程，显著降低传感器中噪声和波动的影响。

2.本发明应用t-SNE算法对保留的有效特征进行压缩，随后运用DBSCAN算法对压缩后的特征状态点进行处理，可实现无需专家先验知识，只需根据旋转机械的实际健康状态便可自适应地识别退化模式，并基于退化模式自动将设备的全生命周期划分为多个退化阶段，使设备的健康状态与所划分的退化阶段更匹配，从而更好地拟合旋转机械退化的全部过程，增强RUL预测精度。

3.本发明所设计的改进的TCN模型可实现RUL的精准预测，该网络模型兼具良好的特征提取能力和长时序列数据处理能力，这有助于加快网络的收敛速度，增强模型的泛化能力，提高RUL预测准确度。

4.本发明首先从振动信号中提取时域特征，其次通过傅里叶变换将时域特征转换为频域特征，进而提取频域特征，最后采用希尔伯特-黄变换自适应时频分析方法提取时频特征；通过提取上述三类特征，能更全面地反映设备的退化信息。

附图说明

图1是按照本发明的优选实例所提供的基于时间卷积网络的旋转机械剩余使用寿命预测方法的流程图；

图2是沿水平方向提取具体实例的全生命周期振动信号的可视化图；

图3中的(a)、(b)分别是沿水平方向和垂直方向提取具体实例的时域特征、频域特征与时频特征的综合评估指标值的可视化图；

图4中的(a)、(b)分别是本发明应用在具体实例上的采用t-分布邻域嵌入算法对选择的有效特征予以压缩与应用基于密度的有噪声的空间聚类算法自适应划分退化阶段的可视化结果；

图5是本发明的优选实施所设计的改进的时间卷积网络模型的结构示意图；

图6中的(a)、(b)、(c)、(d)、(e)分别是本发明应用在具体实例上的RUL预测结果可视化图；

图7中的(a)、(b)、(c)、(d)分别是本发明应用在具体实例上与基于全生命周期统一退化模型进行对比分析的RUL预测结果可视化图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

请参阅图1，本发明提供了一种基于时间卷积网络的旋转机械剩余使用寿命预测方法，该方法首先采集单台或多台旋转机械的全生命周期传感器数据作为训练和测试数据集，随后应用信号处理方法从所采集的传感器数据中提取时域特征、频域特征与时频特征以更全面地反映旋转机械的退化过程。为了更好地拟合旋转机械的退化过程，建立综合评估指标对所提取的特征予以选择，剔除与旋转机械退化相关性较小的特征，保留余下有效特征。其次，对所选取特征进行压缩，并对压缩后的特征状态点进行聚类，从而自适应划分旋转机械退化阶段。最后，针对旋转机械的多个退化阶段，建立相应的基于时间卷积网络(Temporal convolution network，TCN)的预测模型，在训练数据集上训练并优化该模型，待模型训练结束后输入测试数据集，获得RUL预测值。

所述预测方法主要包括以下步骤：

S1.采集单台或多台旋转机械在运行阶段的全生命周期传感器数据，即按照一定的时间间隔、频率等进行采样，从而获取旋转机械的全生命周期振动信号数据。

采集旋转机械的全生命周期振动信号，按照一定的采样时间间隔、采样时间、采样频率等进行采样，获取采样点信息。

S2.对采集到的旋转机械全生命周期振动信号进行特征提取，以降低振动信号数据的维度，便于后续建立准确的退化模型。具体而言，利用信号处理方法从旋转机械振动信号中沿水平方向和垂直方向提取时域特征、频域特征和时频特征，以构建特征图谱。

应用信号处理方法从采集的全生命周期振动信号中沿水平方向和垂直方向提取时域、频域和时频特征，以更全面地捕捉旋转机械的退化趋势。该方法首先提取振动信号的时域统计特征以反映旋转机械退化趋势的总体概况。其次，采用快速傅里叶变换将离散的时域信号转换为频域信号，提取频域特征，由此可从频率上反映旋转机械的工作状态，能显著降低噪声的影响。最后，利用希尔伯特-黄变换自适应时频分析方法提取振动信号的时频特征，获取更多振动信号中的隐藏信息。

S3.对动态时间规整(Dynamic time warping，DTW)距离指标、相关系数指标与单调性指标进行线性组合以构建综合评估指标，从而在上述所提取特征中选取更适合RUL预测的有效特征，进一步提高RUL预测的精度。一般而言，相似性度量较小、时间相关性较高与单调性较好的特征更有效，更适用于RUL预测。

建立如下综合评估指标Cri：Cri＝ω

(1)动态时间规整距离指标Dis

Dis用于测量时间序列的相似度。假设原始特征空间中存在M个特征序列，全生命周期的振动信号序列长度为T，则t时刻的特征状态点为

对于两个不同的时间序列，DTW计算它们相应的所有子序列的相似度距离，从而得到F

则dp[T-1][T-1]为F

(2)相关系数指标Corr

一般而言，旋转机械会随着运行时间的增加逐渐退化。Corr为时间相关性度量，其度量特征序列与运行时间的线性相关程度，计算公式为:

其中

(3)单调性指标Mon

Mon主要用于评估特征的趋势走向:

其中，

基于上述三个指标，可计算所提取特征的Cri值，选择是否保留该特征。具体而言，剔除与旋转机械退化相关性较小即Cri值较小的特征，保留余下特征，从而更好地反映旋转机械的退化趋势。

S4.运用t-分布邻域嵌入算法(T-distributed stochastic neighborembedding，t-SNE)对上述所选取的有效特征进行压缩，实现处于同一退化阶段的相似状态点之间的距离更近，而处于不同退化阶段的状态点之间的距离更远，这使得不同退化阶段之间的边界更清晰，便于后续基于退化模式自适应划分退化阶段。

采用t-SNE算法对所选择的特征从高维空间压缩到低维空间。具体而言，在高维空间和低维空间，分别应用高斯分布和t分布将特征状态点之间的距离转换为相应的联合概率分布，随后采用Kullback-Leibler(KL)散度衡量两个分布之间的差异，并运用梯度下降法对KL散度进行优化，最终实现映射后原高维空间中相距较远的特征状态点相距更远，相距较近的特征状态点相距更近。因此，经过特征压缩后，处于相同和不同退化阶段的特征状态点之间的距离分别更近和更远，进一步明晰了不同退化阶段之间的边界，便于后续自适应划分退化阶段。t-SNE算法的具体步骤如下：

(1)令

其中σ表示以

(2)令

(3)采用KL散度衡量上述两个分布之间的差异，其目标函数为:

(4)利用梯度下降法优化KL散度即最小化KL散度，具体方法为：

S5.考虑到实施S4后可能存在特征状态点空间分布形状不规则的问题，利用基于密度的有噪声的空间聚类(Density-based spatial clustering of applications withnoise，DBSCAN)算法对压缩后的特征状态点进行处理，进一步生成退化阶段的标签。由此，DBSCAN算法可实现根据旋转机械的实际健康状态自适应地识别退化模式，并基于退化模式自动将旋转机械的全生命周期划分为多个退化阶段，从而更好地拟合旋转机械退化的全部过程。

考虑到压缩后的特征状态点可能存在空间分布不规则的问题，因此运用DBSCAN算法对其进行处理，将特征空间中连接密度足够高的状态点划分到同一退化阶段，从而自适应划分退化阶段。具体而言，全生命周期特征序列为X

其中n为簇的数量，由此可得簇标记数组

S6.针对旋转机械的多个退化阶段，建立相应的基于时间卷积网络(Temporalconvolution network，TCN)的预测模型，待模型训练结束后输入测试数据集，对其RUL进行精准预测。具体而言，针对S5中自适应划分的n个退化阶段，基于TCN建立相应的RUL预测模型，在训练数据集上训练并优化该模型，待模型训练结束后输入测试数据集，实现RUL的精准预测。

对基本的TCN模型予以改进后应用于RUL预测。本实施方式所提的改进TCN模型主要包含输入层、TCN层和回归层，具体说明如下：

(1)输入层：输入融合后的有效特征。为了加快网络的收敛速度，在其输入网络前作如下归一化处理：

其中，x

(2)TCN层：在残差块结构中加入多个卷积单元，每个卷积单元的结构为膨胀因果卷积+权重归一化+ReLU激活函数+Dropout。通过卷积单元的多层抽象，TCN层具有了较强特征提取能力，可更好地提取局部退化特征。

(3)回归层：通过建立一个扁平化层与一个全连接层以融合TCN层所提取的所有局部特征，能更全面地表征旋转机械的退化过程，最后输出RUL预测值。RUL真实值设定为旋转机械退化的百分比，则第t个采样点的RUL真实值标签为:

其中，RUL

以下以轴承这一旋转机械作为具体对象，结合具体实例对本发明的基于TCN的RUL预测方法进行进一步详细说明，具体步骤为：

(1)提取轴承的全生命周期振动信号数据，采用IEEE PHM 2012挑战赛的加速退化试验轴承数据集进行训练和测试，试验中采样频率为25.6kHz，单次采样时间为0.1s，采样间隔为10s，因此每次采样可得2560个采样点。图2显示了沿水平方向提取的轴承1-1的全生命周期振动信号。轴承的运行条件和轴承试验数据集分别见表1和表2；

表1轴承运行条件

表2轴承试验数据集

(2)从轴承的全生命周期振动信号数据中沿特定的方向提取时域特征、频域特征与时频特征。首先可提取振动信号的均值、标准差、方差、峰峰值、根振幅、平均振幅、均方根值、波形因子、峰值、峰值因子、脉冲因子、裕度因子、偏度和峭度等14个时域特征，随后利用快速傅里叶变换法将时域信号转换至频域以提取平均频率、重心频率、均方根频率与频率标准差等4个频域特征，应用希尔伯特-黄变换自适应时频分析方法提取固有模态函数能量、固有模态函数能量熵、边际谱能量和边际谱能量熵等4个时频特征。因此，沿着水平和垂直两个方向对轴承的振动信号提取特征，最终可提取44个特征；

(3)根据所构建的综合评估指标Cri从所提取的特征中选择有效特征，Cri＝0.5+0.3-0.2。图3显示了轴承1_1沿水平和垂直方向所提取的全部特征的综合评估指标值的可视化结果。对于每个轴承，本实施方式剔除14个综合评估指标值最小的特征，保留余下30个有效特征；

(4)应用t-SNE算法对选择的有效特征进行压缩，随后运用DBSCAN算法自适应划分轴承的退化阶段。首先采用t-SNE算法对选取的30个有效特征从高维空间映射到低维空间，实现特征压缩，由此更好地区分不同的退化状态。图4中的(a)为采用t-SNE算法对轴承1_4全生命周期的30个有效特征点压缩为二维的可视化结果，显示了不同健康状态之间的分布差异；其次，基于t-SNE算法产生的不同健康状态之间的分布差异，利用DBSCAN算法自适应地将训练集的全生命周期划分为不同的退化阶段，图4中的(b)显示了DBSCAN算法自适应地将轴承1_4的全生命周期退化过程划分为两个退化阶段的可视化结果。随后对训练集的有效特征进行融合，将其与相应的退化阶段标签进行组合以构成标签对输入到SVM分类器中，并对SVM分类器进行训练；最后，对测试集的有效特征进行融合，输入到训练完成的SVM分类器中，自适应生成测试集的退化阶段标签。

(5)建立基于TCN的预测模型，其结构示意图如图5所示，超参数具体设置见表3。在训练时，所有卷积层的激活函数为ReLU，全连接层的激活函数为Sigmoid。在反向传播的过程中，损失函数为平均绝对误差，优化算法为Adam。待模型训练结束后，输入测试数据集，最后输出测试数据集的RUL预测值；

表3TCN超参数表

(6)可视化RUL预测结果。以轴承1-3、轴承1-5、轴承2-5、轴承2-6和轴承3-3为例，首先应用本实施方式所提的退化阶段自适应划分机制即分段退化模型将它们的全生命周期自适应地划分为平稳退化和快速退化两阶段，随后对上述两退化阶段的RUL应用本实施方式所提的基于TCN的预测模型进行预测，预测结果如图6所示。从图6中可以发现，本实施方式在解决轴承的RUL预测问题上表现优异，这验证了本发明的有效性。

为了进一步验证本实施方式所设计的退化阶段自适应划分机制即分段退化模型的有效性，将其与全生命周期统一退化模型在工况1下的轴承数据集上进行比较实验。图7显示了轴承1-3与轴承1-5在全生命周期统一退化模型与分段退化模型的基础上应用TCN方法进行RUL预测的可视化结果。从图7中可以发现，相比于建立全生命周期统一退化模型，本发明所提出的退化阶段自适应划分机制即分段退化模型能够取得更多更好的预测效果，特别是在轴承即将失效的快速退化阶段，可提高预测精度，这验证了本发明所设计的退化阶段自适应划分机制即分段退化模型的有效性。

为了进一步验证本发明所设计的改进的TCN模型在解决RUL预测问题上的有效性，将其与长短期记忆网络(Long short-term memory，LSTM)、卷积神经网络(Convolutionalneural network，CNN)和支持向量回归(Support vector regression，SVR)在工况1下的轴承数据集上进行比较实验，上述四种方法均在采用分段退化模型的基础上进行RUL预测，并采用均方根误差(Root mean square error，RMSE)和平均绝对百分比误差(Mean absolutepercentage error，MAPE)对实验结果展开分析，它们的计算方式具体为：

其中，

表4TCN与LSTM、CNN和SVR在工况1的轴承数据集上的实验结果

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。