SSA-TCN在涡扇发动机剩余使用寿命预测的应用.pdf

收稿日期:基金项目:国家自然科学基金项目(,);机械传动国家重点实验室开放基金(S K LMT M S K F K T );水电机械设备设计与维护湖北省重点实验室(三峡大学)开放基金(K J X ,K J X ,K J X )通信作者:陈保家(),男,教授,博士,研究方向为机械装备状态监测、故障诊断及可靠性评估与寿命预测 E m a i l:c b j i a c o mD O I:/j c n k i i s s n X 引用格式:吴俊伟,陈保家,陈正坤,等 S S A T C N在涡扇发动机剩余使用寿命预测的应用J三峡大学学报(自然科学版),():S S A T C N在涡扇发动机剩余使用寿命预测的应用吴俊伟陈保家陈正坤万刚田助新刘强(三峡大学 水电机械设备设计与维护湖北省重点实验室,湖北 宜昌 ;长江三峡通航管理局,湖北 宜昌 ;中国长江电力股份有限公司,湖北 宜昌 )摘要:针对剩余使用寿命预测(RU L)领域中深度神经网络模型参数选择困难、预测精度难以提升的问题,提出了一种基于麻雀搜索算法优化的改进时间卷积神经网络(T C N)的RU L预测模型该方法首先采用前向填充滑动采样进行样本时间步的添加,然后使用层规范化对T C N中的残差块结构进行改进,最后在C MA P S S数据集上进行验证结果表明,在均方根误差(RM S E)和得分函数(S F)两个指标中,相比于采用批规范化和权重规范化的T C N,改进的T C N使其平均降低了 和 ;前向填充滑动采样能取更长的时间步,其两项指标比直接滑动采样的两项指标分别下降了 和 ;提出的方法在涡扇发动机的个子数据集上的这两项指标,比本文其他方法的两项指标分别平均降低了 和 关键词:剩余使用寿命预测;时间卷积网络;麻雀搜索算法;层规范化;涡扇发动机中图分类号:TH 文献标志码:A文章编号:X()A p p l i c a t i o no fS S A T C Ni nP r e d i c t i o no fR e m a i n i n gU s e f u lL i f eo fT u r b o f a nE n g i n eWUJ u n w e iCHE NB a o j i aCHE NZ h e n g k u nWANG a n gT I ANZ h u x i nL I U Q i a n g(H u b e iK e yL a b o r a t o r yo fH y d r o e l e c t r i cM a c h i n e r yD e s i g n&M a i n t e n a n c e,C h i n aT h r e eG o r g e sU n i v,Y i c h a n g ,C h i n a;T h r e e G o r g e s N a v i g a t i o n A d m i n i s t r a t i o n B u r e a u,Y i c h a n g ,C h i n a;C h i n aY a n g t z eP o w e rC o,L t d,Y i c h a n g ,C h i n a)A b s t r a c t I t i st o u g ht os e l e c tt h ep a r a m e t e r so f t h ed e e pn e u r a ln e t w o r k,a n de n h a n c et h ea c c u r a c yi nt h ef i e l do fr e m a i n i n gu s e f u l l i f e(RU L)p r e d i c t i o n A nRU Lp r e d i c t i o n m o d e lo p t i m i z e db yas p a r r o ws e a r c ha l g o r i t h mi sp r o p o s e db a s e do nt h e i m p r o v e dt e m p o r a l c o n v o l u t i o n a ln e t w o r k s(T C N)F i r s t l y,t h e f o r w a r d f i l l i n gs l i d i n gs a m p l i n g i sa d o p t e dt oa d dt h es a m p l e s t i m es t e p S e c o n d l y,t h e l a y e rn o r m a l i z a t i o n i su s e dt ob o o s t t h er e s i d u a lb l o c ko fT C NF i n a l l y,t h ep e r f o r m a n c eo ft h ep r o p o s e d m e t h o di sv e r i f i e db yt h eC MA P S Sd a t a s e t T h er e s u l t ss h o wt h a tt h et w oe v a l u a t i o nm e t r i c so fr o o tm e a ns q u a r ee r r o r(RM S E)a n ds c o r e f u n c t i o n(S F)a r er e d u c e di nt h e i m p r o v e dT C Nb ya na v e r a g eo f a n d ,r e s p e c t i v e l y T h em e t r i c so f t h e f o r w a r d f i l l i n gs l i d i n gs a m p l i n ga r e a n d l o w e r t h a nt h o s eo fd i r e c ts l i d i n gs a m p l i n g,r e s p e c t i v e l y T h em e t r i c so f t h ep r o p o s e dm e t h o da r eo na v e r a g e a n d l o w e r t h a nt h a to fo t h e rm e t h o d s i nf o u rs u b d a t a s e t so f t u r b o f a ne n g i n e K e y w o r d s r e m a i n i n gu s e f u l l i f ep r e d i c t i o n;t e m p o r a l c o n v o l u t i o n a ln e t w o r k s;s p a r r o ws e a r c ha l g o r i t h m;l a y e rn o r m a l i z a t i o n;t u r b o f a n第 卷第期 年 月三峡大学学报(自然科学版)Jo fC h i n aT h r e eG o r g e sU n i v(N a t u r a lS c i e n c e s)V o l N o D e c 故 障 预 测 与 健 康 管 理(p r o g n o s t i ca n dh e a l t hm a n a g e m e n t,P HM)技术集数据监测、分析挖掘、智能建模于一体,能够为机械设备提供健康状态评估、剩余使用寿命预测(r e m a i n i n gu s e f u l l i f e,RU L)和指导性维护维修决策,其中对设备系统进行RU L预测是P HM的核心涡扇发动机作为航空航天领域的核心部件,其结构复杂、运行工况恶劣,对其进行精确的RU L预测有利于保证航天器安全可靠地运行、节省维护成本、提升经济效益L e i等将RU L预测方法分为以下类:基于物理模型的方法、基于统计模型的方法、基于人工智能的方法和混合模型方法基于物理模型的方法,通过建立基于失效机理或性能退化准则的数学模型来描述设备的退化过程,最典型的应用是蠕变模型此类方法依赖于专家知识经验,只有在充分掌握设备故障机理后才能建立较为精准的数学模型来反映机械系统或零部件的退化行为,因而此类方法的适用范围受限基于统计模型的方法,通过概率方法将观测数据拟合成随机系数模型或随机过程模型,在一定程度上可以有效地描述退化过程的不确定性及其对RU L预测的影响常用的统计学方法模型有自回归模型、G a mm a过程模 型、W i e n e r过 程 模 型、M a r k o v模型等但是基于统计模型的方法往往需要较为理想的假设条件,且在非线性转换到线性过程中存在信息丢失的风险相较于上述两种方法,基于人工智能的方法不依赖专家知识经验,不需要建立复杂的退化模型,利用数据驱动就能很好地学习到机械设备的退化规律,得到可靠的RU L预测结果李京峰等利用长短时记忆网络(l o n gs h o r t t e r m m e m o r y,L S TM)分别对涡扇发动机的单一传感器数据进行时间序列预测,然后将所有的结果按比例整合输入到深度信念网络(d e e pb e l i e fn e t w o r k s,D B N)中进行健康指标的预测,最终结合健康指标的预测曲线与设定的失效阈值得到涡扇发动机的RU L S o n g等通过相关向量机(r e l e v a n t v e c t o rm a c h i n e,R VM),对卫星的锂电池寿命进行了预测混合模型方法,即通过对前种 方 法 进 行 混 合 而 形 成 的 预 测 方 法 Z h u等 提出了一种隐马尔科夫模型自适应故障发生时间检测与多层感知器特征分布差异修正相结合的迁移学习轴承寿命预测方法 T i a n等 对设备当前和历史的数据进行威布尔失效函数拟合匹配,并将其作为神经网络的输入进行设备的剩余寿命预测虽然通过混合模型能在不同类型方法中取长补短,但其实现过程复杂,因而在实际场景中应用较少而传统的浅层模型的特征提取能力及模型的泛化能力均比较差,预测的精度有待提高深度学习作为近年来人工智能领域一种新的技术,具有优秀的深度特征提取能力,能很好地建立实测数据与退化趋势之间的映射关系 W a n g等 将原始振动信号直接输入到具有残差结构的深度可分卷积 网 络(d e e ps e p a r a b l ec o n v o l u t i o n a ln e t w o r k s,D S C N)中获取敏感特征,并将其映射到机械设备的剩余寿命中 W u等 通过深度长短时记忆网络(d e e pL S TM,D L S TM)融合多维传感器数据,进行涡扇发动机的RU L预测,并给出预测误差范围朱霖等 通过增加改进的残差块结构,并结合采用遗传算法的集成学习技术实现涡扇发动机的RU L预测由于L S TM具有出色的记忆功能,在时间序列预测和RU L预测领域得到了广泛的研究与应用然而,L S TM的同一层参数不能共享,无法实现并行计算随着网络单元数目和网络堆栈深度的增加,其网络的参数量会变得十分庞大,训练时占用的内存也更大,训练时间往往比普通R NN更为漫长时间卷积网络(t e m p o r a lc o n v o l u t i o n a ln e t w o r k s,T C N)是专门为时间序列处理而设计出来的一种卷积神经网络相较于L S TM,它同样具有时间记忆能力,并且已经在机器翻译、语音合成、时间序列预测等领域中验证了其优越的性能 考虑到C MA P S S数据集的序列特点,基于T C N的RU L预测是具有可行性的而涡扇发动机的RU L预测方法的可靠性已经得到了一定验证 因此,本文提出了一种基于麻雀搜索算法(S S A)进行参数搜索的T C N模型,用于涡扇发动机的RU L预测该方法一方面充分利用T C N结构中的卷积层参数共享、并行计算以及良好记忆能力的优势;另一方面利用S S A更快的收敛速度、更好的鲁棒性与精度等特点,对T C N进行参数寻优,能减少人工调节参数的工作量,得到性能稳定的T C N结构,提高模型的预测精度,为涡扇发动机的维护策略提供可靠的依据 T C N基本原理卷积神经网络(c o n v o l u t i o n a ln e u r a ln e t w o r k s,C NN)在图像分类中已取得了巨大成功经典C N N由多个卷积层和池化层组成 T C N是C NN的一种特殊体系结构,只有卷积层没有池化层,通过卷积层构成深度神经网络以达到对输入序列历史信息的记忆功能其主要结构特点包括膨胀卷积、残差连接 膨胀卷积膨胀卷积分为因果膨胀卷积(c a u s a ld i l a t e dc o n 第 卷第期吴俊伟,等S S A T C N在涡扇发动机剩余使用寿命预测的应用v o l u t i o n)与非因果膨胀卷积(n o n c a u s a ld i l a t e dc o n v o l u t i o n)两种卷积方式,其中因果膨胀卷积可以防止未来时间序列信息的泄漏,可实现实时预测;而采用非因果膨胀卷积则可使T C N能利用过去到未来全部的输入进行预测,但不再适合实时应用膨胀卷积通过对T C N每一层卷积核进行零填充,使得卷积核的感受也随着卷积层数的递增而呈指数级增大,因此能获得更多的局部信息,从而能保存更长的历史信息此外,T C N还可以将任意长度的序列作为输 入 并 产 生 相 同 长 度 的 输 出 序 列,因 此 比R NN更具有灵活性但是值得注意的是,T C N不是特定的网络结构,而是一系列体系结构,其网络结构如图所示图时间卷积网络的结构对于一维时间序列输入xRn和一个卷积核f:,kR,序列元素上的膨胀卷积运算F被定义为F(s)(xd f)(s)k if(i)xsdi()式中:d为膨胀因子;k为核大小;sdi为时间序列过去的方向 残差连接T C N中含有残差网络(r e s i d u a ln e t w o r k s,r e s N e t)结构,其残差块允许T C N学习各层特征映射的残余误差,避免深度网络的梯度消失问题,使网络在深层结构中仍然保持稳定的性能 由于批规范化(b a t c hn o r m a l i z a t i o n,B N)对于同处于一个批次中的数据长度要求是相同的,而T C N输入的序列长度可能是动态变化的,因此B N可能并不适用于T C N;而层规范化(l a y e rn o r m a l i z a t i o n,L N)通过对指定层的所有 神 经 元 的 输 出 进 行 规 范 化,解 决 了 上 述 问题,同时满足了C MA P S S数据集的不同输入序列要求图表示本文T C N结构体系中改进的残差块结构Dropout?1X1?Dropout?图改进的残差块结构 基于S S A T C N的涡扇发动机剩余使用寿命预测方法本文采用改进的残差块构建深度T C N结构体系,并结合麻雀搜索算法(S S A)对关键的网络参数进行优化首先将预处理的时序数据作为T C N的输入,然后将最后一层T C N的输出直接与一个神经元数目为的全连接层连接,以全连接层的输出直接作为RU L的预测结果剩余使用寿命预测流程如图所示,分为个模块:数据处理,参数优化,RU L预测1.?2.SSA?TCH?3.RUL?(TCN)?(MSE)TCN?、?TCN?RUL?、?RUL?、?、?、?图基于S S A T C N剩余寿命预测的基本流程三 峡 大 学 学 报(自 然 科 学 版)年 月 数据预处理 时序数据归一化与维度转换涡扇发动机的原始传感器数据存在量纲和数量级的差别,为了消除因这些差异而造成的数据不一致性,同时又不改变数据的原始分布,方便神经网络模型训练,提高RU L预测的精度,本文采用最大最小归一化方式将原始数据范围限制在,之间目前,对不同长度的时间序列添加时间步的处理方式主要有两种:长度损失型 ,长度保持型长度损失型即直接滑动采样,其窗口大小受限,对于发动机传感器数据来讲,窗口不能大于所有发动机的传感器数据中的最小长度因而预测模型对历史信息的记忆能力也会相应地受限长度保持型采用零填充的方式来消除滑动采样窗口对原始时间序列样本长度的消耗其中填充的方式又可以分为前向填充与后向填充 由于前向填充的方式与T C N中膨胀卷积对时序数据处理方式相似,因此,本文采用前向填充滑动采样进行数据维度转换 分段退化RU L标签处理为了提高最终的RU L预测精度,降低发动机正常运行状态特征对退化状态特征的干扰,常常需要对RU L标签进行一定的处理其中文献 ,均采用分段线退化的方法来处理RU L标签,即当实际的剩余寿命Y大于某一个最大循环周期T时,认为发动机处于正常运行状态,其寿命始终为常数值T;当Y小于T时,此时开始发生退化,发动机寿命为原始实际值Yl a b e lTYTYYT()式中:Yl a b e l为分段处理后的RU L标签此外,T值的选取与发动机的退化状态密切相关根据文献 的研究,T值通常在 个周期之间较为合适 T C N的参数搜索用于涡扇发动机RU L预测的T C N模型的搜索参数及范围见表,表中参数分别对应激活函数A、优化器O、残差块数目L(为了保证T C N能学习到输入数据的时间依赖关系,同时便于训练,规定网络最小有层,最大有层,其范围对应着该层神经元数目的取值范围)、随机丢失率D、激活函数L e a k y R e L U大于时的的线性系数值、卷积核大小K、卷积方式P(因果卷积为,非因果卷积为)、批处理大小B、初始学习率T C N每一层残差块的膨胀率为N,N为每一个T C N网络个体中残差块所处的层数值在训练过程中,从训练集中随机划分出 的数据作为验证集,以增加模型的泛化性能当验证集的预测效果连续 次没有提升时,则使个体网络的学习率衰减为原来的 设置训练时早期停止的可承受度 为 ,训练的最大次数为 ,损失函数为均方误差(m e a ns q u a r ee r r o r,M S E)T C N参数寻优的具体步骤如下:)种群初始化:所有群智能优化算法的初始群数量为;)适应度:所有群智能优化算法运行过程中的适应度为RU L预测值与标签值之间的M S E,其值越小表示适应度越好;)生产者位置更新:生产者发现开始进行搜索,发现食物(最优解)后带领种群朝着食物的区域移动;)竞争者位置更新:部分竞争者时刻监视生产者,并与之争夺食物;)种群位置整体更新:预警者发现危险,种群迅速朝着其他安全区域(潜在最优解)的方向移动)终止条件:当算法完成 次迭代后,终止运算表T C N待寻优参数及其范围参数范围AR e L U,E L U,L e a k y R e L U,S E L UOA d a m,RM S p r o p,A d a m a x,A d a g r a d,N a d a m,A d a d e l t aL,L,L,L,L,L,L,D,K,P,B,增设的对照方法为遗传算法(GA)和粒子群优化算法(P S O)其中GA的选择算子采用确定式选择,即对每一代的个体按照适应度从大到小排序后,保留前,再从剩下的较差个体中选择,以防止算法早熟;交叉算子采用均匀交叉的方式,即被选择的父母亲个体的每个基因位置上的基因值都以相同的交叉概率进行交换,从而形成两个新个体;第 卷第期吴俊伟,等S S A T C N在涡扇发动机剩余使用寿命预测的应用变异算子采用基本位变异,随机指定表中的一个参数,在给定的参数值范围内进行变异,并设置变异率为;P S O按文献 中的经验选取的学习因子均为,最小惯性权重为,最大惯性权重为 GA和P S O的其它实验条件设置与S S A保持一致 实例验证在基于C UD A 和T e n s o r f l o w G P U版框架下,使用P y t h o n 完成算法的构造;并在配置信息为I n t e l(R)C o r e(TM)i H C P U GH z,NV I D I A G e F o r c e G T X T i G P U,GR AM的计算机上完成实验的计算 数据集描述验证数据集采用RU L预测中广泛使用的商业模块 化 航 空 推 进 系 统 仿 真(c o mm e r c i a l m o d u l a ra e r o p r o p u l s i o ns y s t e ms i m u l a t i o n,C MA P S S)数据集 该数据集由个子数据集组成这些子数据集分别在不同的运行工况和故障模式组合下进行仿真,采集了 个传感器和个操作条件设置的监测数据,以反映涡扇发动机从开始运行到发生故障直至失效的退化过程数据集描述见表,可知F D 到F D 数据集兼顾不同的操作条件和故障模式,因此它们是很难预测的故而,采用此数据集能对本文T C N算法的性能进行很好的验证表C MA P S S数据集介绍数据集训练集(发动机数量)测试集(发动机数量)操作条件故障模式F D F D F D F D 在上述的 维数据中,F D 和F D 是单一的操作条件,故个固定操作条件设置的数据会对T C N退化特征的提取造成较大的干扰由于传感器、的 数 据 存 在 异 常,因 此,在F D 和F D 的RU L预测中,仅用剩下的 个传感器的数据;在F D 和F D 的RU L预测中,除了上述 个传感器数据,还使用个操作条件设置的数据 评价指标采用评分函数(s c o r i n gf u n c t i o n s,S F)、均方根误差(r o o tm e a ns q u a r ee r r o r,RM S E)以及准确率(a c c u r a c y)对T C N的预测性能进行定量评价Eie r r o rCiR U LTiR U L()SFQieEie r r o r()Eie r r o rQieEie r r o r()Eie r r o r()EMAQQiEie r r o r()ERMSQQiEie r r o r()HiEie r r o r,o t h e r w i s e()Ac cMMiHi ()式中:Eie r r o r是第i台发动机的RU L预测值CiRU L与RU L实际值TiRU L之间的误差;Q为测试样本数;Ac c是RU L预 测 结 果 的A c c u r a c y,表 示 在 误 差 区 间,内的测试集发动机的得分情况;M为测试集发动机的总数目 实验结果分析T C N参数搜索中使用的数据集为F D 子数据集,时间步取 S S A、GA和P S O的种群平均适应度和个体最佳适应度(M S E)的变化如图所示（a）?（b）?1601551501451401351301251200010102020303040405050?6 0005 0004 0003 0002 0001 000GA?PSO?SSA?GA?PSO?SSA?GA?PSO?SSA?图不同优化算法的适应度随进化代数的变化从图可以看出:P S O的种群平均适应度波动大,稳定性差;GA出现了微小波动;唯有S S A在 次进化的过程中最为稳定改进的S S A最佳个体收敛值为 ,P S O的收敛值为 ,GA的收敛值为三 峡 大 学 学 报(自 然 科 学 版)年 月 ,因此,改进的S S A效果最佳,最终搜索得到最佳个体的参数具体见表,再利用这些参数构建本文的T C N模型结构表S S A搜索到的T C N最佳参数参数最优解参数最优解参数最优解AL e a k y R e L UL OA d a mLKL LPL LB L D 本文采用层规范化(l a y e rn o r m a l i z a t i o n,L N)改进的T C N分 别 与 批 规 范 化(b a t c hn o r m a l i z a t i o n,B N)和文献 中采用权重规范化(w e i g h tn o r m a l i z a t i o n,WN)的T C N进行比较一般RU L分段函数的最大循环周期是根据观测结果选择的,每个数据集的数值是不同的参照文献 ,其它实验参数不变的条件下,F D 数据集取最大循环周期 种规范化方法在F D 数据集上分别运行 次,最终在测试集上的ERM S、SF和Ac c的个指标的均值和标准差见表表不同规范化方式的T C N模型在F D 测试集上预测性能的对比规范化方式ERM SSFAc cB N L N WN 从表可以得出,本文采用L N的T C N模型在个评价指标上均具有最优的性能相较于采用B N方式的T C N模型,T C N模型的ERM S和SF这两个误差型指标分别降低了 和 ;准确率指标Ac c提高了 相较于采用WN方式的T C N模型,T C N模型的ERM S和SF分别降低了 和 ;准确率指标Ac c提高了 因此,本文采用的层规范化方法能有效提高模型准确率为了更直观地表示种规范化方式对T C N模型训练过程的影响,B N、L N和WN这种规范化方式的T C N的训练过程如图所示（a）?1 4001 2001 000800600400200501001502002500epochERMSLN lossBNWNlossloss（b）?1 6001 4001 2001 000800600400200501001502002500epochERMSLN lossBNWNlossloss图不同规范化方式的T C N模型的训练过程种T C N模型在训练集上的损失函数值下降均比较稳定,其中B N方式的T C N收敛最早,在第 个e p o c h就停止了训练;WN方式下的T C N在第 个e p o c h停止训练;L N方式的T C N是最晚停止训练的,但是模型在第 个e p o c h的时候最早到达了收敛值在图(b)中,相较于B N和WN方式的验证集损失函数的巨大波动,采用L N的T C N在验证集上的表现十分稳定,训练过程中验证集的损失函数稳定下降,并在e p o c h为 左右时就已经趋于收敛,而后在第 个e p o c h时进一步下降;同时,L N方式的验证集损失函数的收敛值也是种方式中最小的因此,上述训练过程进一步证明了本文采用的L N方式能够提高T C N模型在训练过程中的稳定性,并能够抑制过拟合情况的出现,从而提升T C N模型的预测性能为了证明前向填充滑动采样方法和时间步的合适取值能有效降低RU L预测的误差,在其他实验条件不变的前提下,探究了直接滑动采样和前向填充滑动采样针对不同时间步的预测效果,分别将两种采样方式在个子数据集上进行实验对比通过探究前向填充滑动取样的时间步问题,在 之间寻找最佳取值,发现时间步等于 时能达到局部最佳效果,故前向填充滑动采样个数据集的时间步均采用 F D 数据集ERM S、SF和Ac c带误差棒的折线图如图所示181716151413121150045040035030025020015010080757065605550SFERMSAcc/%AccSFERMS?1012 14 16 18 20 22 24 26 28 30 32 34 36 38 40图不同时间步取值的F D 测试集R U L预测结果评价由于在直接滑动采样方式下除了F D 的最大时间步能够取到,其他的F D 、F D 和F D 第 卷第期吴俊伟,等S S A T C N在涡扇发动机剩余使用寿命预测的应用分别只能取到、和 因此直接滑动采样选择F D 时间步为,其余的F D 、F D 、F D 分别取其最大的时间步所有实验均运行 次,并计算其评价指标的均值和标准差,最终对比的实验结果见表由表可知,相比于直接滑动采样,前向填充滑动采样的时间步添加方式能够提升T C N模型的RU L预测性能;并且在F D F D 这个子数据集中的ERM S和SF两个误差型指标上分别降低了 和 ;在Ac c指标上平均提升幅度为 表不同方法在F D 测试集上的R U L预测结果性能对比采样方式数据集ERM SSFAc c直接滑动采样F D F D F D F D 前向填充滑动采样F D F D F D F D 本文方法与其它文献方法的对比结果见表表本文提出的S S A T C N与其他文献的对比数据集方法TERM SSFAc c/F D S S A T C N L S TM D B N未知 D S C N未知 D L S TM G A S E N T C N T C N T C N H I F D S S A T C N L S TM D B N未知 D S C N未知 D L S TM G A S E N T C N T C N T C N H I F D S S A T C N L S TM D B N未知 D S C N未知 D L S TM G A S E N T C N T C N T C N H I F D S S A T C N L S TM D B N未知 D S C N未知 D L S TM G A S E N T C N T C N T C N H I 本文的S S A T C N方法在个子数据集上表现突出,在个子数据集共计 个评价指标中,其中个指标效果最佳而对比文献中,表现最好的GA S E N T C N,共个指标效果最佳因此,这足以证明本文S S A T C N方法的优秀性能本文方法在个子数据集的 个指标中,均优于L S TM D B N、D L S TM和T C N这种方法在具有Ac c指标结果的GA S E N T C N、T C N H I这两种方法中,本文方法在F D 、F D 和F D 上拥有最高的准确率指标值,另外F D 的准确率指标 次的平均值为 ,位列第本文方法的准确率指标在F D 到F D 这个子数据集上分别提升了 、和 ,个数据集的Ac c指标综合平均提升了 综合对比篇文献的方法,本文的S S A T C N在F D 到F D 的ERM S分别平均降低了 、和 ,个数据集的ERM S指标综合平均降低 ;在F D 到F D 的SF分别 平 均 降 低 了 、和 ,个 数 据 集 的SF指 标 综 合 平 均 降 低 了 为了更加直观地表达预测结果,以F D 子数据集在T 时的测试集预测结果为例,本文的方法比较准确地预测出了不同发动机的RU L值,如图所示为了进一步探究在预测过程中,每一台发动机的具体预测情况,本文分别对F D F D 等个子数据集的发动机单独进行了研究受限于文章篇幅,本文从每一个子数据集的测试集中分别获取一台发动机的RU L预测结果,如图所示三 峡 大 学 学 报(自 然 科 学 版)年 月1401201008060402020406080100?/?0图F D 测试集整体的R U L预测结果（a）FD001?76?（b）FD002?185?（c）FD003?39?（d）FD004?111?14012010080604020140120100806040201401201008060402014012010080604020?140140150160160160180180280320240200200240 26020020012012012010010010080808060604040402020500000250300350220?/?/?/?/?图单台发动机RU L预测结果从图可知,本文方法学习到了训练集的退化特征,不仅在相对应的测试集上精确预测出了最后一个点的RU L值,而且很好地预测出了单台发动机在不同周期点上对应的健康状态以及整个运行过程中对应的RU L值因此证明了本文方法的有效性与适用性,能够为发动机的维护提供可靠的指导性策略 结论本文提出了一种结合S S A优化的改进T C N剩余使用寿命预测模型利用S S A更快的收敛速度、更好的鲁棒性与精度等特点,对T C N的参数进行优化,可以使得T C N模型能针对特定的预测问题自适应选择模型参数,降低了人工调试参数的工作量,提高了模型的预测精度,实现了端到端的剩余使用寿命预测模式通过在公开的C MA P S S数据集上进行测试,并与最近的预测方法进行比较,得出如下结论:)提出的基于L N改进的残差块结构,增强了T C N模型在训练过程中的稳定性,有效提高了模型的RU L预测精度;)相比于直接滑动采样,本文采用的前向填充滑动采样的时间步添加方式能有效降低模型的RU L预测误差;)提出的S S A T C N模型在个子测试集上的RU L预测评价指标ERM S和SF比其他方法分别平均降低了 和 ,证明了本文方法的优越性能,能够为设备的安全维护提供可靠的指导;)虽然本文的T C N模型已取得了一定的预测效果,但是对T C N内部结构的探索还不够,未来将对T C N内部结构的设计做出进一步的研究参考文献:L E IYG,L INP,GUOL,e ta l M a c h i n e r yh e a l t hp r o g n o s t i c s:as y s t e m a t i cr e v i e w f r o m d a t aa c q u i s i t i o nt oRU Lp r e d i c t i o nJ M e c h a n i c a l s y s t e m sa n ds i g n a lp r o c e s s i n g,:B A R A L D IP,MAN G I L IF,Z I O E I n v e s t i g a t i o no fu n c e r t a i n t yt r e a t m e n tc a p a b i l i t yo fm o d e l b a s e da n dd a t a d r i v e np r o g n o s t i cm e t h o d su s i n gs i m u l a t e dd a t aJ R e l i a b i l i t ye n g i n e e r i n g&s y s t e ms a f e t y,:Z HUJ,CHE N N,P E N G W W E s t i m a t i o no fb e a r i n gr e m a i n i n gu s e f u ll i f eb a s e do n m u l t i s c a l ec o n v o l u t i o n a ln e u r a l n e t w o r kJ I E E Et r a n s a c t i o n so ni n d u s t r i a l e l e c t r o n i c s,():NA J EH T,L UN D B E R GJ D e g r a d a t i o ns t a t ep r e d i c t i o no fr o l l i n gb e a r i n g su s i n gA R X L a g u e r r em o d e la n dg e n e t i ca l g o r i t h m sJ T h ei n t e r n a t i o n a lj o u r n a lo fa d v a n c e dm a n u f a c t u r i n gt e c h n o l o g y,(/):WANG H,L I AO H,MAXB,e t a l R e m a i n i n gu s e f u ll i f ep r e d