基于多尺度特征提取的滚动轴承剩余使用寿命预测方法研究
1.引言
随着智能制造和工业4.0时代的到来，工业设备系统的自动化程度和复杂性日益提高。在智能制造领域，剩余使用寿命预测是预测性维护的重要一环。滚动轴承作为旋转机械中的关键零部件，其运行状态直接影响到整个设备系统的效率和安全性。因此，对滚动轴承剩余使用寿命（Remaining Useful Life, RUL）的准确预测成为了预测性维护领域的重要研究方向(missing reference)。近年来，深度学习理论在数据处理和特征提取方面展现出了巨大潜力，为滚动轴承RUL预测提供了新的思路和技术手段。
2.研究意义
轴承：工业设备的心脏
滚动轴承，是应用广泛的旋转机械的支撑部件，也是易损零件之一，作为工业生产线中旋转机械的关键零部件，其性能直接关系到整个设备的运行效率与安全，严重的甚至会引发巨大的安全事故。据统计，约有45%-55%的旋转机械故障是由轴承问题引起的。因此，对轴承的健康状况进行实时监测，并准确预测其剩余使用寿命，对于避免设备故障、减少停机时间、提高生产效率具有重要意义。特别是在大数据和人工智能快速发展的背景下，基于数据驱动的滚动轴承RUL预测方法成为研究热点。轴承故障位置如图1所示。
图1 轴承故障位置
3.国内外研究现状
RUL预测方法根据其基本技术和方法分为以下两类，即基于物理模型的方法、基于数据驱动的方法。
1. 基于物理模型的方法
传统的滚动轴承RUL预测方法多依赖于物理模型，即通过建立设备的退化过程或失效机制的数学模型来预测RUL。这种方法需要深厚的物理背景知识和丰富的领域专家经验，且模型的建立和验证过程复杂，难以适应不同工况下的应用需求。简单来说：需要针对不同的机器还有不同的环境建立不同模型，不灵活，而且如果机械设备还有环境复杂的情况下，是很难建立一个完全合适的模型的。
2. 基于数据驱动的方法
随着传感器技术和大数据技术的发展，基于数据驱动的滚动轴承RUL预测方法逐渐成为研究主流。这类方法尝试利用人工智能技术从现有的观测数据中学习机械退化模式而不是建立物理模型，利用传感器采集的振动、温度等信号，通过信号处理、特征提取和机器学习等技术，建立RUL预测模型，它们能够处理难以用物理模型描述的复杂的机械系统预测问题。根据使用的机器学习算法不同，基于数据驱动的方法又可分为传统机器学习和深度学习两大类。
（1）传统机器学习
传统机器学习算法如支持向量机（SVM）、自回归移动平均（ARMA）等，在滚动轴承RUL预测中得到了广泛应用。然而，这些方法需要手动选择特征，且学习能力有限，难以处理非线性数据和复杂工况下的变化，也不适应数据量复杂的情况。
（2）深度学习
深度学习常被解释为“黑箱模型”，它以其强大的特征自提取能力和非线性数据处理能力，在滚动轴承RUL预测中展现出了显著优势。其中，卷积神经网络（CNN）和循环神经网络（RNN）及其变体（LSTM、GRU）等模型尤为常用。
4.我们的探索：基于多尺度特征提取的RUL预测
鉴于滚动轴承退化过程中多尺度特征的重要性，近年来研究者们提出了多种多尺度特征提取方法。这些方法不仅结合了CNN和RNN的优点，还引入了注意力机制等新技术，以提高预测模型的精度和泛化能力。然而，如何从长期历史信号中提取有效的时间特征，以及如何在多变的工况下提高模型的泛化能力，仍是当前研究的热点问题。例如，Li[1]等人采用具有不同卷积核的并行分支来提取原始数据中的多尺度特征；Zeng(missing reference)等人提出了一种结合注意力机制和多尺度特征融合策略的LSTM网络；Wang[2]等人则提出了基于多尺度卷积注意力网络的RUL预测模型，通过注意力机制加强了对重要特征通道的关注度。
- 卷积神经网络（CNN）：CNN通过局部感受野和权重共享策略，有效降低了模型训练的计算负担。然而，传统的CNN通常采用固定大小的卷积核进行特征提取，难以适应滚动轴承退化过程中多尺度特征的变化。因此，研究人员提出了多尺度CNN模型，通过不同尺度的卷积核来提取多尺度特征，提高预测精度。
- 循环神经网络（RNN）及其变体：RNN及其变体（LSTM、GRU）擅长处理时序数据，能够捕捉时间序列中的时间依赖关系。然而，它们在处理长序列数据时容易出现梯度消失或梯度爆炸的问题。因此，结合注意力机制（Attention Mechanism）的RNN模型被提出，以获取长程依赖关系，提高预测性能。
参考文献
- [1]R. Wang, R. Shi, X. Hu, and C. Shen, “Remaining useful life prediction of rolling bearings based on multiscale convolutional neural network with integrated dilated convolution blocks,” Shock and Vibration, vol. 2021, no. 1, p. 6616861, 2021.
- [2]H. Li, W. Zhao, Y. Zhang, and E. Zio, “Remaining useful life prediction using multi-scale deep convolutional neural network,” Applied Soft Computing, vol. 89, p. 106113, 2020.