基于機器學習的軸承RUL預測方法綜述

鄒旺 吉暢

摘要：隨著工業物聯網和大數據的發展，機器學習技術在制造業受到廣泛的關注。目前機器學習因其強大的數據處理能力，在軸承剩余使用壽命預測（RUL）被廣泛應用。精確的剩余使用壽命預測對于設備的安全運行、維護決策起著至關重要的作用。該文針對機器學習的軸承剩余使用壽命預測方法進行了綜述，根據模型結構將其分為基于經典的機器學習方法和基于深度學習的方法，并分析主要方法的優缺點，為后續的研究提供幫助。

關鍵詞：軸承;剩余使用壽命預測;機器學習

中圖分類號：TH165.3? ?文獻標識碼：A

文章編號：1009-3044（2022）19-0074-03

剩余使用壽命（Remaining Useful Life，RUL）預測作為PHM技術的重要任務之一，是通過監測設備關鍵部件的運行狀態，當設備關鍵部件的使用壽命達到閾值時，減少該設備的載荷，幫助工作人員盡早制定合適的維護計劃，防止意外停機或事故的發生。軸承作為工業生產中使用最廣泛的零件，如航空航天、石油化工、機械制造、交通運輸等重要領域[1-3]。軸承性能的退化和失效會造成設備發生故障而導致停機，停機檢修和維護會產生高額的成本[4-5]。統計表明，90%的旋轉機械故障是由于軸承故障引起，30%的軸承故障發生在內外圈上[6]。軸承作為機械設備的重要部件，對于設備正常運行起著至關重要作用，近年來，它的剩余壽命預測引起廣大學者的研究。

隨著工業互聯網、物聯網技術的不斷發展PHM領域也進入了大數據時代，從關鍵部件運行狀態大數據中挖掘出有價值的信息并提供決策，對于保障設備安全、可靠運行至關重要，而機器學習具有強大的數據處理能力，在PHM領域受到了越來越多的關注，是當前RUL預測主流方法。因此，本文側重于綜述基于機器學習的軸承壽命預測方法，并對未來可能的研究方向進行了展望。

1基于經典的機器學習方法

1.1支持向量機

SVM是一種機器學習工具，用于數據分析和模式識別，主要用于分類和回歸。它基于結構風險最小化原則，克服了人工神經網絡的額外學習問題。該方法的軸承剩余使用壽命預測架構如圖1所示。Chen等人[7]為了應對小樣本軸承狀態監控數據的挑戰，提出了一種基于相對特征和多變量支持向量機（MSVM）的RUL模型，通過相對均方根來描述軸承性能退化，并進行相關性分析以選擇輸入到MSVM的敏感特征，該模型考慮多種變量的影響，盡可能挖掘出小樣本數據的潛在價值。Satishkumar等人[8]利用決策樹算法提取統計特征并選擇最能夠描述軸承過程退化的特征，使用該特征構建基于支持向量機的回歸模型，該回歸模型建立在收益相關系數0.961的SVR模型基礎上，與現有模型相比效果最佳。董紹江等人[9]通過利用粒子群算法改進多個支持向量機的模型進行軸承壽命預測，并將多個SVM模型的誤差加權來實現準確的RUL預測。該方法利用粒子群算法優化SVM模型參數選取，通過實驗數據驗證了該模型的有效性。徐洲常等[10]為了準確評估軸承的退化趨勢和預測軸承的剩余壽命，提出一種利用DEGWO算法優化改進的回歸型支持向量（SVR），實驗結果證明了所提方法的預測結果與其他算法優化SVR的預測結果相比，具有更高的預測精度。

基于支向量機的方法能夠解決一些零部件剩余使用壽命問題，但還存在一些缺陷：如隨著樣本集的增大，將帶來過擬合、模型訓練速度慢等問題;對核函數和參數的選擇特別敏感，一旦數據中某個信息丟失，預測精度無法保證。

1.2神經網絡

神經網絡是一種模擬人腦的神經系統對復雜信息進行處理的一種數學模型[11]，常用于處理分類、回歸等問題，被廣泛應用在多個學科，模型結構如圖2所示，作為設備RUL的常用方法。Mahamad等人[12]提出一種基于人工神經網絡的軸承RUL 預測方法，該方法使用時間和擬合測量Weibull風險率的均方根 （RMS） 與峰度作為模型輸入，有效提高了軸承的預測精度。Tian[13]提出一種基于故障和停機狀態監歷史信息的人工神經網絡方法（ANN）RUL預測，通過使用故障和所有停機歷史狀態數據以及獲得最佳壽命值對ANN模型進行訓練，將訓練好的模型用于設備軸承RUL預測。奚立峰等人[14]開發了一套球軸承剩余預測壽命預測體系，其中預測模型采用BP神經網絡實現。

基于神經網絡的方法相比于傳統預測法方法具有更高的預測精度、模型訓練速度快、適應性強等優點，但是還存在收斂速度慢，容易陷入局部最優解，導致預測精度無法保證等問題。

1.3其他

除了上述綜述的常用經典機器學習方法外，許多其他應用于軸承剩余壽命預測，帶來不同特點。Gao等人[15]提出了一種基于貝葉斯理論的軸承RUL預測新方法，該方法首先通過構建合適的健康指標（HI），然后利用Metropolis-Hastings（MH）算法根據實時方位數據更新貝葉斯模型的參數，實現軸承RUL的實時預測。張星輝等人[16]提出了一種基于混合高斯輸出貝葉斯信念網絡模型的設備狀態識別與RUL預測方法，該方法通過50組軸承壽命仿真數據和3組全生命周期實驗數據驗證了該模型的有效性，為設備健康管理提供了科學依據。李海浪等[17]人為了解決單一特征無法完成反映軸承剩余壽命問題，提出一種基于特征聚類和評價的軸承RUL的方法，該方法與其他單一的特征評價方法和初始特征直接預測RUL方法相比具有更高的預測精度，并且適用于不同工況條件下。

2基于深度學習的方法

深度學習作為機器學習的一個分支，其性能優于傳統的淺層機器學習方法，在語音識別、圖像識別、文本識別、故障檢測本等領域表現出良好的性能。具有代表性的卷積神經網絡、循環神經網絡、長短記憶、深度置信網絡等深度學習模型在軸承壽命預測方法上已經得到了廣泛的實踐。以下部分綜述了深度學習算法在軸承剩余壽命預測方面的應用。

卷積神經網絡（CNN）作為主要的深度學習模型之一，由于其強大的特征學習能力，在計算機視覺、自然語音處理、語音識別等領域得到廣泛的應用。卷積神經網絡模型由卷積層、池化層和全連接層組成，如圖3所示。Zhou等人[18]為了提取原始軸承信號的時間序列特征并更有效地預測剩余使用壽命（RUL，提出了一種并行多通道循環卷積神經網絡（PMCRCNN）來預測軸承RUL。該網絡模型的前端是并行多通道卷積單元，用于從時間序列數據中學習和整合全局和局部特征，模型的后端是循環卷積層，用于對不同退化特征下的時間依賴關系進行建模，與現有CNN和RNN相比所提方法預測精度更高。Yang等人[19]針對多種失效模式引起的不同軸承失效行為可能導致特征分布不一致，從而影響預測模型的性能問題，提出了一種可遷移卷積神經網絡（TCNN）來學習域不變特征，在所提出的方法中，使用卷積神經網絡來提取退化特征，然后將多核最大平均差異整合到優化目標中，以減少分布差異。

循環神經網絡（RNN）是用于處理時間序列問題的神經網絡模型，該模型使用循環隱藏狀態保留上一時刻的狀態信息，因此很適合處理序列信息，RNN模型結構如圖4所示。Liang等人[20]提出了一種基于循環神經網絡的健康指標（RNN-HI），用于軸承的 RUL 預測。長短期記憶網絡（LSTM）是循環神經網絡（RNN）中的一種改進結構，克服RNN模型梯度消失或爆炸問題。與傳統的前饋神經網絡相比，LSTM 具有記憶能力，能夠使收集到的信息流在網絡內部繼續流動。Wang等人[21]利用長短期記憶（LSTM）網絡實現了滾動軸承振動信號的時間序列預測。

深度置信網絡（DBN）由多個中間層的受限玻爾茲曼機（RBM）組成的神經網絡模型，如圖5所示，通過采用逐層訓練的方式為整個網絡賦予較好的權重，解決了多層感知機容易造成局部最優的問題。

馮兆熙等人[22]提出一種基于DBN的軸承RUL預測方法，實驗結果表明，該方法與SVR、PCA-DBN相比進一步提高了預測精度。DEUTSCH等人[23]將DBN方法成功應用在剩余壽命預測當中，用于預測齒輪和軸承的壽命預測。Ren等人[24]通過結合深度自動編碼器和深度神經網絡，提出一種新的基于深度學習的軸承 RUL 預測方法，該方法實現自動選擇特征和減少預測網絡參數的數量以避免過擬合。Han等人[25]為了最大限度地減少軸承壽命評估中的人為干擾， 提出了一種將SAE與LSTM相結合的預測方法， 該方法使用凱斯西儲大學（CWRU）公開的軸承數據集進行了驗證。

相比于傳統的機器學習方法，深度學習在軸承RUL預測中大大提高了預測的準確性和穩定性，但該方法還有一些局限性：①深度學習模型依賴樣本數量的大小，換句話說，數據量越大，訓練出的模型準確性越高，對于大量軸承全生命數據的收集是一項艱巨的任務。②深度學習模型復雜，模型訓練計算量極大，模型越復雜，參數選擇不當易出現局部最優，無法保證預測的準確性。

3未來展望

通過對基于機器學習的軸承剩余使用壽命預測方法的綜述發現現有預測方法存在的一定局限性，特別是恒定工況的公開數據集，難以適用實際的運行條件。此外，如要實現全生命周期的準確預測，需要大量的早期運行狀態數據，確保深度學習模型得到足夠訓練。因此，本研究未來的挑戰如下。

（1）實驗條件下的軸承全生命周期運行狀態數據無法取代實際工況狀態數據，軸承運行狀態數據采集過程中應考慮多工況、復雜環境等條件;

（2）需要進一步研究如何通過不同的優化技術來降低機器學習方法的計算復雜度，進一步提高復雜工況下的預測精度;

（3）預測模型算法需要提高訓練速度，加快學習過程，保障在實際實時監控系統中壽命預警響應更加迅速。

4 結論

隨著人工智能技術的不斷發展，特別是機器學習已成為智能預測算法的強大工具。本文回顧了基于經典機器學習和深度學習的軸承剩余壽命預測方法，分析了主要方法的優勢和不足，并對機器學習在軸承剩余壽命預測中的應用提出了未來展望。

參考文獻

[1] 周瓊，李正美，張而耕.渦輪泵軸承壽命預測及研究進展[J].應用技術學報，2017，17（4）：352-357.

[2] 宋宏智，李力，楊興寬，等.高速機車軸承故障診斷與剩余壽命預測的發展及展望[J].軸承，2020（3）：61-67.

[3] Saufi S R，Ahmad Z A B，Leong M S，etal.An intelligent bearing fault diagnosis system：a review[J].MATEC Web of Conferences，2019，255：06005.

[4] 鐘秉林，黃仁.機械故障診斷學[M].3版.北京：機械工業出版社，2007.

[5] Li W H，Chen Z Y，He G L.A novel weighted adversarial transfer network for partial domain fault diagnosis of machinery[J].IEEE Transactions on Industrial Informatics，2021，17（3）：1753-1762.

[6] Shuang L，Meng L.Bearing fault diagnosis based on PCA and SVM[C]//2007 International Conference on Mechatronics and Automation.August5-8，2007，Harbin.IEEE，2007：3503-3507.

[7] Chen X F，Shen Z J，He Z J，et al.Remaining life prognostics of rolling bearing based on relative features and multivariable support vector machine[J].Proceedings of the Institution of Mechanical Engineers，Part C：Journal of Mechanical Engineering Science，2013，227（12）：2849-2860.

[8] Satishkumar R，Sugumaran V.Estimation of remaining useful life of bearings based on support vector regression[J].Indian Journal of Science and Technology，2016，9（10）：1-7.

[9] 董紹江，王軍，徐向陽，等.基于多SVM誤差加權的軸承剩余壽命預測[J].制造技術與機床，2017（12）：103-106，111.

[10] 徐洲常，王林軍，劉洋，等.采用改進回歸型支持向量機的滾動軸承剩余壽命預測方法[J].西安交通大學學報，2022，56（3）：197-205.

[11] SIMON H. Neural network ：A comprehensive foundation[M].New Jersey：Prentice Hall PTR，1994.

[12] Mahamad A K，SaonS，HiyamaT.Predicting remaining useful life of rotating machinery based artificial neural network[J].Computers &Mathematics With Applications，2010，60（4）：1078-1087.

[13] Tian Z G，Wong L，Safaei N.A neural network approach for remaining useful life prediction utilizing both failure and suspension histories[J].Mechanical Systems and Signal Processing，2010，24（5）：1542-1555.

[14] 奚立峰，黃潤青，李興林，等.基于神經網絡的球軸承剩余壽命預測[J].機械工程學報，2007，43（10）：137-143.

[15] Gao T H，Li Y X，Huang X Z，et al.Data-driven method for predicting remaining useful life of bearing based on Bayesian theory[J].Sensors，2020，21（1）：182.

[16] 張星輝，康建設，趙勁松，等.基于混合高斯輸出貝葉斯信念網絡模型的設備退化狀態識別與剩余使用壽命預測方法研究[J].振動與沖擊，2014，33（8）：171-179.

[17] 李海浪，鄒益勝，曾大懿，等.一種基于特征聚類和評價的軸承壽命預測新方法[J].振動與沖擊，2022，41（5）：141-150.

[18] Zhou J M，Gao S，Li J H，etal.Bearinglife prediction method based on parallel multichannel recurrent convolutional neural network[J].Shock and Vibration，2021，2021：1-9.

[19] Yang B Y，Liu R N，Zio E.Remaining useful life prediction based on a double-convolutional neural network architecture[J].IEEE Transactions on Industrial Electronics，2019，66（12）：9521-9530.

[20] GuoL，Li N P，JiaF，et al.A recurrent neural network based health indicator for remaining useful life prediction of bearings[J].Neurocomputing，2017，240：98-109.

[21] Wang F T，Liu X F，Deng G，et al.Remaininglifeprediction method for rolling bearing based on the long short-term memory network[J].Neural Processing Letters，2019，50（3）：2437-2454.

[22] 馮兆熙，邱度金，孔令駒，等.基于深度置信網絡的軸承剩余使用壽命預測[J].電子測量與儀器學報，2021，35（10）：124-129.

[23] Deutsch J，He D.Using deep learning-based approach to predict remaining useful life of rotating components[J].IEEE Transactions on Systems，Man，and Cybernetics：Systems，2018，48（1）：11-20.

[24] Ren L，Sun Y Q，Cui J，et al.Bearing remaining useful life prediction based on deep autoencoder and deep neural networks[J].Journal of Manufacturing Systems，2018，48：71-77.

[25] Han T，Pang J C，Tan A C C.Remaining useful life prediction of bearing based on stacked autoencoder and recurrent neural network[J].Journal of Manufacturing Systems，2021，61：576-591.

收稿日期：2022-03-25

基金項目：貴州省教育廳青年人才成長項目（ 黔教合KY字[2020]121，黔教合KY字[2020]114），六盤水師范學院科學研究計劃項目（LPSSYZK202004）

作者簡介：鄒旺（1993—），男，實驗師，碩士，主要研究方向為智能制造、機械健康狀態管理與預測等;吉暢（1991—），女，通信作者，講師，工程師，碩士，主要研究方向為故障診斷、參數辨識等。