基于多源域遷移學(xué)習(xí)的帶式輸送機(jī)剩余壽命預(yù)測(cè)方法

摘要：煤礦開采過程中，帶式輸送機(jī)運(yùn)行環(huán)境惡劣、工況復(fù)雜，致使獲得的傳感監(jiān)測(cè)數(shù)據(jù)量有限且存在大量噪聲干擾，嚴(yán)重限制了其剩余壽命預(yù)測(cè)的準(zhǔn)確度。針對(duì)該問題，提出了一種多源域遷移學(xué)習(xí)剩余壽命預(yù)測(cè)方法，充分利用煤礦運(yùn)輸過程中積累的帶式輸送機(jī)多工況數(shù)據(jù)，以達(dá)到準(zhǔn)確預(yù)測(cè)其關(guān)鍵零部件托輥軸承剩余壽命的目的。首先構(gòu)建集成多尺度卷積神經(jīng)網(wǎng)絡(luò)和雙向門控循環(huán)單元（MCNN-BiGRU）的設(shè)備退化特征提取模型，對(duì)單工況數(shù)據(jù)進(jìn)行特征提取挖掘，并使用PSO算法確定模型超參數(shù)。在此基礎(chǔ)上，加入多源域遷移學(xué)習(xí)（MDT）方法，利用多個(gè)工況數(shù)據(jù)進(jìn)行剩余壽命預(yù)測(cè)，通過最大均值差異（MMD）與相互關(guān)系對(duì)齊（CORAL）聯(lián)合損失拉近各源域數(shù)據(jù)分布差異，解決因數(shù)據(jù)量少導(dǎo)致的模型訓(xùn)練精度不高的問題。最后以煤礦實(shí)際生產(chǎn)數(shù)據(jù)集為例進(jìn)行實(shí)驗(yàn)，結(jié)果表明：MDT-MCNN-BiGRU模型的預(yù)測(cè)效果較好，Savitzky-Golay濾波去噪后模型性能得以進(jìn)一步提升；使用IMS數(shù)據(jù)集與現(xiàn)有方法進(jìn)行比較，發(fā)現(xiàn)所提方法預(yù)測(cè)準(zhǔn)確度較高，對(duì)煤礦運(yùn)輸設(shè)備健康管理具有一定的指導(dǎo)意義。

關(guān)鍵詞：帶式輸送機(jī)；剩余壽命預(yù)測(cè)；多工況；特征提取；多源域遷移學(xué)習(xí)

中圖分類號(hào)：TD407；TP183

DOI：10.3969/j.issn.1004132X.2024.08.012

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Residual Life Prediction Method of Belt Conveyors Based on MDT Learning

GAO Xinqin YANG Xueqi ZHENG Haiyang

School of Mechanical and Precision Instrument Engineering，Xian University of Technology，

Xian，710048

Abstract： In the coal mining processes， the operating environments of the belt conveyors were harsh and the working conditions were complex. These resulted in a limited amount of sensor monitoring data and a large amount of noise interference， which seriously limited the accuracy of the residual life prediction. Aiming at this problem， a MDT learning residual life prediction method was proposed. To predict the residual life of key component roller bearings accurately， multiple working condition data of belt conveyors accumulated in coal flow transportation could be fully used. Firstly， integrating a multi-scale convolutional neural network and bidirectional gated recurrent unit（MCNN-BiGRU）， a degradation feature extraction model was constructed. The particle swarm optimization（PSO） was used to determine the model hyperparameters. Then， using MDT learning and multiple working condition data， the residual life prediction was carried out. Combining loss of maximum mean discrepancy（MMD） with correlation alignment（CORAL） the data distribution difference of each source domain was narrowed. This might solve the problem of low training accuracy of the model due to the small amount of data. Finally， the actual production data sets of a coal mine were used for verification. The results show that the prediction effectiveness of the MDT-MCNN-BiGRU model is better， and the model performance is further improved after the Savitzky-Golay filter denoising. Using the IMS dataset and comparing with the existing methods， the proposed method has high prediction accuracy and is of some significance in guiding the health management of coal mine transportation equipment.

Key words： belt conveyor; residual life prediction; multiple working condition; feature extraction; multi-source domain transfer（MDT） learning

0 引言

煤炭是我國(guó)的主要能源和重要工業(yè)原料，煤流運(yùn)輸是煤礦開采過程的重要環(huán)節(jié)。煤礦綜采工作面主要由采煤機(jī)、刮板運(yùn)輸機(jī)、帶式輸送機(jī)等機(jī)電設(shè)備組成，各設(shè)備的健康與否直接決定煤炭開采的效率［1］。帶式輸送機(jī)作為煤礦運(yùn)輸工作的主要設(shè)備，其健康狀態(tài)更是直接對(duì)煤礦生產(chǎn)運(yùn)輸?shù)男十a(chǎn)生影響。煤炭開采運(yùn)輸過程中，由于復(fù)雜且惡劣的運(yùn)輸環(huán)境，帶式輸送機(jī)狀況監(jiān)測(cè)困難，托輥、軸承等關(guān)鍵零部件長(zhǎng)期存在無效磨損，使其壽命大幅縮短，嚴(yán)重地威脅著礦井生產(chǎn)與運(yùn)輸?shù)陌踩?］。

托輥軸承作為帶式輸送機(jī)的關(guān)鍵零部件，其健康狀態(tài)更是會(huì)對(duì)煤礦運(yùn)輸產(chǎn)生直接影響［3］。若能在托輥軸承服役過程中，根據(jù)監(jiān)測(cè)數(shù)據(jù)提前對(duì)其退化狀態(tài)進(jìn)行監(jiān)測(cè)并準(zhǔn)確預(yù)測(cè)其剩余壽命（remaining useful life， RUL），及時(shí)發(fā)現(xiàn)設(shè)備運(yùn)行異常，據(jù)此進(jìn)行帶式輸送機(jī)健康管理的實(shí)施，對(duì)保障煤礦運(yùn)輸?shù)陌踩耘c經(jīng)濟(jì)性具有重大意義。然而，在惡劣的煤礦生產(chǎn)環(huán)境中，設(shè)備的監(jiān)測(cè)數(shù)據(jù)通常存在較多噪聲干擾，且數(shù)據(jù)樣本量少，嚴(yán)重影響RUL預(yù)測(cè)的準(zhǔn)確度。因此，在當(dāng)前物聯(lián)網(wǎng)、人工智能等技術(shù)背景下，如何充分利用多工況數(shù)據(jù)，跨工況進(jìn)行帶式輸送機(jī)RUL的準(zhǔn)確預(yù)測(cè)，成為亟待解決的挑戰(zhàn)。

設(shè)備RUL預(yù)測(cè)技術(shù)已成為研究熱點(diǎn)，在當(dāng)前計(jì)算機(jī)與傳感器技術(shù)的背景下，RUL預(yù)測(cè)方法主要分為基于模型和基于數(shù)據(jù)驅(qū)動(dòng)兩類［4］。相比前者，后者的優(yōu)勢(shì)在于無需對(duì)設(shè)備的退化機(jī)理深入分析［5］，可借助設(shè)備海量監(jiān)測(cè)數(shù)據(jù)提取其健康指標(biāo)，進(jìn)而實(shí)現(xiàn)非線性映射的剩余壽命預(yù)測(cè)［6］。在帶式輸送機(jī)關(guān)鍵零部件剩余壽命預(yù)測(cè)方面，YANG等［7］對(duì)帶式輸送機(jī)音頻數(shù)據(jù)進(jìn)行分析，將堆疊稀疏編碼器和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合使用，最后利用聚類算法從音頻數(shù)據(jù)中提取出帶式輸送機(jī)故障特征，進(jìn)而實(shí)現(xiàn)托輥故障檢測(cè)。LIU等［8-9］同樣利用托輥聲音信號(hào)的頻域特征檢測(cè)設(shè)備的故障，充分利用設(shè)備聲音信號(hào)的時(shí)頻域特征，實(shí)現(xiàn)了托輥軸承的故障檢測(cè)，隨后又提出一種動(dòng)態(tài)自注意（dynamic self-attention，DSA）帶式輸送機(jī)托輥的故障診斷方法。JO等［10］基于集成學(xué)習(xí)提出了分類和回歸方法相結(jié)合的預(yù)測(cè)模型，由基于深度學(xué)習(xí)的表示模型和boosting模型組成，能預(yù)測(cè)帶式輸送機(jī)系統(tǒng)的關(guān)鍵部件頭帶輪的剩余壽命。LI等［11］提出一種使用小波包分解與支持向量機(jī)（support vector machine， SVM）的托輥故障診斷方法，可在傳感器條件有限的情況下對(duì)故障托輥組位置進(jìn)行定位。

在以上研究的基礎(chǔ)上，國(guó)內(nèi)外學(xué)者充分利用深度學(xué)習(xí)對(duì)數(shù)據(jù)特征提取與分析的能力，使用不同方法在設(shè)備RUL預(yù)測(cè)方面進(jìn)行了大量的研究。如REN等［6］在軸承剩余壽命預(yù)測(cè)中，提出了一種基于深度神經(jīng)網(wǎng)絡(luò)（deep neural network， DNN）的模型，結(jié)合時(shí)頻域特征，使用頻譜主能量向量法來提取數(shù)據(jù)特征，并以此特征作為輸入，通過DCNN模型預(yù)測(cè)剩余壽命。宋亞等［12］提出結(jié)合自編碼神經(jīng)網(wǎng)絡(luò)（autoencoder）和雙向長(zhǎng)短期記憶（BiLSTM）優(yōu)勢(shì)的混合健康狀態(tài)預(yù)測(cè)模型，以優(yōu)化渦扇發(fā)動(dòng)機(jī)的剩余壽命預(yù)測(cè)。通過使用具有卷積特性的深度卷積自編碼網(wǎng)絡(luò)，CHEN等［13］將監(jiān)測(cè)的振動(dòng)信號(hào)轉(zhuǎn)換成健康曲線，在滾動(dòng)軸承的剩余壽命預(yù)測(cè)任務(wù)中獲得了成功。為實(shí)現(xiàn)設(shè)備的自適應(yīng)提取故障特征和智能診斷，雷亞國(guó)等［14］使用去噪自動(dòng)編碼器（denoising auto encoder， DAE）和反向傳播算法來進(jìn)行預(yù)訓(xùn)練和微調(diào)階段，并利用頻域信號(hào)完成模型訓(xùn)練。

在跨工況RUL預(yù)測(cè)方面，SUN等［15］使用深度遷移學(xué)習(xí)（deep transfer learning， DTL）方法對(duì)切削刀具的剩余壽命進(jìn)行預(yù)測(cè)，結(jié)合稀疏自編碼器（sparse auto encoder， SAE）和深度遷移學(xué)習(xí)網(wǎng)絡(luò)，在無監(jiān)督信息的情況下進(jìn)行剩余壽命預(yù)測(cè)。蔡偉立等［16］提出動(dòng)態(tài)對(duì)抗遷移學(xué)習(xí)方法，利用歷史工藝條件的刀具數(shù)據(jù)樣本進(jìn)行RUL預(yù)測(cè)。ZHANG等［17］提出Wasserstein距離導(dǎo)引的對(duì)抗遷移模型（Wasserstein distance guided multi-adversarial networks， WDMAN），該模型使用推土機(jī)距離來衡量多個(gè)域之間的差異，并通過多個(gè)域判別器進(jìn)行訓(xùn)練和優(yōu)化來拉近這些域之間的分布。MAO等［18］提出了一種用于軸承剩余壽命預(yù)測(cè)的二階段預(yù)測(cè)體系：離線階段，利用收縮去噪自編碼器從數(shù)據(jù)中提取深度特征；在線階段，則通過遷移成分分析方法將特征進(jìn)行對(duì)齊和校準(zhǔn)，實(shí)現(xiàn)剩余壽命預(yù)測(cè)。

綜上，關(guān)于帶式輸送機(jī)剩余壽命預(yù)測(cè)問題仍存在以下瓶頸：①多工況數(shù)據(jù)的應(yīng)用。如何利用多工況數(shù)據(jù)彌補(bǔ)因單工況數(shù)據(jù)量少而難以獲得高精度預(yù)測(cè)模型的問題。②數(shù)據(jù)噪聲處理。煤礦生產(chǎn)數(shù)據(jù)噪聲多，需要合適的數(shù)據(jù)去噪處理方法。③預(yù)測(cè)模型的選擇。剩余壽命預(yù)測(cè)要考慮多方面數(shù)據(jù)特征，需選擇適合的模型進(jìn)行設(shè)備退化的特征提取。

本文針對(duì)煤礦運(yùn)輸中帶式輸送機(jī)數(shù)據(jù)量少、噪聲干擾多的問題，充分利用多工況數(shù)據(jù)以及數(shù)據(jù)時(shí)序性強(qiáng)的特點(diǎn)，提出一種基于多源域遷移學(xué)習(xí)多尺度卷積神經(jīng)網(wǎng)絡(luò)雙向門控循環(huán)單元（multi-source domain transfer learning-multiscale convolutional neural network-bi-directional gated recurrent unit， MDT-MCNN-BiGRU）的帶式輸送機(jī)剩余壽命智能預(yù)測(cè)方法。將MCNN作為特征提取器，對(duì)帶式輸送機(jī)單個(gè)工況的數(shù)據(jù)進(jìn)行特征的多尺度深層次提取壓縮；再使用時(shí)間建模工具BiGRU對(duì)數(shù)據(jù)中的時(shí)序特性進(jìn)行挖掘，實(shí)現(xiàn)設(shè)備的剩余壽命預(yù)測(cè)；針對(duì)多個(gè)工況數(shù)據(jù)分布不一致的問題，利用多源域遷移學(xué)習(xí)進(jìn)行多工況數(shù)據(jù)的遷移適配；通過深度學(xué)習(xí)核心理論深度挖掘運(yùn)輸設(shè)備歷史運(yùn)行數(shù)據(jù)中隱藏的剩余壽命變化趨勢(shì)特征信息，對(duì)其關(guān)鍵零部件的剩余壽命進(jìn)行實(shí)時(shí)準(zhǔn)確預(yù)測(cè)。

1 基于MDT-MCNN-BiGRU的帶式輸送機(jī)剩余壽命預(yù)測(cè)模型

對(duì)于帶式輸送機(jī)剩余壽命預(yù)測(cè)的問題，構(gòu)建的深度學(xué)習(xí)模型需要具有數(shù)據(jù)深度的特征提取能力的同時(shí)，還需要對(duì)數(shù)據(jù)的時(shí)間序列特性進(jìn)行利用，一般的深度學(xué)習(xí)模型并不同時(shí)具備這兩種能力，故本文參考使用Inception結(jié)構(gòu)的多尺度神經(jīng)網(wǎng)絡(luò)GoogleNet模型［19］，構(gòu)建不同卷積核的MCNN來進(jìn)行帶式輸送機(jī)數(shù)據(jù)的多尺度特征提取，將處理后的特征再使用BiGRU進(jìn)一步處理。原始振動(dòng)信號(hào)經(jīng)過去噪、歸一化及時(shí)頻域特征提取后輸入MCNN-BiGRU模型生成深度特征矩陣，并探究超參數(shù)對(duì)模型預(yù)測(cè)性能的影響，通過粒子群優(yōu)化（particle swarm optimization，PSO）算法設(shè)置最佳超參數(shù)，提高模型的預(yù)測(cè)精度。本文構(gòu)建的基于多源域遷移學(xué)習(xí)的MDT-MCNN-BiGRU模型如圖1所示。該模型通過多源域遷移學(xué)習(xí)理念，充分利用多工況數(shù)據(jù)，并結(jié)合各種數(shù)據(jù)去噪算法，對(duì)因單工況數(shù)據(jù)量少而導(dǎo)致剩余壽命預(yù)測(cè)不準(zhǔn)確的問題進(jìn)行研究。

1.1 MCNN-BiGRU退化特征提取模型

帶式輸送機(jī)的MCNN-BiGRU退化特征提取模型由四個(gè)部分組成。數(shù)據(jù)輸入方式采用滑動(dòng)窗口法，將數(shù)據(jù)按照時(shí)間順序輸入。通過MCNN對(duì)每個(gè)工況的輸入數(shù)據(jù)進(jìn)行多尺度全局特征提取，每個(gè)尺度使用最大池化層對(duì)序列長(zhǎng)度進(jìn)行壓縮，得到更加抽象的特征，以此為輸出并作為BiGRU的輸入，抽取數(shù)據(jù)時(shí)間序列特征，最后利用一個(gè)全連接層輸出剩余壽命預(yù)測(cè)結(jié)果。本文構(gòu)建的MCNN-BiGRU混合退化特征提取模型結(jié)構(gòu)如圖2所示。

1.2 模型超參數(shù)調(diào)優(yōu)

MCNN-BiGRU模型的性能受到超參數(shù)的影響，這些超參數(shù)可以分為兩類：一類包括隱含層神經(jīng)元數(shù)量、每次訓(xùn)練的樣本數(shù)量以及最大迭代次數(shù)，此類超參數(shù)的變化對(duì)模型預(yù)測(cè)性能的影響不大；另一類是學(xué)習(xí)率［20］、GRU層數(shù)和時(shí)間窗大小［21］，這類超參數(shù)的改變使得模型的預(yù)測(cè)性能會(huì)出現(xiàn)一定的變化。本文采用PSO算法對(duì)MCNN-BiGRU模型中迭代次數(shù)、訓(xùn)練的樣本數(shù)與隱含層神經(jīng)元個(gè)數(shù)進(jìn)行優(yōu)化以尋找一組更優(yōu)的參數(shù)，其優(yōu)化流程如圖3所示。

粒子群優(yōu)化算法（PSO）是一種多參數(shù)優(yōu)化算法［22］，它源于對(duì)鳥群捕食行為的研究。其基本思想是，用無質(zhì)量的粒子來模仿鳥類，粒子只有速度V（k）i和位置X（k）i兩個(gè)屬性，分別代表粒子移動(dòng)的速度以及移動(dòng)的方向，每個(gè)粒子在搜索空間中單獨(dú)搜尋最優(yōu)解。PSO初始化為一群隨機(jī)粒子，然后通過迭代找到最優(yōu)解。每一次的迭代過程中，粒子通過跟蹤個(gè)體最優(yōu)Pbest、全局最優(yōu)Gbest兩個(gè)最優(yōu)值，不斷更新速度和位置。PSO算法的標(biāo)準(zhǔn)更新形式為

V（k+1）i=wV（k）i+c1rand×（P（k）best－x（k）i）+

c2rand×（G（k）best－x（k）i）（1）

X（k+1）i=X（k）i+V（k+1）id（2）

式中，R為粒子的總數(shù)，i=1，2，…，R；c1、c2為學(xué)習(xí)因子，

通常c1=c2=2；d為慣性因子，其值為非負(fù)；rand為（0，1）之間的隨機(jī)數(shù)；V（k）i為第k次迭代中第i個(gè)粒子運(yùn)動(dòng)的速度向量；X（k）i為粒子當(dāng)前的位置向量。

PSO算法優(yōu)化超參數(shù)的流程如下：確定粒子數(shù)N和粒子搜索范圍D，并初始化粒子的位置和速度；將需要優(yōu)化的參數(shù)轉(zhuǎn)換為粒子個(gè)體，其中每個(gè)個(gè)體對(duì)應(yīng)一組模型參數(shù)；以模型損失函數(shù)作為粒子適應(yīng)度函數(shù)進(jìn)行訓(xùn)練；將訓(xùn)練過程中得到的最優(yōu)解作為下一輪搜索的起點(diǎn)，直到滿足預(yù)設(shè)的停止條件。在此基礎(chǔ)上，利用個(gè)體與整體的適應(yīng)程度對(duì)個(gè)體與整體的最優(yōu)位置進(jìn)行更新，并利用個(gè)體與整體的最優(yōu)位置來更新每個(gè)粒子的速度和位置；最終得到最優(yōu)的最大迭代次數(shù)、每次訓(xùn)練的樣本數(shù)與隱含層神經(jīng)元個(gè)數(shù)。

1.3 多源域遷移學(xué)習(xí)域間距離的計(jì)算

MDT-MCNN-BiGRU模型網(wǎng)絡(luò)結(jié)構(gòu)中包含了各源域數(shù)據(jù)公共特征提取、域間距離計(jì)算、剩余壽命預(yù)測(cè)器。將帶式輸送機(jī)各工況數(shù)據(jù)作為多源域數(shù)據(jù)，各源域數(shù)據(jù)集通過共享特征提取層提取多個(gè)源域與目標(biāo)域之間的特征矩陣，再通過最大均值差異（maximum mean discrepancy， MMD）算法和相互關(guān)系對(duì)齊（correlation alignment， CORAL）法計(jì)算每個(gè)源域與目標(biāo)域特征矩陣的距離。為達(dá)到域的自適應(yīng)效果，以多源域與目標(biāo)域之間的距離最小為訓(xùn)練目標(biāo)進(jìn)行迭代學(xué)習(xí)。MDT-MCNN-BiGRU模型網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

MDT-MCNN-BiGRU模型的關(guān)鍵在于將MMD算法以及CORAL損失通過權(quán)重α聯(lián)合作為域間損失Ldom進(jìn)行度量，計(jì)算各源域數(shù)據(jù)與目標(biāo)域分布之間的距離差異性，并將兩者結(jié)合作為整體訓(xùn)練過程中的部分損失。為實(shí)現(xiàn)帶式輸送機(jī)多源域跨工況剩余壽命預(yù)測(cè)，并減少各源域和目標(biāo)域在共享特征空間中的差異，該模型采用生成對(duì)抗訓(xùn)練的兩階段特征對(duì)齊多源域遷移預(yù)測(cè)方法［17］，解決多工況下帶式輸送機(jī)剩余壽命預(yù)測(cè)數(shù)據(jù)量偏少的問題。用Ldom度量多個(gè)源域與目標(biāo)域之間數(shù)據(jù)分布的距離，Ldom值越小，目標(biāo)域與源域之間越相似，其結(jié)合準(zhǔn)則為

Ldom=α·MMD2（X，Y）+（1－α）LCORAL（3）

MMD算法通過Hilbert變換解決數(shù)據(jù)在線性不可分情況下的距離度量問題，關(guān)注的是在Hilbert空間中源域與目標(biāo)域的一階均值特征，CORAL方法則關(guān)注的是二階方差特征，因此，將兩者相結(jié)合能從多個(gè)維度對(duì)數(shù)據(jù)的距離與分布進(jìn)行度量。MMD算法計(jì)算公式為［23］

MMD2（XS，YT）=‖1m∑mi=1φ（xi）－1n∑1j=1φ（yi）‖2H=

1m2∑mi=1∑mj=1K（xi，xj）+1n2∑mi=1∑mj=1K（xi，yj）－

2mn∑mi=1∑mj=1K（xi，yj）（4）

高斯核函數(shù)K（x，y）表達(dá)式為

K（x，y）=exp（－‖x－y‖2/（2σ2））（5）

式中，XS、YT分別為源域和目標(biāo)域的樣本分布；m、n分別為目標(biāo)域和源域的數(shù)據(jù)集中樣本數(shù)量；xi、yi分別為目標(biāo)域和源域的數(shù)據(jù)；H為再生核Hilbert高維空間（RKHS）；φ（·）為各源域數(shù)據(jù)集映射到再生核Hilbert空間的非線性映射。

CORAL方法是一種無監(jiān)督領(lǐng)域自適應(yīng)方法，通過線性變換矩陣A進(jìn)行數(shù)據(jù)分布的二階協(xié)方差對(duì)齊，其數(shù)學(xué)形式為［17］

min‖CS-CT‖2F=min‖ACSA-CT‖2F（6）

源域與目標(biāo)域數(shù)據(jù)特征的二階協(xié)方差距離的CORAL損失為

LCORAL=14d2‖CS－CT‖2F（7）

式中，‖‖F(xiàn)為F矩陣范數(shù)；d為特征維度。

目標(biāo)域與源域的協(xié)方差矩陣CS和CT的計(jì)算公式分別為

CS=1nS－1（XTSXS－1nS（1TXS）T（1TXS）） （8）

CT=1nT－1（YTTYT－1nT（1TYT）T（1TYT））（9）

式中，1為全為1的列向量。

網(wǎng)絡(luò)優(yōu)化的目標(biāo)一共包含預(yù)測(cè)誤差、領(lǐng)域自適應(yīng)預(yù)測(cè)誤差兩個(gè)部分。預(yù)測(cè)誤差通常選擇平均絕對(duì)誤差（mean absolute error，MAE）作為損失函數(shù)，總優(yōu)化目標(biāo)可表達(dá)式為

min Loss=Ldom+Lpre=

α·MMD2（X，Y）+（1－α）LCORAL+LMAE（10）

式中，Lpre為預(yù)測(cè)誤差。

本文除MAE值以外，還選用決定系數(shù)R2、平均絕對(duì)百分比誤差（mean absolute percentage error，MAPE）、均方根誤差（root mean squared error， RMSE）作為最終評(píng)價(jià)指標(biāo)［24］進(jìn)行模型性能的對(duì)比。

MDT-MCNN-BiGRU剩余壽命預(yù)測(cè)模型的建模步驟如圖5所示。對(duì)數(shù)據(jù)進(jìn)行去噪、歸一化和RUL標(biāo)簽設(shè)置等預(yù)處理，將目標(biāo)域數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。微調(diào)預(yù)測(cè)模型的網(wǎng)絡(luò)，以使其更好地適應(yīng)數(shù)據(jù)特征。模型訓(xùn)練完成之后，將測(cè)試集數(shù)據(jù)輸入調(diào)整好的模型，得到最終預(yù)測(cè)的RUL值。

2 算例分析

為驗(yàn)證MDT-MCNN-BiGRU模型對(duì)帶式輸送機(jī)剩余壽命預(yù)測(cè)的準(zhǔn)確性，本文使用實(shí)際煤礦生產(chǎn)數(shù)據(jù)集對(duì)模型進(jìn)行驗(yàn)證。利用數(shù)據(jù)集中多個(gè)工況下的子數(shù)據(jù)集進(jìn)行相互遷移實(shí)驗(yàn)，測(cè)試不同數(shù)據(jù)集之間相互遷移對(duì)最終預(yù)測(cè)結(jié)果的影響。一方面，驗(yàn)證加入多源域遷移學(xué)習(xí)算法對(duì)準(zhǔn)確性的提升，并討論權(quán)重α的選取；另一方面，由于煤礦實(shí)際生產(chǎn)數(shù)據(jù)存在大量噪聲冗余，故驗(yàn)證在不同去噪算法下模型的預(yù)測(cè)精度，最后對(duì)比不同公共特征提取模型以及現(xiàn)有方法的性能。

2.1 原始數(shù)據(jù)集

本文采用的數(shù)據(jù)集是國(guó)內(nèi)某煤礦實(shí)際生產(chǎn)數(shù)據(jù)，為煤流運(yùn)輸過程中帶式輸送機(jī)托輥軸承的全壽命周期振動(dòng)加速度數(shù)據(jù)集，具體信息見表1。該數(shù)據(jù)集共包含煤礦生產(chǎn)過程中4組不同工況下獲得的子數(shù)據(jù)集，4組數(shù)據(jù)編號(hào)分別為OM001、OM002、OM003、OM004。

該數(shù)據(jù)集中采用的托輥為單密封托輥，托輥軸承型號(hào)為6204KA-Z，各軸承壽命與故障類別見表1。數(shù)據(jù)采集過程中，在帶式輸送機(jī)機(jī)尾托輥處安裝智能加速度傳感器，并在地面終端設(shè)備進(jìn)行測(cè)試，如圖6所示。信號(hào)采集傳感器型號(hào)為CX-230，頻響范圍為0～40 kHz，采集設(shè)備為DH522N型動(dòng)態(tài)信息測(cè)試分析系統(tǒng)。數(shù)據(jù)采集頻率為1 kHz，每分鐘采集一次，每次采集的時(shí)間為1 s，即每次采集1000條數(shù)據(jù)。

每種工況的數(shù)據(jù)中共包含7個(gè)軸承的數(shù)據(jù)，每個(gè)軸承的數(shù)據(jù)均為按照時(shí)間順序采集的托輥軸承運(yùn)行至失效的完整數(shù)據(jù)，故每個(gè)托輥軸承在不同時(shí)間節(jié)點(diǎn)的RUL值已知，且不同軸承的RUL值不同。

2.2 數(shù)據(jù)預(yù)處理

受環(huán)境、人為、傳感設(shè)備等因素的影響，導(dǎo)致煤礦采集的托輥軸承振動(dòng)信號(hào)中包含大量的噪聲信息，有用信息被淹沒［25］。為了便于在后續(xù)模型學(xué)習(xí)過程中能夠快速對(duì)原始數(shù)據(jù)中的有用特征進(jìn)行提取，必須利用數(shù)據(jù)去噪算法對(duì)傳感器采集的原始數(shù)據(jù)進(jìn)行預(yù)處理。圖7所示為常用的不同數(shù)據(jù)降噪算法對(duì)原始數(shù)據(jù)處理后的部分?jǐn)?shù)據(jù)可視化對(duì)比展示。

觀察圖7發(fā)現(xiàn)：①不同數(shù)據(jù)去噪算法對(duì)該原始數(shù)據(jù)集的去噪效果不盡相同，但相較于未進(jìn)行處理的數(shù)據(jù)，噪聲明顯得到改善；②相較于其他兩種去噪算法，Savitzky-Golay濾波器［26］（SG）去噪后的振動(dòng)信號(hào)相對(duì)更加平滑。

對(duì)于特征數(shù)據(jù)值不一致的問題，使用最小最大歸一化（MinMax）方法對(duì)原始數(shù)據(jù)進(jìn)行處理，將所有特征數(shù)據(jù)歸一化至［0， 1］，并根據(jù)每個(gè)數(shù)據(jù)集中的運(yùn)行時(shí)長(zhǎng)計(jì)算出每條數(shù)據(jù)的RUL，使用線性函數(shù)表示托輥軸承的真實(shí)RUL，設(shè)置剩余壽命值從最大值至零。最小最大歸一化表達(dá)式為

Tinorm=Ti－TminTmax－Tmin（11）

式中，Ti、Tmax、Tmin分別為第i個(gè)時(shí)間點(diǎn)的特征值、特征最大值、特征最小值。

對(duì)歸一化后獲得的數(shù)據(jù)使用快速傅里葉變換（fast Fourier transform，F(xiàn)FT）等方法，提取原始振動(dòng)信號(hào)的時(shí)域與頻域特征作為MDT-MCNN-BiGRU模型的輸入，進(jìn)行托輥軸承的剩余壽命預(yù)測(cè)。訓(xùn)練過程中，將每種工況的前5個(gè)軸承數(shù)據(jù)作為訓(xùn)練集和驗(yàn)證集，其余數(shù)據(jù)作為測(cè)試集。

2.3 結(jié)果分析

經(jīng)過初步實(shí)驗(yàn)對(duì)比，MCNN-BiGRU特征提取模型中學(xué)習(xí)率優(yōu)化算法選擇Adam，損失函數(shù)選擇MAE，激活函數(shù)選擇ReLU，時(shí)間窗長(zhǎng)度為50，Ldom的權(quán)重α取0.5。最大迭代次數(shù)、每次訓(xùn)練的樣本數(shù)、隱含層神經(jīng)元個(gè)數(shù)則通過PSO算法進(jìn)行確定，初始值分別設(shè)置為［300， 50， 50］，PSO算法參數(shù)如下：群體大小為50，慣性因子取0.4。訓(xùn)練過程中均劃分訓(xùn)練數(shù)據(jù)集的20%作為驗(yàn)證集，每組實(shí)驗(yàn)結(jié)果均為三次實(shí)驗(yàn)平均值，并在訓(xùn)練過程中加入早停機(jī)制以防止過擬合。

2.3.1 數(shù)據(jù)互相遷移實(shí)驗(yàn)

為驗(yàn)證對(duì)煤礦多工況環(huán)境加入多源域遷移學(xué)習(xí)后的預(yù)測(cè)性能，利用4種工況數(shù)據(jù)進(jìn)行互相遷移。共設(shè)計(jì)8組實(shí)驗(yàn)（表2），其中未遷移實(shí)驗(yàn)4組（編號(hào)001、003、005、007）與多源域遷移實(shí)驗(yàn)4組（編號(hào)002、004、006、008），評(píng)估不同數(shù)據(jù)作為源域與目標(biāo)域?qū)δＰ托阅艿挠绊憽?/p>

表2中，（OM002， OM003， OM004）=gt;OM001表示以工況1（OM001）數(shù)據(jù)集為目標(biāo)域、其他三組數(shù)據(jù)（OM002， OM003， OM004）為源域進(jìn)行遷移模型訓(xùn)練，后續(xù)表示方式以此類推。觀察與對(duì)比8組實(shí)驗(yàn)?zāi)Ｐ陀?xùn)練過程的損失函數(shù)下降趨勢(shì)，各組實(shí)驗(yàn)的損失函數(shù)如圖8所示。

由圖8可得到以下結(jié)論：①在001、003、005、007四組實(shí)驗(yàn)數(shù)據(jù)集不遷移的情況下，訓(xùn)練損失均在迭代100次左右觸發(fā)早停機(jī)制，損失值最終下降至18～29，最低損失為18.84；②數(shù)據(jù)不遷移雖能夠粗略地估計(jì)RUL，但由于數(shù)據(jù)量過少，導(dǎo)致訓(xùn)練損失值下降均不明顯，收斂的程度以及準(zhǔn)確率也不太理想；③002、004、006、008四組實(shí)驗(yàn)加入MDT后，將其他3組數(shù)據(jù)作為源域，數(shù)據(jù)量變大，計(jì)算量也隨之變大，迭代次數(shù)增加至200左右后收斂；④遷移后損失值最小值10.25，最大值為19.05（接近18.84），模型準(zhǔn)確率也相對(duì)有所提高。為進(jìn)一步說明加入MDT對(duì)模型性能的影響， MAE、R2、MAPE、RMSE四種模型評(píng)價(jià)指標(biāo)的對(duì)比見表3。

對(duì)比表3各指標(biāo)仍可以發(fā)現(xiàn)：①在單工況數(shù)據(jù)量不充足的情況下，模型R2、MAPE、RMSE的最優(yōu)值分別為0.734、0.3184、26.44，模型訓(xùn)練將無法達(dá)到預(yù)期的效果，而使用多源域遷移學(xué)習(xí)訓(xùn)練后得到的相應(yīng)最優(yōu)值為0.838、0.1987、20.78，說明模型預(yù)測(cè)效果更好，預(yù)測(cè)性能提升顯著。②加入多源域遷移學(xué)習(xí)之后，模型在源域數(shù)據(jù)集中學(xué)習(xí)得到了更多的信息與特征，有效地提高了帶式輸送機(jī)關(guān)鍵零部件RUL預(yù)測(cè)效果。

2.3.2 權(quán)重α的選取

為了探究MMD與CORAL的聯(lián)合損失Ldom的權(quán)重α取值對(duì)模型學(xué)習(xí)過程性能的影響，并選取合適的α值，設(shè)計(jì)以下實(shí)驗(yàn)：進(jìn)行表2中的4組多源域遷移實(shí)驗(yàn)（編號(hào)002、004、006、008），將權(quán)重α從零進(jìn)行遞增取值，即0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1。不同權(quán)重對(duì)應(yīng)的模型訓(xùn)練過程的損失值如圖9所示。結(jié)果表明：①無論α如何取值，模型均有一定的預(yù)測(cè)效果，取值在0與1之間時(shí)模型的損失更小一些；②通過權(quán)重α結(jié)合MMD與CORAL損失作為度量的多源域遷移模型，有更好的自適應(yīng)能力與預(yù)測(cè)精度；③當(dāng)α取0.4～0.6時(shí)，4組實(shí)驗(yàn)的模型預(yù)測(cè)能力得到明顯的提升，α取0.5時(shí)，4組實(shí)驗(yàn)的MAE值達(dá)到最低，分別為12.66、16.81、19.05、10.25，此時(shí)模型性能達(dá)到最優(yōu)。因此，將α取值設(shè)定為0.5。

2.3.3 去噪算法對(duì)比

在原始數(shù)據(jù)不進(jìn)行去噪、小波變換閾值去噪［27］與Savitzky-Golay濾波器去噪處理的三種情況下，進(jìn)行單源域遷移學(xué)習(xí)與多源域遷移學(xué)習(xí)兩種模型兩次實(shí)驗(yàn)。為保證實(shí)驗(yàn)過程中變量的單一性，多源域遷移以實(shí)驗(yàn)008為對(duì)象，單源域遷移實(shí)驗(yàn)選擇工況4為目標(biāo)域，工況1為源域。抽選測(cè)試集中60組不同時(shí)間的帶式輸送機(jī)運(yùn)行數(shù)據(jù)進(jìn)行隨機(jī)測(cè)試，并將預(yù)測(cè)結(jié)果與原始數(shù)據(jù)的RUL值進(jìn)行對(duì)比，繪制折線統(tǒng)計(jì)圖（圖10）。

可以觀察到，各模型均有一定的預(yù)測(cè)準(zhǔn)確度，但效果存在差異。綜合分析可知：①相比原始數(shù)據(jù)不去噪，去噪處理后模型的預(yù)測(cè)準(zhǔn)確率有一定提升；②在相同去噪處理后，模型預(yù)測(cè)準(zhǔn)確率得到進(jìn)一步提升，多源域遷移學(xué)習(xí)的加入解決了單源域數(shù)據(jù)樣本少的問題；③圖10f的Savitzky-Golay濾波器去噪后預(yù)測(cè)值與真實(shí)值已高度重合。為更加直觀地觀察實(shí)驗(yàn)結(jié)果，取其預(yù)測(cè)結(jié)果的誤差模型對(duì)比柱狀圖（圖11）。

對(duì)比預(yù)測(cè)結(jié)果誤差圖有以下結(jié)論：①圖11a、圖11c、圖11e單源域遷移學(xué)習(xí)的誤差均集中在-50～50 min，說明單源域遷移學(xué)習(xí)模型準(zhǔn)確度仍不夠高；②圖11b、圖11d、圖11f去噪方法處理后的誤差分布更加集中于0，說明多源域遷移提高了模型準(zhǔn)確度，結(jié)論與圖10結(jié)果一致；③Savitzky-Golay濾波器去噪后的多源域遷移模型誤差分布最集中，大致介于-25～25 min，滑動(dòng)中值去噪次之，而不去噪處理的誤差則介于-75～75 min，分布最為分散。實(shí)驗(yàn)結(jié)果表明，Savitzky-Golay濾波器去噪后的數(shù)據(jù)具有更加準(zhǔn)確的剩余壽命預(yù)測(cè)準(zhǔn)確度，煤礦帶式輸送機(jī)實(shí)際生產(chǎn)數(shù)據(jù)更加適合使用Savitzky-Golay濾波器進(jìn)行去噪后的多源域遷移學(xué)習(xí)模型。

2.3.4 公共特征提取模型性能對(duì)比

為了驗(yàn)證不同公共特征提取模型對(duì)帶式輸送

機(jī)數(shù)據(jù)剩余壽命預(yù)測(cè)性能的影響，分別進(jìn)行常用深度學(xué)習(xí)模型GRU、BiGRU、CNN-BiGRU以及本文的PSO-MCNN-BiGRU模型預(yù)測(cè)實(shí)驗(yàn)，對(duì)比各模型預(yù)測(cè)性能。使用測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到了同一組測(cè)試數(shù)據(jù)運(yùn)行到最終失效的RUL預(yù)測(cè)結(jié)果。選取各模型預(yù)測(cè)結(jié)果中的部分?jǐn)?shù)據(jù)并展示，如圖12所示。

對(duì)比4種特征提取模型的預(yù)測(cè)結(jié)果可知：①傳統(tǒng)的GRU模型與BiGRU模型的真實(shí)值與預(yù)測(cè)值的重合度較差，準(zhǔn)確率最低，其次是CNN-BiGRU模型，結(jié)合CNN的BiGRU預(yù)測(cè)能力有一定的提升，但略差于PSO-MCNN-BiGRU模型；②PSO-MCNN-BiGRU模型的真實(shí)值與預(yù)測(cè)值已經(jīng)高度重合，模型預(yù)測(cè)準(zhǔn)確率最好。結(jié)果表明，使用PSO調(diào)整過網(wǎng)絡(luò)超參數(shù)的MCNN-BiGRU模型的預(yù)測(cè)結(jié)果效果最好，并且更加接近真實(shí)值。

2.3.5 現(xiàn)有方法比較

為了進(jìn)一步驗(yàn)證所提方法的預(yù)測(cè)能力，使用美國(guó)辛辛那提大學(xué)的滾動(dòng)軸承全生命周期實(shí)驗(yàn)數(shù)據(jù)（intelligent maintenance system，IMS）進(jìn)行實(shí)驗(yàn)，并將其與多種現(xiàn)有方法進(jìn)行比較。不同方法得到的預(yù)測(cè)結(jié)果RMSE值與測(cè)試同一組數(shù)據(jù)所需的預(yù)測(cè)時(shí)間見表4。

對(duì)比表4發(fā)現(xiàn)：①本文MDT-MCNN-BiGRU模型的RMSE值為0.724，小于其他模型，在所比較的現(xiàn)有各方法中性能最優(yōu)；②由于多工況遷移過程需要估計(jì)的參數(shù)較多，本文模型的預(yù)測(cè)時(shí)間35 s大于SVM模型和單源域遷移的28 s和29 s，但因本文模型的RMSE值小于1.214，且遠(yuǎn)低于21.06，故本文模型在預(yù)測(cè)準(zhǔn)確率方面有一定優(yōu)勢(shì)。

綜上，本文模型的優(yōu)勢(shì)如下：①能夠通過MCNN對(duì)少量的單工況數(shù)據(jù)進(jìn)行多尺度特征提取，并使用BiGRU對(duì)數(shù)據(jù)之間的時(shí)序關(guān)系進(jìn)行利用；②特征提取后，通過多源域遷移學(xué)習(xí)拉近數(shù)據(jù)分布，彌補(bǔ)了因數(shù)據(jù)量少導(dǎo)致模型訓(xùn)練精度不高的問題；③既充分利用了單工況數(shù)據(jù)的特點(diǎn)，又結(jié)合了多工況數(shù)據(jù)之間的關(guān)系，從而實(shí)現(xiàn)帶式輸送機(jī)剩余壽命預(yù)測(cè)。因此，本文模型有較好的預(yù)測(cè)效果且比其他模型準(zhǔn)確率更高，能夠保證帶式輸送機(jī)維護(hù)的及時(shí)性與高效性，為煤礦安全生產(chǎn)及設(shè)備的高效運(yùn)行和維護(hù)提供了理論基礎(chǔ)和技術(shù)支持。

3 結(jié)論與展望

（1）本文建立了集成多尺度卷積網(wǎng)絡(luò)和雙向門控循環(huán)單元的MCNN-BiGRU特征提取模型，利用托輥軸承全生命周期數(shù)據(jù)中的時(shí)序特性進(jìn)行剩余壽命預(yù)測(cè)，并使用PSO算法確定模型超參數(shù)。

（2）基于多源域遷移學(xué)習(xí)的核心思想，利用MMD與CORAL聯(lián)合損失拉近不同工況數(shù)據(jù)分布的不均勻，從而提高了模型的泛化能力。

（3）結(jié)合Savitzky-Golay濾波器等多種不同去噪算法，在煤礦實(shí)際生產(chǎn)數(shù)據(jù)集上進(jìn)行驗(yàn)證，并通過實(shí)驗(yàn)與現(xiàn)有方法進(jìn)行了比較。

本研究考慮的是帶式輸送機(jī)與其他設(shè)備之間相互獨(dú)立的情況，而在煤礦實(shí)際生產(chǎn)過程中設(shè)備之間的相互關(guān)系同樣影響著設(shè)備的剩余壽命，后續(xù)將結(jié)合煤流運(yùn)輸設(shè)備之間的復(fù)雜關(guān)系，進(jìn)一步對(duì)剩余壽命預(yù)測(cè)進(jìn)行研究。

參考文獻(xiàn)：

［1］ 鮑久圣， 章全利， 葛世榮， 等. 煤礦井下無人化輔助運(yùn)輸系統(tǒng)關(guān)鍵基礎(chǔ)研究及應(yīng)用實(shí)踐［J］. 煤炭學(xué)報(bào)， 2023， 48（2）：1085-1098.

BAO Jiusheng， ZHANG Quanli， GE Shirong， et al. Basic Research and Application Practice of Unmanned Auxiliary Transportation System in Coal Mine［J］. Journal of China Coal Society， 2023， 48（2）：1085-1098.

［2］ EL-HAMID H T A， WEI Caiyong， ZHANG Yongting. Geospatial Analysis of Land Use Driving Force in Coal Mining Area：Case Study in Ningdong， China［J］. GeoJournal， 2021， 86（2）：605-620.

［3］ 鮑久圣， 章全利， 葛世榮， 等. 煤礦井下無人化輔助運(yùn)輸系統(tǒng)關(guān)鍵基礎(chǔ)研究及應(yīng)用實(shí)踐［J］. 煤炭學(xué)報(bào)， 2023， 48（2）：1085-1098.

BAO Jiusheng， ZHANG Quanli， GE Shirong， et al. Basic Research and Application Practice of Unmanned Auxiliary Transportation System in Coal Mine［J］. Journal of China Coal Society， 2023， 48（2）：1085-1098.

［4］ LI Feng， JIANG Peixuan， LUO Ling， et al. Variational Eligibility Trace Meta-reinforcement Recurrent Network for Residual Life Prediction of Space Rolling Bearings［J］. Applied Soft Computing， 2023， 145：110582.

［5］ 李乃鵬， 蔡瀟， 雷亞國(guó)， 等. 一種融合多傳感器數(shù)據(jù)的數(shù)模聯(lián)動(dòng)機(jī)械剩余壽命預(yù)測(cè)方法［J］. 機(jī)械工程學(xué)報(bào)， 2021， 57（20）：29-37.

LI Naipeng， CAI Xiao， LEI Yaguo， et al. A Model-data-fusion Remaining Useful Life Prediction Method with Multi-sensor Fusion for Machinery［J］. Journal of Mechanical Engineering， 2021， 57（20）：29-37.

［6］ REN Lei， CUI Jin， SUN Yaqiang， et al. Multi-bearing Remaining Useful Life Collaborative Prediction：a Deep Learning Approach［J］. Journal of Manufacturing Systems， 2017， 43：248-256.

［7］ YANG Mingjin， ZHOU Wenju， SONG Tianxiang. Audio-based Fault Diagnosis for Belt Conveyor Rollers［J］. Neurocomputing， 2020， 397：447-456.

［8］ LIU Yi， MIAO Changyun， LI Xianguo， et al. Research on the Fault Analysis Method of Belt Conveyor Idlers Based on Sound and Thermal Infrared Image Features［J］. Measurement， 2021， 186：110177.

［9］ LIU Yi， MIAO Changyun， LI Xianguo， et al. A Dynamic Self-attention-based Fault Diagnosis Method for Belt Conveyor Idlers［J］. Machines， 2023， 11（2）：216.

［10］ JO J， KIM Z， SUH Y J. Remaining Useful Life Prediction Using an Ensemble Learning-based Network for a Belt Conveyor System［C］∥2023 International Conference on Artificial Intelligence in Information and Communication（ICAIIC）. IEEE， 2023：863-867.

［11］ LI Wei， WANG Zewen， ZHU Zhencai， et al. Design of Online Monitoring and Fault Diagnosis System for Belt Conveyors Based on Wavelet Packet Decomposition and Support Vector Machine［J］. Advances in Mechanical Engineering， 2013， 5：797183.

［12］ 宋亞， 夏唐斌， 鄭宇， 等. 基于Autoencoder-BLSTM的渦扇發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)［J］. 計(jì)算機(jī)集成制造系統(tǒng)， 2019， 25（7）：1611-1619.

SONG Ya， XIA Tangbin， ZHENG Yu， et al. Remaining Useful Life Prediction of Turbofan Engine Based on Autoencoder-BLSTM［J］. Computer Integrated Manufacturing Systems， 2019， 25（7）：1611-1619.

［13］ CHEN Dingliang， QIN Yi， WANG Yi， et al. Health Indicator Construction by Quadratic Function-based Deep Convolutional Auto-encoder and Its Application into Bearing RUL Prediction［J］. ISA Transactions， 2021， 114：44-56.

［14］ 雷亞國(guó)， 賈峰， 周昕， 等. 基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法［J］. 機(jī)械工程學(xué)報(bào)， 2015， 51（21）：49-56.

LEI Yaguo， JIA Feng， ZHOU Xin， et al. A Deep Learning-based Method for Machinery Health Monitoring with Big Data［J］. Journal of Mechanical Engineering， 2015， 51（21）：49-56.

［15］ SUN Chuang， MA Meng， ZHAO Zhibin， et al. Deep Transfer Learning Based on Sparse Autoencoder for Remaining Useful Life Prediction of Tool in Manufacturing［J］. IEEE Transactions on Industrial Informatics， 2019， 15（4）：2416-2425.

［16］ 蔡偉立， 胡小鋒， 劉夢(mèng)湘. 基于遷移學(xué)習(xí)的刀具剩余壽命預(yù)測(cè)方法［J］. 計(jì)算機(jī)集成制造系統(tǒng)， 2021， 27（6）：1541-1549.

CAI Weili， HU Xiaofeng， LIU Mengxiang. Prediction Method of Tool Remaining Useful Life Based on Transfer Learning［J］. Computer Integrated Manufacturing Systems， 2021， 27（6）：1541-1549.

［17］ ZHANG Ming， WANG Duo， LU Weining， et al. A Deep Transfer Model with Wasserstein Distance Guided Multi-adversarial Networks for Bearing Fault Diagnosis under Different Working Conditions［J］. IEEE Access， 2019， 7：65303-65318.

［18］ MAO Wentao， HE Jianliang， ZUO M J. Predicting Remaining Useful Life of Rolling Bearings Based on Deep Feature Representation and Transfer Learning［J］. IEEE Transactions on Instrumentation and Measurement， 2020， 69（4）：1594-1608.

［19］ YANG Na， ZHANG Zhenkai， YANG Jianhua， et al. A Convolutional Neural Network of GoogLeNet Applied in Mineral Prospectivity Prediction Based on Multi-source Geoinformation［J］. Natural Resources Research， 2021， 30（6）：3905-3923.

［20］ NHU V H， HOANG N D， NGUYEN H， et al. Effectiveness Assessment of Keras Based Deep Learning with Different Robust Optimization Algorithms for Shallow Landslide Susceptibility Mapping at Tropical Area［J］. Catena， 2020， 188：104458.

［21］ LUO Yi， MESGARANI N. Conv-TasNet：Surpassing Ideal Time-frequency Magnitude Masking for Speech Separation［J］. IEEE/ACM Transactions on Audio， Speech， and Language Processing， 2019， 27（8）：1256-1266.

［22］ GAD A G. Particle Swarm Optimization Algorithm and Its Applications：a Systematic Review［J］. Archives of Computational Methods in Engineering， 2022， 29（5）：2531-2561.

［23］ ALQUIER P， CHRIEF-ABDELLATIF B E， DERUMIGNY A， et al. Estimation of Copulas via Maximum Mean Discrepancy［J］. Journal of the American Statistical Association， 2023， 118（543）：1997-2012.

［24］ 丁華， 楊亮亮， 楊兆建， 等. 數(shù)字孿生與深度學(xué)習(xí)融合驅(qū)動(dòng)的采煤機(jī)健康狀態(tài)預(yù)測(cè)［J］. 中國(guó)機(jī)械工程， 2020， 31（7）：815-823.

DING Hua， YANG Liangliang， YANG Zhaojian， et al. Health Prediction of Shearers Driven by Digital Twin and Deep Learning［J］. China Mechanical Engineering， 2020， 31（7）：815-823.

［25］ BRODNY J， TUTAK M. Applying Computational Fluid Dynamics in Research on Ventilation Safety during Underground Hard Coal Mining：a Systematic Literature Review［J］. Process Safety and Environmental Protection， 2021， 151：373-400.

［26］ GOMES A S， HALDER A， HOSSAIN M A. The Effect of Kronecker Tensor Product Values on ECG Rates：a Study on Savitzky-Golay Filtering Techniques for Denoising ECG Signals［J］. Asian Journal of Applied Science and Technology， 2023， 7（1）：158-166.

［27］ HU Hongping， AO Yan， YAN Huichao， et al. Signal Denoising Based on Wavelet Threshold Denoising and Optimized Variational Mode Decomposition［J］. Journal of Sensors， 2021， 2021：5599096.

［28］ QIAN Yuning， YAN Ruqiang， GAO R X. A Multi-time Scale Approach to Remaining Useful Life Prediction in Rolling Bearing［J］. Mechanical Systems and Signal Processing， 2017， 83：549-567.

［29］ LIU Yongbin， HE Bing， LIU Fang， et al. Remaining Useful Life Prediction of Rolling Bearings Using PSR， JADE， and Extreme Learning Machine［J］. Mathematical Problems in Engineering， 2016， 2016：8623530.

［30］ YAN Mingming， WANG Xingang， WANG Bingxiang， et al. Bearing Remaining Useful Life Prediction Using Support Vector Machine and Hybrid Degradation Tracking Model［J］. ISA Transactions， 2020， 98：471-482.

［31］ GUO Liang， LI Naipeng， JIA Feng， et al. A Recurrent Neural Network Based Health Indicator for Remaining Useful Life Prediction of Bearings［J］. Neurocomputing， 2017， 240（C）：98-109.

［32］ GUPTA M， WADHVANI R， RASOOL A. A Real-time Adaptive Model for Bearing Fault Classification and Remaining Useful Life Estimation Using Deep Neural Network［J］. Knowledge-Based Systems， 2023， 259：110070.

（編輯 陳 勇）