基于無監(jiān)督遷移學(xué)習(xí)的電梯制動(dòng)器剩余壽命預(yù)測

姜宇迪，胡 暉，殷躍紅

(上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院，上海 200240)

電梯制動(dòng)器是電梯的重要安全裝置，其性能衰減將直接影響電梯的運(yùn)行安全[1-4].目前，電梯制動(dòng)器壽命預(yù)測多采用傳統(tǒng)的機(jī)器學(xué)習(xí)法[4-5]，即根據(jù)全生命周期的標(biāo)注數(shù)據(jù)學(xué)習(xí)回歸算法并進(jìn)行預(yù)測分析[6-7].然而，電梯制動(dòng)器作為高可靠性設(shè)備，其衰退周期長，全生命周期下的大量標(biāo)注數(shù)據(jù)不易被采集，從而嚴(yán)重限制了傳統(tǒng)機(jī)器學(xué)習(xí)方法的壽命預(yù)測效果.因此，需要探索能夠得到大量電梯制動(dòng)器衰退數(shù)據(jù)并進(jìn)行剩余生命周期(RUL)精確預(yù)測的新方法.利用實(shí)驗(yàn)室樣機(jī)仿真加速電梯制動(dòng)器衰變的方法可以采集到大量標(biāo)注數(shù)據(jù)，但所得仿真數(shù)據(jù)與在真實(shí)工作環(huán)境中得到的數(shù)據(jù)存在明顯分布差異，會(huì)影響預(yù)測算法的結(jié)果.因此，如何遷移運(yùn)用不同類型的大數(shù)據(jù)是算法研究的關(guān)鍵.

遷移學(xué)習(xí)[8]是一種機(jī)器學(xué)習(xí)新方法，其將仿真數(shù)據(jù)集定義為源領(lǐng)域，將真實(shí)工作環(huán)境中的數(shù)據(jù)集定義為目標(biāo)領(lǐng)域[8-9]，以減少分布差異對預(yù)測結(jié)果的影響，從而提高算法的精度[10-13].在工業(yè)設(shè)備的應(yīng)用方面，基于遷移學(xué)習(xí)的壽命預(yù)測和故障診斷算法尚不成熟.Sun等[14]利用稀疏自編碼和Kullback-Leibler (KL)散度實(shí)現(xiàn)了對機(jī)器工具的壽命預(yù)測.Jia 等[15]利用基于域自適應(yīng)的深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了在不同噪聲環(huán)境下軸承的故障診斷.Zhang等[16]提出通過快速傅里葉變換的方法將頻譜數(shù)據(jù)映射到子空間，并利用子空間對齊的方式實(shí)現(xiàn)不同工況下軸承的故障分析.以上方法利用遷移學(xué)習(xí)將源領(lǐng)域與目標(biāo)領(lǐng)域的數(shù)據(jù)在特征空間進(jìn)行對齊，可以實(shí)現(xiàn)不同工況下設(shè)備的高精度RUL預(yù)測.但以上算法針對不同型號設(shè)備的預(yù)測效果卻不佳，且其中的特征提取器并未考慮傳感器數(shù)據(jù)在時(shí)間序列上產(chǎn)生的異常情況.此外，在訓(xùn)練過程中，將特征提取器和回歸網(wǎng)絡(luò)聯(lián)合訓(xùn)練導(dǎo)致了對同一型號設(shè)備的過擬合，從而直接影響最終預(yù)測結(jié)果.

針對上述問題，提出一種基于映射的無監(jiān)督深度遷移學(xué)習(xí)(UDTL)法，利用仿真制動(dòng)器的訓(xùn)練網(wǎng)絡(luò)判定實(shí)際制動(dòng)器的健康狀態(tài)，從而對真實(shí)工作環(huán)境中電梯制動(dòng)器的RUL進(jìn)行精準(zhǔn)預(yù)測.該方法借助長短期記憶網(wǎng)絡(luò)自編碼器(LSTM-ED)實(shí)現(xiàn)對原始數(shù)據(jù)的特征提取.其根據(jù)健康數(shù)據(jù)訓(xùn)練模型，將網(wǎng)絡(luò)重構(gòu)序列與原始序列的差方序列作為特征序列，因此特征領(lǐng)域?qū)嶋H是傳感器數(shù)據(jù)在時(shí)間序列上異常值的數(shù)據(jù)表征，從而保證了不同設(shè)備在特征領(lǐng)域中均具有一定的相似性；結(jié)合最大平均差異實(shí)現(xiàn)仿真數(shù)據(jù)與實(shí)際制動(dòng)器數(shù)據(jù)在特征領(lǐng)域的再次對齊，從而保證兩者在特征序列上的一致性，提高預(yù)測精度.同時(shí)，用分步訓(xùn)練法代替?zhèn)鹘y(tǒng)的聯(lián)合訓(xùn)練法.在預(yù)測過程中，提出在線微調(diào)的方法，利用得到的新數(shù)據(jù)逐步更新特征提取器，從而實(shí)現(xiàn)對新設(shè)備的高精度壽命預(yù)測.

1 制動(dòng)器失效成因分析

在電梯運(yùn)行過程中，制動(dòng)器的主要制動(dòng)工作模式如下：當(dāng)電梯轎廂到達(dá)需停站時(shí)，曳引機(jī)根據(jù)設(shè)定好的程序減速至極低的轉(zhuǎn)速，同時(shí)電磁線圈斷電.在彈簧壓力作用下，閘瓦再次抱緊制動(dòng)輪，并利用摩擦片的摩擦力制停曳引機(jī).

根據(jù)電梯的工作模式進(jìn)行制動(dòng)器失效分析(見圖1).可知，電梯在運(yùn)行過程中出現(xiàn)制動(dòng)衰退的原因主要為制動(dòng)力矩過小、制動(dòng)器氣隙和制動(dòng)距離過大以及摩擦片磨損.在設(shè)計(jì)過程中，本文選用的電梯制動(dòng)器符合設(shè)計(jì)指標(biāo)，即初始條件下制動(dòng)器氣隙、制動(dòng)距離、摩擦噪聲和制動(dòng)力均為正常值.但在長期運(yùn)行過程中，制動(dòng)瓦片磨損會(huì)增大制動(dòng)器氣隙，摩擦噪聲會(huì)隨摩擦系數(shù)減小而增大，制動(dòng)力減小，制動(dòng)距離隨之增大.根據(jù)具體失效原因，將制動(dòng)器間隙、編碼器讀數(shù)、摩擦噪聲和制動(dòng)加速度作為原始數(shù)據(jù)，進(jìn)行制動(dòng)器壽命預(yù)測算法分析與試驗(yàn).

圖1 制動(dòng)器失效分析Fig.1 Failure analysis of brake

2 基于LSTM-ED的剩余生命周期預(yù)測算法

根據(jù)電梯制動(dòng)器制動(dòng)衰退的成因，提出一種基于LSTM-ED的剩余生命周期預(yù)測算法.利用長短期記憶(LSTM)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行重構(gòu)處理，將重構(gòu)誤差作為數(shù)據(jù)的特征序列，通過非線性的全連接層將特征序列映射成剩余生命周期，并利用真實(shí)剩余生命周期對回歸模型進(jìn)行訓(xùn)練.不同于典型的遷移學(xué)習(xí)方法，以 LSTM-ED為特征提取器可以直接將傳感器數(shù)據(jù)在時(shí)間軸上的異常反映在特征領(lǐng)域上，LSTM-ED可以根據(jù)不同設(shè)備的初始狀態(tài)進(jìn)行微調(diào)，因此特征領(lǐng)域具備對不同型號設(shè)備的泛化性.

2.1 LSTM 網(wǎng)絡(luò)單元

LSTM網(wǎng)絡(luò)單元是一種循環(huán)單元，其通過輸入層、上一時(shí)刻的隱藏層和記憶細(xì)胞層計(jì)算當(dāng)前時(shí)刻的隱藏層.該單元結(jié)合了記憶細(xì)胞層、輸入門、忘記門和輸出門，能夠決定是否需要使用輸入門記住輸入，何時(shí)需要使用忘記門保留記憶，以及何時(shí)需要使用輸出門輸出記憶.為便于表示，將Tn1,n2:Rn1→Rn2表示為矩陣W和適當(dāng)維度的矢量b做運(yùn)算z→Wz+b.在t時(shí)刻的輸入門(it)、忘記門(ft)、輸出門(ot)、隱藏層(at)和記憶細(xì)胞層(ct)，由輸入層(xt)和上一時(shí)刻的隱藏層(at-1)以及記憶細(xì)胞值(ct-1)計(jì)算得到：

(1)

ct=ftct-1+itgt

(2)

at=ottanh(ct)

(3)

式中：gt為新的記憶細(xì)胞候選值；m為輸入維度；n為隱藏層維度；σ(x)和tanh(x)可以表示為

tanh(x)=2σ(2x)-1

其中：x為任意變量.4個(gè)變量的推導(dǎo)公式可以由以上簡化矩陣符號得到，如

it=σ(W1xt+W2at-1+bi)

不再贅述.

2.2 重構(gòu)模型

自編碼(ED)重構(gòu)模型可以通過網(wǎng)絡(luò)輸出與輸入向量維度相同的向量，因此可以檢測輸入數(shù)據(jù)中的異常值.利用自編碼的異常值檢測特性，將健康狀態(tài)下的數(shù)據(jù)重構(gòu)誤差最小化以提取傳感器數(shù)據(jù)中的異常值特征，從而提高預(yù)測精度.

圖2 LSTM-ED重構(gòu)原理Fig.2 Reconstruction principle of LSTM-ED

各個(gè)時(shí)刻的重構(gòu)誤差為

(4)

將損失函數(shù)優(yōu)化至規(guī)定的閾值以下得到更新后的LSTM-ED網(wǎng)絡(luò)，則新網(wǎng)絡(luò)可以重構(gòu)出健康狀態(tài)下的傳感器數(shù)據(jù).當(dāng)設(shè)備制動(dòng)衰減時(shí)，傳感器數(shù)據(jù)會(huì)隨機(jī)產(chǎn)生異常值，導(dǎo)致重構(gòu)序列與原始序列之間會(huì)存在較大差異，因此需要將X′u與Xu的各元素進(jìn)行方差處理：

2.3 基于全連接神經(jīng)網(wǎng)絡(luò)的回歸算法

(5)

(6)

式中：Rt為真實(shí)壽命.

3 無監(jiān)督的深度遷移學(xué)習(xí)

在實(shí)際預(yù)測過程中，通常僅有少量初始狀態(tài)為有標(biāo)注的數(shù)據(jù)和無標(biāo)定的數(shù)據(jù)，因此將訓(xùn)練好的網(wǎng)絡(luò)運(yùn)用到新設(shè)備上并對其進(jìn)行預(yù)測具有一定挑戰(zhàn)性.對此，提出一種無監(jiān)督的深度遷移學(xué)習(xí)法.

3.1 相關(guān)概念

在UDTL中，假設(shè)在源領(lǐng)域內(nèi)均為有標(biāo)注的數(shù)據(jù)，則源領(lǐng)域?yàn)?/p>

(7)

此外，假設(shè)在目標(biāo)領(lǐng)域內(nèi)標(biāo)簽是不可得的，則目標(biāo)領(lǐng)域?yàn)?/p>

(8)

源領(lǐng)域和目標(biāo)領(lǐng)域分別遵循概率分布P和Q.由于源領(lǐng)域和目標(biāo)領(lǐng)域的傳感器數(shù)據(jù)分別于不同的電梯制動(dòng)器設(shè)備中采集得到，所以這些數(shù)據(jù)存在嚴(yán)重的分布差異，導(dǎo)致2.2節(jié)中的智能診斷模型不再適用.對此，利用UDTL減少源領(lǐng)域和目標(biāo)領(lǐng)域之間的特征分布誤差，從而在目標(biāo)領(lǐng)域內(nèi)實(shí)現(xiàn)準(zhǔn)確的壽命預(yù)測.

3.2 最大平均差異

最大平均差異(MMD)是一種用于測量兩個(gè)數(shù)據(jù)集之間分布差異的非參數(shù)距離度量，當(dāng)兩個(gè)樣本的MMD距離足夠小時(shí)，可以認(rèn)為分布相同.當(dāng)Xs和Xt分別遵循概率分布P和Q時(shí)，兩個(gè)數(shù)據(jù)集之間的MMD距離為

DH(Xs，Xt)=

(9)

式中：sup(·)為輸入聚合的上確界；H表示再生核Hilbert空間(RKHS)；φ(·)為從原始特征空間到RKHS的非線性映射；E(·)為數(shù)學(xué)期望.通過對RKHS的非線性映射，評估兩個(gè)數(shù)據(jù)集分布之間的相似程度.由式(9)進(jìn)一步運(yùn)算得到

(10)

式中：k(·,·)為特征核函數(shù).線性核函數(shù)、多項(xiàng)式核函數(shù)和高斯核函數(shù)為常用的核函數(shù)，而高斯核函數(shù)可以實(shí)現(xiàn)非線性映射且對于多維數(shù)據(jù)的計(jì)算量較小，因此選擇高斯核函數(shù)進(jìn)行運(yùn)算，即

式中：σ為速度參數(shù)，σ越大，則高斯核函數(shù)的局部影響范圍越大.本文選取σ=5.

3.3 深度遷移學(xué)習(xí)

3.3.1權(quán)重遷移 在源領(lǐng)域內(nèi)的LSTM-ED深度特征提取網(wǎng)絡(luò)中提取訓(xùn)練好的權(quán)重和偏置，并直接遷移至目標(biāo)領(lǐng)域中的新LSTM-ED網(wǎng)絡(luò)中，將其作為新深度特征提取網(wǎng)絡(luò)的初始權(quán)重和偏置：

(11)

(12)

3.3.2特征遷移 經(jīng)權(quán)重遷移后，Xt可以通過新的LSTM-ED提取特征

Ht=L(Xt)

其中：L(·)為LSTM-ED的處理函數(shù)；Ht為目標(biāo)領(lǐng)域的特征序列.因此，源領(lǐng)域的特征序列(Hs)與Ht的遷移誤差(LMDD)可由MMD標(biāo)量表示為

(13)

特征遷移使得目標(biāo)領(lǐng)域與源領(lǐng)域的特征序列分布一致，因此由源領(lǐng)域數(shù)據(jù)的先驗(yàn)知識訓(xùn)練得到的回歸預(yù)測全連接網(wǎng)絡(luò)可以直接作用于新目標(biāo)特征序列上，從而得到高精度的預(yù)測結(jié)果.

4 算法訓(xùn)練和預(yù)測過程

遷移學(xué)習(xí)算法的整體框圖如圖3所示.算法的損失函數(shù)為

圖3 遷移學(xué)習(xí)算法框圖Fig.3 Overall block diagram of transfer learning

L=αLrec+βLMMD+γLR

(14)

式中：α、β和γ為3個(gè)損失函數(shù)的修正系數(shù).

典型的遷移學(xué)習(xí)多采用將目標(biāo)領(lǐng)域和源領(lǐng)域的數(shù)據(jù)整合在一起訓(xùn)練，即將α、β和γ均設(shè)為非零值進(jìn)行聯(lián)合訓(xùn)練.該訓(xùn)練模式未考慮各損失函數(shù)的實(shí)際意義，易導(dǎo)致對源領(lǐng)域數(shù)據(jù)的過擬合，而對目標(biāo)領(lǐng)域數(shù)據(jù)的預(yù)測結(jié)果不理想[9].此外，該方法需要完整的目標(biāo)領(lǐng)域數(shù)據(jù)，因此在實(shí)際運(yùn)用中無法對目標(biāo)領(lǐng)域設(shè)備進(jìn)行在線預(yù)測.對此，提出一種分步訓(xùn)練方法，其通過保證各模塊的準(zhǔn)確性實(shí)現(xiàn)RUL精準(zhǔn)預(yù)測，具體步驟如下：

步驟1令β=γ=0，將源領(lǐng)域中前10%的數(shù)據(jù)作為健康狀態(tài)數(shù)據(jù)輸入，從而更新LSTM-ED網(wǎng)絡(luò)的權(quán)重和偏置.根據(jù)訓(xùn)練得到的重構(gòu)網(wǎng)絡(luò)，將輸入序列轉(zhuǎn)化為與輸入等長的特征序列，并將這一過程定義為特征提取.

步驟2在進(jìn)行回歸預(yù)測訓(xùn)練時(shí)，令α=β=0，即將源領(lǐng)域數(shù)據(jù)的回歸誤差作為更新權(quán)重的損失函數(shù)，同時(shí)固定LSTM-ED的權(quán)重不變，僅更新全連接層的權(quán)重和偏置.

步驟3權(quán)重遷移利用源領(lǐng)域?qū)W習(xí)得到的LSTM-ED網(wǎng)絡(luò)和全連接網(wǎng)絡(luò)，初始化目標(biāo)領(lǐng)域網(wǎng)絡(luò).通過特征提取模塊，將新得到的目標(biāo)領(lǐng)域序列轉(zhuǎn)化為Ht，并將Ht與Hs進(jìn)行領(lǐng)域適應(yīng)，即令α=γ=0，利用損失函數(shù)更新LSTM-ED，從而減小Ht與Hs的分布誤差.

步驟4LSTM-ED網(wǎng)絡(luò)能夠針對目標(biāo)領(lǐng)域數(shù)據(jù)進(jìn)行傳感器異常監(jiān)測，因此利用由步驟3更新后的LSTM-ED參數(shù)得到新特征序列，并將其輸入到全連接網(wǎng)絡(luò)中得到當(dāng)前預(yù)測的RUL.本文預(yù)測的RUL值均小于1，其含義為剩余生命周期占總生命周期的比例.若預(yù)測值小于90%，則直接將其作為該點(diǎn)的RUL值；若預(yù)測值大于90%，則說明該時(shí)間段內(nèi)的數(shù)據(jù)為電梯制動(dòng)器前10%的健康生命周期數(shù)據(jù)，需要根據(jù)LSTM-ED的異常值檢測特性，令β=γ=0、α=1，再次訓(xùn)練更新LSTM-ED參數(shù)，并利用新LSTM-ED得到新特征序列，將其作為全連接網(wǎng)絡(luò)的輸入值，重新預(yù)測該點(diǎn)的RUL.

其中，步驟1和2為利用源領(lǐng)域數(shù)據(jù)進(jìn)行訓(xùn)練網(wǎng)絡(luò)，完成之后即可得到針對源領(lǐng)域數(shù)據(jù)的高精度RUL預(yù)測算法.步驟3和4為借助目標(biāo)領(lǐng)域數(shù)據(jù)進(jìn)行在線微調(diào)訓(xùn)練并得到預(yù)測結(jié)果.

5 實(shí)例分析

5.1 數(shù)據(jù)介紹

仿真試驗(yàn)平臺(tái)由迅達(dá)曳引機(jī)、PLC控制柜和變頻器組成，如圖4(a)所示.其中，a為加速度，D為制動(dòng)距離，d為間隙，LI為聲強(qiáng)級，N為運(yùn)行次數(shù).變頻器和制動(dòng)器(110 V直流電壓)聯(lián)動(dòng)能夠加速制動(dòng)器的制動(dòng)失效，從而仿真制動(dòng)器制動(dòng)力不足的失效模式.基于上述方法，采集得到制動(dòng)器從初始狀態(tài)運(yùn)行至失效的全生命周期數(shù)據(jù)(見圖4(b))，并將其作為源領(lǐng)域數(shù)據(jù).當(dāng)制動(dòng)器在寧波申菱電梯塔(見圖5(a))運(yùn)作時(shí)，人工定期檢查得到制動(dòng)器從初始狀態(tài)運(yùn)行至失效的全生命周期數(shù)據(jù)(見圖5(b))，并將其作為目標(biāo)領(lǐng)域數(shù)據(jù).利用源領(lǐng)域數(shù)據(jù)訓(xùn)練模型，并基于所提遷移學(xué)習(xí)法實(shí)現(xiàn)對目標(biāo)領(lǐng)域的RUL精確預(yù)測.

圖4 制動(dòng)器仿真實(shí)驗(yàn)Fig.4 Simulation experiment of brake

圖5 寧波申菱電梯塔實(shí)驗(yàn)Fig.5 Shenling elevator tower experiment in Ningbo

5.2 算法結(jié)果

利用傳感器網(wǎng)絡(luò)連續(xù)采集制動(dòng)器間隙、編碼器讀數(shù)、摩擦噪聲和制動(dòng)加速度等相關(guān)物理參數(shù)，并將數(shù)據(jù)預(yù)處理為多個(gè)長度l=50的子序列作為網(wǎng)絡(luò)輸入，即輸入為5×50個(gè)節(jié)點(diǎn)(兩個(gè)制動(dòng)間隙).LSTM-ED網(wǎng)絡(luò)分為輸入層、隱藏層和輸出層，分別輸出30×50個(gè)節(jié)點(diǎn)、20×50個(gè)節(jié)點(diǎn)和5×50個(gè)節(jié)點(diǎn).截取仿真數(shù)據(jù)中前10%的數(shù)據(jù)作為健康數(shù)據(jù)，對LSTM-ED進(jìn)行訓(xùn)練，并利用訓(xùn)練好的網(wǎng)絡(luò)將傳感器數(shù)據(jù)投射到如圖6所示的特征區(qū)域中，其中F為經(jīng)學(xué)習(xí)得到的特征值，ε為運(yùn)行進(jìn)度(運(yùn)行時(shí)間占總壽命的比例).可知，5個(gè)特征值(F1～F5)隨時(shí)間的增加而增大，且增大趨勢相似，表明LSTM-ED可以作為特征提取器并有效地反映制動(dòng)器衰退現(xiàn)象.

圖6 仿真實(shí)驗(yàn)數(shù)據(jù)提取得到的特征Fig.6 Features of simulation experiment data

利用全連接網(wǎng)絡(luò)(輸入層為提取特征，隱藏層包括20個(gè)節(jié)點(diǎn)，輸出層為一維)對LSTM-ED提取的特征進(jìn)行回歸預(yù)測，并利用仿真數(shù)據(jù)中的真實(shí)壽命訓(xùn)練全連接網(wǎng)絡(luò).經(jīng)訓(xùn)練后，仿真數(shù)據(jù)的損失函數(shù)降低至小于0.015，即得到針對源領(lǐng)域數(shù)據(jù)的高精度RUL預(yù)測算法.

利用在線微調(diào)方法(步驟3和4)，進(jìn)一步訓(xùn)練LSTM-ED的特征提取器參數(shù)，并基于新的特征提取器將電梯塔中的數(shù)據(jù)轉(zhuǎn)化為如圖7所示的特征數(shù)據(jù).可知，該提取器同樣可以作為特征提取器并有效地反映制動(dòng)器衰退現(xiàn)象.

圖7 電梯塔數(shù)據(jù)通過UDTL學(xué)習(xí)得到的特征Fig.7 Features of elevator tower data learned through UDTL

在預(yù)測過程中，利用全連接層預(yù)測回歸得到的特征，預(yù)測結(jié)果如圖8所示.可知，RUL的預(yù)測曲線與真實(shí)曲線的吻合度較高.為量化UDTL的預(yù)測結(jié)果，引入平均絕對值誤差(MAE)、均方誤差(MSE)和均方根誤差(RMSE)：

圖8 UDTL對電梯塔的剩余生命周期預(yù)測Fig.8 RUL prediction of elevator tower by UDTL

(15)

(16)

(17)

根據(jù)上式計(jì)算得到：MAE=0.03、MSE=0.001 6、RMSE=0.04.可知，利用UDTL預(yù)測的誤差均很小，表明本文提出的UDTL可以有效預(yù)測真實(shí)工況下的電梯制動(dòng)器剩余生命周期.

5.3 對比分析

為證明所提方法的有效性，將未進(jìn)行遷移學(xué)習(xí)的預(yù)測算法和傳統(tǒng)訓(xùn)練法作為對比，進(jìn)行電梯塔數(shù)據(jù)的RUL預(yù)測，結(jié)果如圖9所示.可知，與圖8中的UDTL方法相比，圖9中各方法的預(yù)測誤差均較大.

圖9 電梯塔剩余生命周期預(yù)測結(jié)果Fig.9 RUL prediction of elevator tower

利用上節(jié)所述量化方法，計(jì)算不同方法下電梯塔的RUL預(yù)測誤差，結(jié)果如表1所示.可知，在MSE方面，本文所提UDTL方法較無遷移學(xué)習(xí)的情況降低了59%，較傳統(tǒng)訓(xùn)練法降低了54%，證明該方法能夠有效提高電梯制動(dòng)器壽命預(yù)測的準(zhǔn)確度.

表1 不同方法下電梯塔的剩余生命周期預(yù)測誤差Tab.1 RUL prediction error of elevator tower by multiple methods

為驗(yàn)證所提方法的優(yōu)越性，將其他遷移學(xué)習(xí)方法作為對比，利用源領(lǐng)域數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并在真實(shí)情況下對電梯制動(dòng)器進(jìn)行RUL預(yù)測.引入遷移損失作為遷移學(xué)習(xí)效果的判斷指標(biāo)，其值為源領(lǐng)域與目標(biāo)領(lǐng)域的MSE之差，結(jié)果如表2所示.

表2 各遷移方法對比結(jié)果Tab.2 Comparison results of different migration methods

可知，在保證源領(lǐng)域內(nèi)的高精度RUL預(yù)測的情況下，本文所提UDTL方法的遷移損失值最小，說明其對目標(biāo)領(lǐng)域電梯制動(dòng)器的RUL預(yù)測結(jié)果優(yōu)于其他方法，遷移過程中的精度損失較低.

5.4 試驗(yàn)結(jié)果討論

分別利用無遷移和經(jīng)遷移更新后的LSTM-ED對真實(shí)工作情況下的電梯制動(dòng)器進(jìn)行特征提取，計(jì)算特征值總和(Fs)并與仿真制動(dòng)器提取的特征值總和進(jìn)行對比，結(jié)果如圖10所示.其中，仿真制動(dòng)器的特征標(biāo)注為制動(dòng)器1；在真實(shí)工作情況下，無遷移和經(jīng)UDTL遷移更新后的的LSTM-ED提取的特征分別標(biāo)注為制動(dòng)器2和制動(dòng)器3.

圖10 各制動(dòng)器的特征值總和Fig.10 Sum of eigenvalues of different brakes

可知，在Fs值在大小方面，制動(dòng)器3與制動(dòng)器1更接近；在Fs值的變化趨勢方面，制動(dòng)器3與制動(dòng)器2更接近，即UDTL通過尋找兩個(gè)制動(dòng)器的共有特征進(jìn)行特征的遷移.利用相關(guān)度系數(shù)(r)量化各特征之間的相關(guān)性，其絕對值越大，則相關(guān)度越高.

(18)

利用式(18)，得到相關(guān)度系數(shù)結(jié)果，如表3所示.可知，制動(dòng)器3與制動(dòng)器1的特征值總和的相關(guān)度最高，這表明制動(dòng)器1通過遷移將特征保留在了制動(dòng)器2的特征中，從而進(jìn)一步證明所提方法可以有效提高電梯制動(dòng)器在真實(shí)工作情況下的RUL預(yù)測準(zhǔn)確度.

表3 相關(guān)度系數(shù)結(jié)果Tab.3 Results of correlation coefficient

6 結(jié)語

為改善電梯制動(dòng)器在真實(shí)工作情況下的壽命預(yù)測效果，提出一種基于無監(jiān)督深度遷移學(xué)習(xí)的制動(dòng)器RUL預(yù)測方法.該方法利用LSTM-ED將原始數(shù)據(jù)映射到特征空間中，通過MMD實(shí)現(xiàn)真實(shí)數(shù)據(jù)與仿真數(shù)據(jù)的對齊，最終利用全連接網(wǎng)絡(luò)進(jìn)行回歸并完成預(yù)測.試驗(yàn)和量化數(shù)據(jù)表明：該算法RUL預(yù)測值的均方誤差僅為 0.001 6，比無遷移學(xué)習(xí)的情況降低了59%；其可以對真實(shí)工作情況下的電梯制動(dòng)器進(jìn)行高精度壽命預(yù)測，有助于提升電梯等同類特種設(shè)備的安全性.