|
引文格式：
Kara A. Multi-scale deep neural network approach with attention mechanism for remaining useful life estimation[J]. Computers & Industrial Engineering, 2022, 169: 108211.
Kara, Ahmet. "Multi-scale deep neural network approach with attention mechanism for remaining useful life estimation." Computers & Industrial Engineering 169 (2022): 108211.
Kara, A. (2022). Multi-scale deep neural network approach with attention mechanism for remaining useful life estimation. Computers & Industrial Engineering, 169, 108211.
背景简介
随着复杂制造系统的发展，预测和健康管理（PHM）成为了现代工业的核心任务，并对有效的预测和PHM提出了极大的需求。PHM技术能够防止意外故障，降低维护成本，提高系统可靠性，其中剩余使用寿命（RUL）的预测在PHM中逐渐受到重视。
针对RUL预测的方法可分为基于模型的技术、数据驱动技术以及混合技术三种。基于模型的方法是利用机器的退化信息建立数学模型，然而基于模型的方法针对噪声环境难以精确建模，在具有不确定性的退化过程中准确预测RUL的能力有限。数据驱动方法则是利用与退化过程相关的状态监测数据来辨识优势特征。混合方法试图利用上述两种方法进行预测，但在准确可靠的RUL预测方面仍存在一些困难。近年来，随着多传感器和数据分析技术的发展，数据驱动方法在寿命预测领域得到了广泛应用。因此，本研究提出了一种基于多尺度神经网络结构的数据驱动方法，以实现有效可靠的RUL预测。
成果介绍
（1）提出了一种基于多尺度网络结构的数据驱动方法MCA-BGRU（多尺度CNN注意力和双向GRU），该方法结合了多尺度卷积神经网络（CNN）、双向门控递归单元（BGRU）、多头自注意力（MHSA）机制和全连接层。MCA-BGRU第一部分由多尺度CNN模块组成，能够从故障数据中提取非线性和复杂特征；第二部分采用多头自注意力（MHSA）机制分析多尺度CNN模块捕获的高级特征的判别信息；随后构建双向门控递归单元（BGRU）层，通过学习捕获特征之间的时间模式来实现预测；最后，利用有效提取的模式，通过全连接层执行RUL预测（图1）。
.jpg)
图1 MCA-BGRU方法流程图
（2）利用美国国家航空航天局（NASA）开发的涡扇发动机退化数据集，验证MCA-BGRU方法的准确性。该数据集由4个子数据集组成，按不同的操作设置和故障类型进行分类。每个子数据集都包含一个训练数据集、一个测试数据集和一个真实 RUL 数据集。实验研究中，将FD001（第一个子数据集）的整个训练子集作为MCA-BGRU方法的训练集进行训练。同时测试子集按涡轮风扇发动机的循环次数分组，分析具有各种运行周期的涡轮风扇发动机的MCA-BGRU的RUL预测精度。结果表明，采用MCA-BGRU方法预测的RUL能够准确追踪测试发动机的真实RUL。所提方法在RUL值较低的测试发动机中实现了更准确、更灵敏的预后预测性能（图2）。
.jpg)
图2 FD001数据子集中测试发动机的RUL预测结果
（3）为了验证MCA-BGRU在发动机整个生命周期内的预测效率，分析了四个不同测试发动机单元全生命周期的预测和实际RUL值，其发动机单元分别为34、58、81和100。分析结果表明所提出的方法能够准确预测全生命周期内的RUL值。第一阶段预测的RUL值接近校正后的RUL值，并且预测误差在退化的最后阶段逐渐减小，同时预测的准确性随着发动机单元接近劣化而提高。最后阶段的RUL预测精度能够保证机械的安全性和有效性，提出的MCA-BGRU方法能够在最后阶段提供更准确的预后预测（图3）。
.jpg)
图3 不同测试发动机单元的RUL预测结果
（4）为了评估MCA-BGRU的性能，在FD001的测试数据上，使用不同的深度神经网络方法进行比较实验，测试方法包括深度神经网络（DNN），长短期记忆人工神经网络（LSTM）和CNN-GRU。表1展示了FD001数据子集中不同方法的预测性能。与基准方法（DNN、LSTM、CNN-GRU）相比，MCA-BGRU方法具有更好的预测结果，其均方根误差（RMSE）和评分值分别为12.44和211.46，低于基准方法。尤其是当RUL被高估时，所提出的方法显著提高了与评分标准相关的预测性能。与LSTM和CNN-GRU相比，MCA-BGRU方法的评分值分别提高了29.58%和38.9%。
在Test-2和Test-4数据集中MCA-BGRU和基准方法获得的RMSE和评分值如图4（a）和（b）所示。MCA-BGRU方法在RMSE和评分值方面都优于其他基准方法，并且机械系统的退化行为通常可以在不同情况下检测到。与DNN，LSTM和CNN-BGRU相比，MCA-BGRU在Test-4子数据集中的RMSE标准上分别提高了13.49%，5.62%和8.71%的预测精度。此外，所提出的方法在Test-4子数据集中的评分值分别降低了29.97%，12.66%和18.86%。另一方面，其他模型的 RUL 预测准确性较差。因此，与基准方法相比，MCA-BGRU方法能够得到更准确和可靠的预测结果。
表1 FD001数据子集中不同预测方法的性能比较
.png)
.jpg)
图4 Test-2和Test-4数据集的RUL预测结果；（a）RMSE值，（b）评分值
本文通讯作者：Kara A（Department of Industrial Engineering, Hitit University, Çorum, Turkey）。
本期小编：程 航（整理）
徐浩波（校对）
王康康（审核）
闵 琳（发布）
|