利用多状态迁移学习和多相控制图预测机械组件剩余使用寿命

《Knowledge-Based Systems》：Remaining useful life prediction of mechanical components using multistate transfer learning and multiphase control charts

　　段朝群|郭一帆|郭康豪|刘福强|蒲华彦|罗军
上海大学机电工程与自动化学院，上海200444，中国

**摘要**
准确预测剩余使用寿命（RUL）对于实现预测性维护和确保机械设备的安全高效运行至关重要。然而，现有的研究工作通常采用单状态预测模型来进行RUL预测，没有考虑不同老化阶段退化行为的变化，这可能无法充分捕捉退化过程的本质多相特征。为此，我们提出了一种基于多状态迁移学习和多相控制图的RUL预测方法，适用于在各种运行条件下的机械部件。针对部件退化的阶段特性，首先提出了一种多相自回归（MPAR）模型来描述退化行为，并基于该模型开发了多相控制图以动态识别每个退化阶段。在此基础上，提出了一种利用深度相关对齐的多状态迁移学习方法，在不同运行条件下进行RUL预测，其中引入了多尺度加权卷积神经网络（MSWCNN）来学习阶段依赖的退化特征，从而实现跨条件适应。最后，提出了一个由多相控制图的过渡机制驱动的预测框架，用于逐阶段预测机械部件的RUL。在两个数据集上的实验表明，与最近发表的方法相比，所提出的方法分别将预测误差降低了64.8%和64.3%，证明了该模型的有效性和优越性。

**引言**
随着先进传感技术的发展，预测性与健康管理（PHM）已广泛应用于航空航天、能源和机械工程等多个领域[[1], [2], [3]]。PHM的一个基本要素是RUL的预测，即根据当前和历史数据估计系统或部件在故障前可以继续运行的时间[[4]]。准确的RUL预测有助于进行主动维护规划，减少停机时间，优化资源分配，并防止意外故障。这一关键功能使得RUL预测成为学术界和工业界的研究重点，尤其是在系统安全和可靠性方面[[5], [6]]。

目前，机械部件的RUL预测方法主要有两种：基于物理原理的方法和数据驱动的方法[[7], [8], [9]]。基于物理原理的方法通过物理退化模型来表达部件的退化信息。然而，由于为复杂的机械系统建立物理退化模型存在难度，这些方法在大多数实际应用中的适用性有限[[10], [11], [12]]。数据驱动的方法主要从机械部件的整个生命周期内的历史监测数据中学习退化特征。近年来，包括卷积神经网络（CNN）[13]、长短期记忆（LSTM）[14]、门控循环单元（GRU）[15]在内的深度学习方法在RUL预测中引起了广泛关注。郭等人[16]将CNN与双向长短期记忆（BiLSTM）网络结合用于滚动轴承的RUL预测；苗等人[3]提出了一种基于双卷积注意力机制的CNN模型来预测航空发动机的RUL；徐等人[17]提出了一种并行1D-CNN模型来预测涡轮发动机的RUL。深度学习方法能够捕捉复杂的退化模式，但由于数据分布和运行条件的差异，它们的泛化能力在跨领域场景中往往受到影响。迁移学习通过将源领域的知识转移到目标领域（具有不同运行环境）来改善在不同条件下的RUL预测[[18]]。Siahpour等人[19]提出了一种基于域对抗网络的深度迁移学习方法，在目标领域数据不完整的情况下预测轴承的平均剩余寿命；曹等人[20]提出了一种基于双向门控循环单元（BiGRU）的迁移学习方法来估计不同运行条件下轴承的RUL；Costa等人[21]提出了一种基于LSTM域适应网络的迁移学习方法来预测具有不同故障模式和运行条件的涡扇发动机的RUL；夏等人[22]提出了一种基于域条件不变性和特定解耦网络的模型来应对轴承RUL预测中的跨机器分布变化问题；曹等人[23]提出了一种基于BiGRU的迁移学习方法，用于在不同运行条件下准确预测轴承的RUL；张等人[24]利用深度表示对齐策略，在源数据和目标数据处于不同运行状态时预测航空发动机的RUL。尽管已经提出了许多用于不同运行条件下RUL预测的迁移学习方法，但大多数方法忽略了在不同老化阶段演变的阶段特定退化行为。此外，这些基于人工智能（AI）的方法提取的退化特征往往缺乏对工程部件实际退化行为的清晰物理解释。

**统计方法**
统计方法通过使用数学模型来描述工业系统的退化行为，提供了解释性强的解决方案[[25]]。现有研究通常使用各种随机过程模型来描述RUL预测的退化路径，例如自回归（AR）模型[26]、维纳过程[27]、伽马过程[28]、逆高斯过程[29]、马尔可夫过程[30]、比例危险模型等。汤等人[31]提出了一种结合老化效应的AR模型来描述激光设备的退化过程并预测其RUL；李等人[27]开发了一种基于年龄和状态的维纳过程模型来预测涡扇发动机的RUL；Limon等人[32]使用基于状态的监测数据通过伽马过程对退化行为进行建模，并提出了一种贝叶斯推理方法来更新模型参数以进行RUL预测；张等人[33]提出了一种基于逆高斯过程的混合方法来预测切削工具的RUL；李等人[34]提出了一种改进的隐马尔可夫模型，用于在不同切割参数下监测刀具磨损状态。对于机械系统的健康监测，还开发了其他统计方法。段等人[35]提出了一种贝叶斯控制图，用于在离散多变量观测下监测部分观测到的机器的不健康状态。为了监测退化过程，刘等人[36]使用了一种结合累积和图与LSTM的混合模型来识别滚动轴承的退化阶段。然而，这些现有方法面临着两个关键限制，阻碍了它们在现实系统中的直接应用：首先，统计方法和基于AI的方法通常独立使用，将整个数据集视为单一的退化过程，忽略了不同退化阶段的独特特性；其次，它们通常假设运行条件恒定，没有考虑实际应用中不同退化阶段经常出现的变化工作环境。

**本文的动机**
鉴于模拟阶段特定退化和跨领域泛化的挑战，本文提出了一种基于统计控制图的多状态迁移学习方法，用于在多种运行条件和退化阶段下预测机械部件的RUL。首先使用MPAR模型对不同退化阶段进行表征，并开发相应的多相控制图来动态识别每个阶段。在此基础上，引入了基于深度相关对齐的迁移学习模型和MSWCNN，以在不同运行条件下提取阶段依赖的、可迁移的特征进行RUL预测。建立了预测框架，以逐阶段预测机械部件的RUL，捕捉阶段特定的退化行为，并为跨领域场景下的部件老化提供可理解的洞察。主要贡献如下：
1. 提出了一种MPAR模型来描述具有不同退化阶段的机械部件的退化行为，其中考虑了多相退化现象以捕捉多样化的退化模式。
2. 开发了一种基于多相MPAR模型的多相控制图，用于识别机械部件的不同退化阶段，并提出了一个状态转换机制来实现控制过程中的相位转换。
3. 提出了一种使用多状态加权卷积神经网络的多状态迁移学习模型，根据不同的退化阶段预测机械系统的RUL，并提出了联合特征对齐方法来更新每个退化阶段的迁移学习过程。
4. 提出了一个由多相控制图的过渡机制驱动的预测框架，用于逐阶段预测机械部件的RUL。

**本文的结构**
第2节介绍多相控制图；第3节详细阐述了基于所提出的多相控制图的多状态迁移学习框架；第4节展示了实验验证和相应分析；第5节对本文进行总结。

**数据集描述**
在本节中，我们使用公开数据集XJTU-SY来评估所提出方法的性能。实验设备如图6所示，测试轴承为LDK UER204滚动轴承。在轴承座上水平和垂直安装了两个加速度计，用于收集振动信号。这些信号每分钟收集一次，采样频率为25.6 kHz，每次记录的采样持续时间为1.28秒。实验在特定条件下进行。

**结论**
本文提出了一种将多相控制图与多状态迁移学习结合的预测方法，用于解决在不同运行条件下机械部件剩余使用寿命预测的挑战。使用MPAR模型对阶段特定退化行为进行建模，并构建相应的多相控制图来准确识别整个部件生命周期中的不同退化阶段。随后，提出了一种多状态加权...

**作者贡献声明**
段朝群：概念化、方法论。
郭一帆：研究、数据整理、软件开发。
郭康豪：正式分析、数据整理。
刘福强：研究。
蒲华彦：研究。
罗军：资源支持。

**利益冲突声明**
作者声明他们没有已知的可能影响本文工作的竞争财务利益或个人关系。

**致谢**
本研究得到了国家自然科学基金（项目编号62033001和52375106）的支持。