工业设备的健康状态评估和退化趋势预测联合研究

作     者：张永 龚众望 郑英 谢林柏 张泽 刘振兴 ZHANG Yong;GONG ZhongWang;ZHENG Ying;XIE LinBo;ZHANG Ze;LIU ZhenXing

作者机构：武汉科技大学信息科学与工程学院武汉430081 华中科技大学人工智能与自动化学院武汉430074 江南大学物联网工程学院无锡214122 亚马逊公司西雅图98109美国 

出 版 物：《中国科学：技术科学》 (Scientia Sinica(Technologica))

年 卷 期：2022年第52卷第1期

页      面：180-197页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 080201[工学-机械制造及其自动化] 

基　　金：国家重点研发计划(编号:2018YFB1701202) 国家自然科学基金(批准号:61873197,61873102)资助项目 

主　　题：健康状态评估 退化趋势预测 流行空间分布对齐 因果膨胀卷积 注意力机制 

摘      要：工业设备作为工业互联网的基本组成部分,其健康状态事关工业产品的质量水平和生产过程的稳定性以及流畅性.因此,对工业设备的健康状态进行评估和退化趋势预测具有重要的理论价值和工程实践意义.本文基于深度学习方法,拟构建双任务框架,实现工业设备的健康状态评估和退化趋势预测联合研究.具体来说,首先对工业设备的监测信号进行时域和频域特征提取,使用LightGBM选择强相关性的特征,通过主成分分析降维建立健康指标,并构建健康状态的类别标签;接着发展领域自适应的迁移学习算法,即流形空间分布对齐,将源域和目标域在特征层面进行迁移,完成源域和目标域的分布对齐;最后,融合因果膨胀卷积、双向门控循环单元以及注意力机制技术,设计了双任务深度网络框架,实现了工业设备的健康状态评估和退化趋势预测的双功能.本文方法有效解决了单独研究工业设备的健康状态评估或退化趋势预测的缺陷,可以同时对设备进行状态进行实时定性分析(健康状态)和定量分析(剩余使用寿命).最后,以工业关键部件的轴承和刀具为例,通过和当前流行的深度学习方法比较,实验结果验证了本文所提的方法能够实现双任务功能以及显著提升退化趋势预测的精度.