基于深度时空卷积神经网络的轴承剩余使用寿命估计 | CJME论文推荐

机械工程学报 2022-06-29

提示：点击上方"机械工程学报"↑关注我吧

持续报名中

一轮通知｜《机械工程学报》第五届高影响力论文暨2022年重点刊登方向发布会、JME学院第三届青年科学家论坛

引用论文

Wang, X., Wang, T., Ming, A. et al. Deep Spatiotemporal Convolutional-Neural-Network-Based Remaining Useful Life Estimation of Bearings. Chin. J. Mech. Eng. 34, 62 (2021). https://doi.org/10.1186/s10033-021-00576-1

研究背景及目的

轴承广泛应用于旋转机械中，其预测和健康管理（PHM）对于机械系统的精度和可靠性至关重要。剩余使用寿命（RUL）估计指在给定当前时刻、运行条件和过去运行情况下，预测设备在失去操作能力之前所剩的时间，是PHM方法的重要组成部分。典型的轴承RUL估计方法主要包括两类：基于模型的方法和数据驱动的方法。其中，基于模型的方法试图通过物理退化模型描述轴承退化过程中的裂纹扩展，腐蚀或磨损情况。然而，基于模型的方法不适用于具有耦合故障模式或复杂机械系统的轴承的预测。作为一种从下而上的预测方法，数据驱动方法可以自动挖掘所收集数据中与轴承退化相关的信息，引起了广泛关注。在数据驱动的轴承RUL估计方法中，振动加速度数据被广泛用于通过统计或机器学习方法对退化过程进行建模。随着传感和数据采集技术的快速发展，可以用于状态监控的信息规模大大扩大。但是，高干扰噪声和复杂的映射关系也使得对数据进行统计建模变得困难。在这种情况下，深度学习方法为我们提供了一个很好的解决途径。深度信念网络（DBN），自动编码器（AE），递归神经网络（RNN），长期短期记忆（LSTM）、卷积神经网络（CNN）等模型在轴承的RUL估计中有许多成功的应用。但是，这些方法仍然存在一些局限性。大多数仅将原始数据或统计特性参数用作模型输入，而无法提取隐藏在信号中的复杂信息。然而，仅在单个域中的信号分析对故障特征表示能力有限。正所谓“巧妇难为无米之炊”，对于基于深度学习模型而言，有效的预测与有效的数据输入紧密相关。时频表示（TFR）方法可以揭示多分量信号的复杂结构，已被广泛用于非平稳信号的分析。大量工作证明了基于TFR的轴承故障诊断方法的有效性。但是，基于TFR的轴承RUL预测方法也具有以下两个限制：

1）部分方法将退化过程视为具有非线性和非高斯的马尔可夫过程，忽略了先前状态数据的复杂时间依赖性。

2）部分方法直接将神经网络的输出用作RUL的估计值但是由于很难确保模型的每个离散预测健康因子（HI）的准确性，使得预测具有较高的波动性和较差的鲁棒性。

轴承的缺陷扩展是一个缓慢变化的过程，因此马尔可夫性质在某种程度上不适合RUL估算任务。在从正常状态到故障的逐步衰减过程中，每个观测值必须与多个先前的观测值建立联系。因此，建立不同退化状态之间的相关性对于准确的RUL预测至关重要。此外，应根据轴承的RUL估算来考虑根据预测的健康因子获得的轴承的总体退化趋势，以应对该模型的高波动性和差鲁棒性。为此，本文提出了一种基于连续小波变换（CWT），三维卷积神经网络（3DCNN）模型和高斯过程回归（GPR）模型的轴承高精度剩余有效寿命估计方法。

试验方法

为了解决现有数据驱动的轴承剩余有效寿命估计方法面临的三个挑战，即TFR的处理，退化状态的时间依赖性以及预测的波动性和不确定性，本文提出了一种新颖的TFR-subsequence-3DCNN-GPR预测方法。所提出的模型使用时频表示子序列作为端到端轴承剩余有效寿命估计的输入，这是一个新尝试。然后，利用三维卷积神经网络模型（3DCNN）对不同的相邻时频表示子序列对应的健康因子进行建模。通过PRONOSTIA平台中收集的振动信号评估了所提方法的性能，所提出的模型通过同步提取数据的空间TFR信息和时间相关信息，表现出强大的轴承退化状态跟踪能力。此外，采用了高斯过程回归模型来估计轴承失效时间以及预测不确定性范围。通过推导未知点的健康因子值，可以将其直接用于估算轴承的剩余有效寿命。并以分布的平均值作为预测值，与其他预测方法相比，该模型对异常点和波动点具有更好的鲁棒性。与相同数据集上的其他最新研究的比较能够证明所提出的轴承剩余有效寿命估计方法在精度和鲁棒性上的优越性。这项研究为更全面的使用轴承振动信号中与退化相关的时空信息提供了新思路，可为含不确定度量的高精度剩余有效寿命预测提供理论借鉴。

结果

基于LSTM和RNN的预测模型相对应的预测标准差较大，这表明该模型的鲁棒性相对较差。这两个模型都直接使用原始振动信号作为网络的输入数据进行分析，难以有效提取与故障相关的复杂信息。基于CNN的方法直接使用TFR作为网络输入，并且在预测方面比LSTM和RNN模型具有更稳定的效果，这反映在误差的标准差较低的情况下。但是，基于CNN的模型的预测准确性并不理想。相比于其他几种对比方法而言，所提出的TFR-subsequence-3DCNN-GPR方法多角度考虑了数据的特征信息，包括TFR的空间特征信息和相邻TFR的时间相关性，并且有效地对HI进行了统计建模分析，获得了高精度的预测结果，并且在多工作条件下的RUL估计误差在5％以内，实验结果充分表明了所提方法的可行性和优越性。

结论

所提出的模型通过同步提取数据的空间TFR信息和相邻TFR的时间相关信息，表现出强大的轴承状态跟踪能力。此外，采用了高斯过程回归模型来估计轴承失效时间以及预测不确定性范围。通过推导未知点的健康因子值，可以将其直接用于估算轴承的剩余有效寿命。并以分布的平均值作为预测值，与其他预测方法相比，该模型对异常点和波动点具有更好的鲁棒性。这项研究为更全面的使用轴承振动信号中与退化相关的时空信息提供了新思路，可以为实现带有不确定度量的高精度剩余有效寿命预测提供理论借鉴。

前景与应用

这项研究为更全面的使用轴承振动信号中与退化相关的时空信息提供了新思路，可以为实现带有不确定度量的高精度剩余有效寿命预测提供理论借鉴。

相关文章/图书推荐

[1] Z. Chen, M. Wu, R. Zhao, F. Guretno, R. Yan and X. Li, "MachineRemaining Useful Life Prediction via an Attention-Based Deep LearningApproach," in IEEE Transactions on Industrial Electronics, vol. 68, no. 3,pp. 2521-2531, March 2021, doi: 10.1109/TIE.2020.2972443.

[2] C. Sun, M. Ma, Z. Zhao, S.Tian, R. Yan and X. Chen, "Deep Transfer Learning Based on SparseAutoencoder for Remaining Useful Life Prediction of Tool inManufacturing," in IEEE Transactions on Industrial Informatics, vol. 15,no. 4, pp. 2416-2425, April 2019, doi: 10.1109/TII.2018.2881543.

[3] N. Li, Y. Lei, T. Yan, N. Liand T. Han, "A Wiener-Process-Model-Based Method for Remaining Useful LifePrediction Considering Unit-to-Unit Variability," in IEEE Transactions onIndustrial Electronics, vol. 66, no. 3, pp. 2092-2101, March 2019, doi:10.1109/TIE.2018.2838078.

[4] M. Li, T. Wang, F. Chu, Q. Han,Z. Qin and M. Zuo, "Scaling-Basis Chirplet Transform," in IEEETransactions on Industrial Electronics, doi: 10.1109/TIE.2020.3013537.

[5] Q. Han, T. Wang, Z. Ding, X. Xuand F. Chu, "Magnetic Equivalent Modeling of Stator Currents for LocalizedFault Detection of Planetary Gearboxes Coupled to Electric Motors," inIEEE Transactions on Industrial Electronics, vol. 68, no. 3, pp. 2575-2586,March 2021, doi: 10.1109/TIE.2020.2973894.

团队带头人介绍

褚福磊，清华大学机械系长聘教授、国家杰出青年基金获得者、中国振动工程学会副理事长、中国振动工程学会故障诊断专业委员会主任委员、国际机构与机器科学联合会（IFToMM）转子动力学技术委员会委员、航空发动机与燃气轮机专项“结构强度与可靠性”领域专家组成员。牵头承担了国家863计划项目、国家自然科学基金重点项目等30余项课题的研究。获得国家自然科学二等奖1项、教育部自然科学奖一等奖1项、其它省部级科技奖励8项，获国际状态监测学会杰出贡献奖。近5年发表SCI论文百余篇，论文总他引万余次。

团队研究方向

清华大学机械动力学研究室在大型旋转机械非线性动力学、机械故障诊断技术、关键机械零部件设计和现代机械设计理论及方法等方面做了大量的研究工作，在理论上和工程实践上都积累了深厚的基础。曾先后承担了国家自然科学基金重点项目“燃气轮机转子系统在多场耦合作用下的非线性振动与控制”和“大型风电装备故障机理分析与诊断”、国防973项目“航空发动机振动控制”、航天863项目“基于动力学特性的航天发动机健康监控与故障诊断技术研究”、国家杰出青年科学基金“机械动力学”、863计划项目“水轮发电机组故障诊断与维修决策技术研究”，以及其它国家自然科学基金等科研课题，在大型旋转机械非线性动力学、机械故障与性能失效机理、信号处理与故障特征提取方法、高速旋转机械的轴密封、振动控制等方面取得了一些具有创新性的成果。在非线性转子动力学方面的成果曾获国家自然科学二等奖一项，在理论方法研究以及针对大型水轮发电机组和大型汽轮发电机组故障诊断与振动抑制技术应用方面的成果获省部级科技奖励5项。课题组现有教授2人，副教授3人、助理教授2人。

团队发表高影响力论文

[1] Q. Li, B. Weaver, F. Chu, and W. Wang, “A fast dampingratio identification method for rotating machinery based on the singular valueof a directional power spectra density function matrix,” J. Sound Vib.,vol. 488, 2020, doi: 10.1016/j.jsv.2020.115630.

[2] F. Zhang, J. Huang, F. Chu, and L. Cui, “Mechanism andmethod for the full-scale quantitative diagnosis of ball bearings with an innerrace fault,” J. Sound Vib., vol. 488, 2020, doi:10.1016/j.jsv.2020.115641.

[3] S. Sun, T. Wang, and F. Chu, “A generalized minimax-concavepenalty based compressive beamforming method for acoustic sourceidentification,” J. Sound Vib., vol. 500, pp. 116017, 2021, doi:10.1016/j.jsv.2021.116017.

[4] Q. Dai, Z. Qin, and F. Chu, “Parametric study of dampingcharacteristics of rotating laminated composite cylindrical shells using Haarwavelets,” Thin-Walled Struct., vol. 161, no. February, pp. 107500,2021, doi: 10.1016/j.tws.2021.107500.

[5] X. Xu, Q. Han, Z. Qin, and F. Chu, “Analytical methodsfor the radial electromagnetic vibration of stator in permanent magnet motorswith an amorphous alloy core,” Mech. Syst. Signal Process., vol. 145, pp.106909, 2020, doi: 10.1016/j.ymssp.2020.106909.

[6] Z. Zhao, F.Chu, and Y. Wei, “Atomistic scale behaviors of crack propagation innanocrystalline bcc iron,” Mater. Sci. Eng. A, vol. 809, no. February, pp.140948, 2021, doi: 10.1016/j.msea.2021.140948.

[7] Y. Kong, T.Wang, Z. Feng, and F. Chu, “Discriminative dictionary learning based sparserepresentation classification for intelligent fault identification of planetbearings in wind turbine,” Renew. Energy, vol. 152, pp. 754–769, 2020,doi: 10.1016/j.renene.2020.01.093.

[8] Q. Han andF. Chu, “Directional wind energy assessment of China based on nonparametriccopula models,” Renew. Energy, vol. 164, pp. 1334–1349, 2021, doi:10.1016/j.renene.2020.10.149.

[9] W. Gao, Z.Qin, and F. Chu, “Wave propagation in functionally graded porous platesreinforced with graphene platelets,” Aerosp. Sci. Technol., vol. 102, p.105860, 2020, doi: 10.1016/j.ast.2020.105860.

[10] W. Sun, Z.Ding, Z. Qin, F. Chu, and Q. Han, “Wind energy harvesting based on flutteringdouble-flag type triboelectric nanogenerators,” Nano Energy, vol. 70,no. January, pp. 104526, 2020, doi: 10.1016/j.nanoen.2020.104526.

[11] Q. Han, Z.Ding, W. Sun, X. Xu, and F. Chu, “Hybrid triboelectric-electromagneticgenerator for self-powered wind speed and direction detection,” Sustain.Energy Technol. Assessments, vol. 39, no. February, pp. 100717, 2020, doi:10.1016/j.seta.2020.100717.

[12] D. Zhao, L. Gelman, F. Chu, and A. Ball, “Vibrationhealth monitoring of rolling bearings under variable speed conditions by noveldemodulation technique,” Struct. Control Heal. Monit., vol. 28, no. 2,2021, doi: 10.1002/stc.2672.

[13] M. Li, T.Wang, F. Chu, Q. Han, Z. Qin, and M. Zuo, “Scaling-Basis Chirplet Transform,” IEEETrans. Ind. Electron., vol. 0046, no. c, 2020, doi:10.1109/TIE.2020.3013537.

[14] Y. Kong, T. Wang, F. Chu, Z. Feng, and I. Selesnick,“Discriminative Dictionary Learning-Based Sparse Classification Framework forData-Driven Machinery Fault Diagnosis,” IEEE Sens. J., vol. 21, no. 6,pp. 8117–8129, 2021, doi: 10.1109/JSEN.2021.3049953.

[15] Z. Zhao, F. Chu, and Y. Wei, “Atomistic scale behaviorsof crack propagation in nanocrystalline bcc iron,” Mater. Sci. Eng. A,vol. 809, no. February, pp. 140948, 2021, doi: 10.1016/j.msea.2021.140948.

[16] Y. Liu, Z. Qin, and F. Chu, “Nonlinear forced vibrationsof FGM sandwich cylindrical shells with porosities on an elastic substrate,” NonlinearDyn., vol. 7, 2021, doi: 10.1007/s11071-021-06358-7.

[17] Q. Han, T. Wang, Z. Ding, X.Xu, and F. Chu, “Magnetic Equivalent Modeling of Stator Currents for LocalizedFault Detection of Planetary Gearboxes Coupled to Electric Motors,” IEEETrans. Ind. Electron., vol. 68, no. 3, pp. 2575–2586, 2021, doi:10.1109/TIE.2020.2973894.

[18] X. Wang, T. Wang, A. Ming, W.Zhang, A. Li, and F. Chu, “Cross-Operating Condition Degradation KnowledgeLearning for Remaining Useful Life Estimation of Bearings,” IEEE Trans.Instrum. Meas., vol. 70, pp. 1–11, 2021, doi: 10.1109/tim.2021.3091461.

[19] X. Wang, T. Wang, A. Ming, W.Zhang, A. Li, and F. Chu, “Spatiotemporal non-negative projected convolutionalnetwork with bidirectional NMF and 3DCNN for remaining useful life estimationof bearings,” Neurocomputing, vol. 450, pp. 294–310, 2021, doi:10.1016/j.neucom.2021.04.048.

[20] M. Li, T. Wang, Y. Kong and F. Chu,"Synchro-Reassigning Transform for Instantaneous Frequency Estimation andSignal Reconstruction," IEEE Trans. Ind. Electron., doi:10.1109/TIE.2021.3100927.

实验室特色

清华大学机械工程系拥有各类转子试验台、航天模拟实验器及先进振动、噪声信号采集处理仪器。试验台包括：航空发动机盘鼓式转子实验台、滚动轴承试验台、转子裂纹、碰摩故障实验台、故障仿真器和风电齿轮箱试验台。测试仪器包括BBM噪声振动测试分析系统、PAC声发射采集系统和EEC-2005智能多功能电磁、超声检测系统等。实验室在机械动力学、机械故障诊断技术、机械设计理论与方法方面具有丰富的研究经验和良好的实验条件，为相关课题研究提供了较好的工作条件。

更多详细内容请点击文后阅读原文获取。

编辑：恽海艳校对：向映姣

寻觅合作伙伴

有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。

感谢关注我们！《机械工程学报》编辑部将努力为您打造一个有态度、有深度、有温度的学术媒体！

推荐阅读

最新 | 机械工程领域SCI期刊一览(2020JCR)

CJME最新SCI影响因子1.936

Normal force and sag resistance of pipe conveyor | CJME论文推荐

数据驱动制造过程中的数据监测与分析 | CJME论文推荐

仿生抗固体颗粒冲蚀材料研究进展：学习自然，超越自然 | CJME论文推荐

具有高(220)择优取向的纳米颗粒增强型镍基复合镀层的高效制备 | CJME论文推荐