基于S- 時間熵和LSTM 的滾動軸承早期故障預測

蔣金元 彭 成 李鳳娟

（ 湖南工業大學，湖南 株洲412007）

近些年國內外研究機械故障熱點在于故障診斷，研究故障預測較少，但預測是對機械未來的性能退化的預先估計，能極大程度地減少機械故障帶來的經濟損失，故障預測在實際生產生活中越發重要。目前故障預測多是利用數據驅動方法實現，如自回歸（Autoregressive, AR）模型[1]，灰色理論[2]，支持向量回歸（Support Vactor Regression, SVR）[3]，深度學習[4]等方法。這些方法中，深度學習因其獨特的自學習能力廣泛用于電力系統[5]、金融行業[6]等領域，但在故障預測領域上的應用仍是初始階段。

國內外學者基于深度學習的故障預測一類為端對端的預測方法，Malhotra 等[7]利用長短時記憶編解碼器無監督學習多傳感器健康指數從而進行預測，這類方法用于實際生產中還存在一些問題。另一類為利用表征性能退化的特征值與深度學習模型相結合的方法，該方法通過特征指標表征性能退化，用深度學習方法預測退化曲線從而達到預測故障的目的。趙建鵬等[8]運用經驗模態分解得出的本征模態并計算能量熵，并提出基于LSTM的故障預測。這類方法需要良好的特征指標來有效刻畫機械的性能狀態變化與趨勢，程道來等人[9]于2019 年提出一種新的滾動軸承性能退化指標S- 時間熵，實驗表明與工程上常用時域指標相比，能更好反映軸承的退化過程。但S- 時間熵的計算過程中，時頻譜系數矩陣的規模一般是很大的，這嚴重影響快速獲取熵值，并且基于深度學習的機械故障預測對于早期故障研究較少。鑒于此，提出一種基于改進的S- 時間熵與長短時記憶深度網絡（Long Short-Term Memory, LSTM）相結合的早期滾動軸承預測方法。

1 滾動軸承早期故障預測方法

1.1 改進時間熵

改進S- 時間熵算法

（1）將時序信號X 做S 變換并取模得到時頻譜系數矩陣A（nxn）。

（2）A[i]暫存到ListA，找到listA 的所有最大值MaxList 和最小值MinList，根據MaxList、MinList 和w 對數據做縮放，得到縮放倍率的NewList。

（3）對NewLsit 進行歸一化信息熵處理得到特征值Fi。

（4）將n 個Fi求和取平均得到S- 時間熵res。

1.2 故障預測

針對滾動軸承早期故障的預測，提出一個基于LSTM的早期故障預測方法，步驟如下：

（1）獲取軸承全生命周期的振動加速度數據。

（2）由2.1 章的算法計算S- 時間熵并將其作為軸承性能退化指標。

（3）選取正常狀態與早期故障狀態下的S- 時間熵熵值分別作為訓練集和測試集。

（4）使用LSTM對數據集訓練，預測。

（5）使用多種評價指標對預測結果進行評價。

2 實驗驗證

2.1 實驗環境與評價指標

實驗軸承整個生命期數據采用NASA 的Prognostic Center Excellence 的IMS 數據集[10]，實驗采用Python 3.7 編程，深度學習框架為pytorch 1.5.0，操作系統為Win10。

評價指標：均方根誤差（RMSE），平均絕對誤差（MAE），平均絕對百分誤差（MAPE）。

2.2 實驗結果

將IMS 數據集的數據，按照縮放比例w計算S- 時間熵，得到S- 時間熵曲線圖如圖1 所示。圖中可以看出比例的縮放并沒有影響時間熵的總體的變化，同時可以看到所有曲線均約于525 個數據點開始明顯下降，說明適當的縮放并不會影響S- 時間熵用于表征滾動軸承的退化情況，同時可以認為525 數據點是S- 時間熵性能退化的起點。w為1,32,64,128,256,512 的計算耗時 分別 是54.430 秒,4.030 秒,2.695 秒,2.781 秒,1.691 秒 和1.794 秒，通過比較可以得出設置w=256 是比較好的縮放倍率。

圖1 軸承全生命周期性能退化圖

將縮放比例w=256 的S- 時間熵的曲線的數據作為LSTM訓練的初始數據集，通過滑動窗口迭代推進劃分訓練集與測試集。LSTM 訓練后，預測軸承的早期故障，LSTM 模型結構為255-125-1。為了論證提出方法的有效性，引入隨機森林(RFR)，SVR 和Prophet 與LSTM進行滾動軸承故障預測實驗對比，相應的預測評價指標如表1 所示。

表1 不同方法預測效果比較

通過對比四種方法的預測結果，LSTM 在各個評價指標下的效果明顯，RMSE 為0.0007,MAE 為0.00056 以 及MAPE 為0.0005，與其他方法相比，各個指標上的比較都是最好的，說明LSTM的曲線預測能力更強，用于滾動軸承的早期故障預測能有更高的精度。

3 結論

針對S- 時間熵的計算相對耗時，對其進行改進，并利用其所表征的軸承性能退化曲線作為LSTM 深度學習模型的輸入，提出一種對滾動軸承早期故障狀態預測的方法。實驗表明，該方法能夠較好地準確地預測滾動軸承早期故障階段的性能退化情況，對滾動軸承的維護、替換工作有了更好的指導意義。