基于深度多尺度卷積神經網絡的剩余使用壽命預測模型①

原建洋 葛陽,2＊ 蔣曉梅,2 鄭明遠

(1.常熟理工學院機械工程學院 江蘇常熟 215500；2.江蘇省電梯智能安全重點建設實驗室 江蘇常熟 215500)

隨著傳感器技術的發展，越來越多的在線監測技術被應用于高可靠性要求的機械產品上，如核電設備、航空設備、汽車產品等。為了降低故障風險，應依據采集到的設備的實時信息，選擇合適時機對設備進行預防性維修，主流的維修策略有“基于狀態的維修（CBM）”和“故障預測與健康管理（PHM）”，其關鍵技術是通過實時數據識別設備當前的狀態以及預測設備剩余使用壽命（RUL），從而為設備的維修決策提供依據。本文提出了一種深度多尺度卷積網絡結構用于RUL預測，該網絡整體由四層卷積運算疊加構成，其中第一層和第三層為多尺度卷積層，其余兩層為普通卷積層，可以實現從多個尺度提取輸入數據的特征，顯著提高RUL的預測精度。

1 深度多尺度二維卷積網絡的構建

卷積神經網絡（CNN）是深度學習算法研究的熱點之一，CNN局部權值共享的特殊結構在語音識別和圖像處理方面有著獨特的優越性，權值共享降低了網絡的復雜性，多維向量輸入的圖像可以直接輸入網絡，避免了特征提取和分類過程中數據重建的復雜度。

典型的CNN結構主要由輸入層、卷積層、池化層、全連接層和輸出層組成：

設M為CNN的原始輸入矩陣，用Xi表示第i層的特征（X0=M）,若Xi為卷積層，則Xi可表示為

圖1 本文提出的RUL預測網絡結構

其中，Wi表示第i層卷積核的權值，運算符“⊙”表示卷積運算，卷積輸出與第i層的偏置bi相加后，通過激活函數R(x)便得到第i層的特征Xi。

池化層通常在卷積層之后，其主要作用一是對特征矩陣進行降維，將低層次的局部特征組合為較高層次的特征；二是對特征矩陣進行壓縮，簡化網絡，降低計算復雜度。若Xi為池化層，則

其中，P(x)表示池化運算，常見的池化運算為平均池化和最大池化。

經過多個卷積層和池化層交替傳遞后，全連接層將學到的“分布式特征表示”映射到樣本標記空間。深層神經網絡通過多次非線性變換和近似的復雜非線性函數，能夠自適應地從原始輸入信號中獲取特征信息。

2 RUL估計的方法的體系結構

圖1是本文提出的用于RUL估計的方法的體系結構，其包括：

（1）輸入層。為了便于卷積運算，以二維格式準備輸入數據樣本。輸入的數據維數是Nt×Nf，其中Nt表示時間序列，Nf是原始特征的數量。原始特征通常是通過傳感器直接從設備中采集到數據。

圖2 本文提出的RUL預測網絡層級框架

（2）卷積層。在網絡中共堆疊4個卷積層進行特征提取，第一個及第三個卷積層為多尺度卷積層，分別采用三種不同尺度的卷積核來提取不同的特征，濾波器的大小分別是7×1、9×1、10×1。第二層和第四層卷積層為單尺度卷積層。濾波器的大小是10×1，所有的卷積層均使用零點填充操作，保持特征映射維數不變，與輸入的原始特征維數相同。本文所有卷積層均選用Relu激活函數，作為非線性單元Relu函數能夠增加卷積神經網絡的非線性，使卷積神經網絡結構能夠分段線性。另外，在卷積層加入BN（Batch Normalization）算法可以加快網絡結構的學習率。在兩個單尺度卷積層后，采用平均池化層來加速收斂，提高預測精度。

（3）全連接層。全連接層的每一個結點都與上一層的所有結點相連，用來把上一層提取到的特征綜合起來。在最后一個特征映射上使用丟棄層來消除過擬合。最后，在所提出的網絡的末尾加入一個回歸層用來計算回歸問題的均方誤差損失。還采用了Adam優化算法來加速學習速度和效果，網絡層級架構如圖2所示。

3 結語

本文提出了一種用于壽命預測多層變尺度卷積網絡，先利用不同尺度卷積從原始特征中提取不同特征，再利用深度連接層將提取的特征融合，作為下一層卷積的輸入，經過多層類似結構的卷積運算，最后連接回歸層，搭建成學習和預測網絡。當然，本文的研究也存在一些有待改進的地方：如多尺度卷積比單尺度卷積運算速度慢、預測結果的評價指標函數合理性論證不足、一些深度學習網絡參數的最優化問題還沒給出等問題，這些問題有待下一步研究完善。