基于端邊云工業互聯網平臺的軸承RUL預測分析

林懿，龍偉，李炎炎，魏鴻飛，湯高豐

（1.四川大學機械工程學院，四川成都，610097； 2.成都中創一佳科技公司, 四川成都，610065）

0 引言

滾動軸承是旋轉設備中應用最廣的關鍵部件之一，因其工況惡劣，承受載荷多變、強度大和時間長等特點，也是最易損的部件之一。并且由于軸承失效的突發性，事故的發生難以預料，在造成經濟損失的同時，也會給工業安全生產帶來嚴峻挑戰[1]。因此，提前預測軸承剩余使用壽命能夠快速反應決策，對保障人員財產安全具有重大意義。傳統RUL預測嚴重依賴專家經驗，不僅成本高，且在大規模生產或惡劣環境狀況下，僅憑人力也難以負擔。如何低成本、高效且智能的對滾動軸承RUL實現精確預測，成為工業工程中亟待解決的問題。

而隨著新一代信息技術的高速發展，云計算、大數據和人工智能等手段通過打造工業領域的互聯網平臺賦能裝備智能運維與自主健康，為軸承RUL預測提供了一種全新的、高效的、智能的解決方法。基于網絡技術開展設備遠程監測診斷的研究可追溯到上世紀90年代，在國外，1997年麻省理工學院與斯坦福大學共辦第一屆“基于因特網的工業遠程診斷研討會”，對該技術的連接體系、診斷信息、傳輸協議以及相關限制進行了探討，提出了展望與預期，獲得了國家以及相關行業公司的支持合作[2]；2012年美國GE公司發布報告，重點以“旋轉機械”為討論對象，提出將傳感器嵌入各類先進儀器儀表以收集分析信息數據，改進設備性能，并打造出全球首個工業互聯網平臺——Predix[3]。在國內，諸多高校行業也依據自身優勢專業，在各工業領域開展設備遠程診斷，并取得部分成果，其中，華中科技大學[4]在網絡上設立診斷點，以實驗室為單位成功提供了遠程診斷服務。北京化工大學的高金吉院士團隊[5]從企業工程經驗出發，于2012年就推出了基于工業互聯網的設備監測診斷平臺，能夠于在線、無線、離線狀態下實現對工業現場設備的故障診斷。

近些年，隨著傳統制造業轉型升級的呼聲愈發高昂，以工業互聯網賦能設備監測診斷，促使設備診斷信息化、管理決策智能化也掀起空前熱潮。

1 端-邊-云協同方案設計

本文方案是以“面向產業集群全業務服務的工業互聯網平臺”為基礎設計的，該平臺由四川大學龍偉教授團隊推出，主要針對國內某開發區企業類型多、產業數量多的特點建設的，并已成功入選“重慶市十大軟件公共服務平臺培育方案”，平臺主界面如圖1所示。

圖1 工業互聯網平臺主界面

傳統的“端-云”協同面臨以下問題：（1）大數據傳輸問題。未加處理的海量設備端數據在傳輸至云端的過程中，存在高延遲的缺陷；（2）實時性問題。數據量過大，影響云計算的實時處理能力；（3）安全問題。端-云傳輸路徑過長，存在數據丟失以及泄露風險。盡管“端-云”協同的架構解決了終端設備的限制，但仍存在一定的問題影響服務質量和效率。為了緩解上述問題，在端-云架構中靠近設備端的部分，引入邊緣層，對海量工業數據實施預處理和儲存，能夠產生更快的網絡服務響應，滿足工業實時性、應用智能性、信息安全性。端-邊-云總體架構如圖2所示。

圖2 端-邊-云總體架構

1.1 端層功能設計

端層又叫應用層、設備層或者感知層，主要指的是工業現場的數據采集系統，通常包括工業設備、傳感器以及嵌入式系統等。在工業現場，主要是將各類有線和無線通信技術接入各種工業現場設備、智能產品/裝備采集工業數據。因此，利用加速度傳感器，采集重要設備的軸承振動信號，并通過智能網關傳輸到邊緣服務器。

1.2 邊層功能設計

邊層又叫邊緣層，能利用云網關連接工廠網絡中的各類設備，采集端層的多源異構數據，匯聚各類工業參數，并進行準確及時的協議解析、數據清洗、存儲和科學的分析處理，通過以太網、移動網絡等上網方式與云平臺進行通信，實現數據上云。將邊緣服務器部署在靠近工業現場的節點，一方面，能夠解決設備端儲存、計算能力不足的問題；另一方面，通過邊層對工業數據的結構化處理，不僅將云層的計算任務卸載到邊層，減輕了云中心的處理壓力、增加了傳輸效率。此外，由于目前在工業數據采集領域，多種工業協議標準并存，各種工業協議標準不統一、互不兼容，導致協議解析、數據格式轉換和數據互聯互通困難。因此采用一種以SOA、WebService為核心的跨平臺數據交換技術，即OPC UA統一架構，在單一接口情況下實現多種工業協議標準的數據交換。因此，在邊緣層中，將軸承原始振動信號進行數據清洗、特征提取后，再傳輸給云層計算中心。

1.3 云層功能設計

云層也被稱為云計算層，即“面向產業集群全業務服務的工業互聯網平臺”，是面向客戶的中心平臺或封裝軟件，主要接受來自邊緣層的數據流，并通過對數據進行智能分析與可視化展示，為用戶提供決策支撐。同時，由于云服務器具備足夠的計算與緩存能力，因此，將訓練好的軸承RUL預測模型模型部署于云層，實現網絡化協同管理，對軸承狀態實現智能分析、判斷和預警，為工業安全生產提供遠程分析和決策服務，保障工業現場的安全生產。

2 基于QPSO-LSTM的軸承RUL預測建模

LSTM網絡在長距離時序預測過程中表現出極佳的魯棒性和適應性，適用于滾動軸承RUL預測。但單一的LSTM網絡預測方法過于依賴人為設置神經網絡的超參數，這不僅導致訓練模型隨機性高、算法智能性差，還影響模型預測精度。因此，使用量子粒子群優化算法（Quantum Particle Swarm Optimization，QPSO）對LSTM的網絡超參數自適應尋優，建立起QPSO-LSTM網絡模型，最終實現對軸承剩余壽命的智能預測。

2.1 算法介紹

2.1.1 QPSO算法

Sun[6]模擬量子波動行為，提出了一種QPSO算法，該算法引入了量子理論，從智能進化和搜索策略的本質上對PSO進行了改進。與標準PSO根據粒子飛行速度更新位置的行為不同，QPSO取消了粒子“速度向量”的屬性，使粒子位置的更新不關聯于粒子運動，以此增加算法搜尋能力。此外，基于量子理論，將粒子視為量子束縛態，其位置為搜尋空間中任意可能的點，而粒子存在于該點的概率將由概率密度函數決定。因此，基于δ勢阱理論，通過求解薛定諤方程，就能求出該概率密度函數，并在其旁邊進行逆變換從而獲得粒子位置。與傳統算法相比，QPSO可以在整個可行域內搜索最優解，具有快速收斂性和魯棒性。同時，QPSO算法在對多維函數的尋優問題中，表現出極佳的精度。算法原理和步驟如下：

Step1：計算平均最佳位置mbestt：

其中，M為粒子種群數；pbesti,t為t代粒子中的個體最優位置。

Step2：更新粒子位置。因為粒子處于δ勢阱中，從量子理論來看，粒子在不斷演變的過程中，種群具有一定程度的聚集性，粒子將會被吸引子逐漸吸引到該點。吸引子公式為：

其中，α是加權因子，遵循[0, 1]上的均勻分布數值

同時，為了更新粒子位置，需要將粒子從量子態壓縮到經典態，并使用蒙特卡羅隨機模擬獲得下一代粒子位置：

其中，xi,t+1表示粒子t+1代的位置，β為創新參數，名為收縮擴張系數,取值一般小于1；u遵循[0, 1]上的均勻分布；取+與-的概率各為0.5。

QPSO算法結合了PSO和量子理論的特點，具有如下優點：①具有概率為1的全局收斂能力；②參數量少，算法收斂速度和粒子位置只取決于參數β，具有更簡單的結構、更快的收斂速度；③比標準PSO輸出更為穩定，魯棒性極佳。

2.1.2 LSTM網絡

在滾動軸承壽命預測時，考慮到軸承退化過程是動態和發展的，傳統神經網絡只能表現為對當前時刻監測信號的映射，忽略了時序信號在不同時間的相關性[7]。循環神經網絡RNN擁有記憶循環結構，能夠同時兼顧輸入信號的空間和時序性，但在長時序數據中，有依賴下降的缺點。LSTM網絡是RNN的變種，是為了解決RNN長期以來存在的梯度消失和爆炸問題所提出的，相對于RNN，LSTM網絡在長時序記憶中有更好的表現。

傳統RNN是一個鏈式結構，通過單一網絡的復制將信息傳遞給下一個神經模塊，因此RNN具備一定的記憶功能。但隨著數據時間片段與網絡節點計算階段增加，RNN會逐漸喪失接受遠程信息的能力，也就是出現了長期依賴問題。此外，RNN權值矩陣的循環乘積，會產生梯度消失和爆炸，使得其模型訓練困難。

LSTM引入門（gate）機制，在隱藏層增加一個細胞狀態，以輸入門、輸出門和遺忘門控制信息流動。與RNN不同的是，LSTM重復模塊中并非單一神經網絡，而是四個交互層，共同控制信息沿著時間軸更新。其中，三種狀態門形成記憶單元結構組織決定單元狀態。通過這種刻意設計的結構，LSTM網絡能夠利用門控傳輸機制，有選擇性的記住需要長時間記憶的信息，而遺忘掉無用信息，徹底解決了RNN網絡“呆板”的疊加式記憶方式。

2.1.3 QPSO-LSTM

Klaus greff[8]等人研究了LSTM網絡相關超參數設置對預測結果的影響，實驗表明，學習速率和網絡大小的設置至關重要，因此，可用QPSO算法對學習速率、迭代次數、隱含神經元節點數（兩層網絡結構）共四個超參數進行尋優，以得到精度更高、更穩定的訓練模型。其中，適應度值函數定義為均方差，計算公式如下：

其中，Ai為測試值，Fi為神經網絡預測值。

算法流程如圖3所示。

圖3 QPSO-LSTM算法流程

2.2 實驗驗證

實驗數據為來自IEEE協會2012年舉辦的PHM預測挑戰賽軸承全周期振動信號[9]，選用兩種工況下的Bearing1-1及Bearing2-1為訓練集數據，Bearing1-3為測試集數據，具體軸承全壽命信號圖如圖4所示。經過綜合考慮，提取信號最小值、能量熵、峰峰值、最大值、波形、整流平均值、標準差、方差等8組特征構建軸承退化特征向量。此外，將軸承剩余壽命模型簡化為一次方程，并引入軸承特征共同構建訓練參數集，同時為了更直觀地呈現剩余壽命預測情況，將剩余壽命歸一化為[0, 1]，1代表百分百剩余壽命，0代表軸承完全失效。

圖4 軸承全壽命信號圖

Elman、CNN、BP、標準LSTM及PSO-LSTM多種模型的預測結果進行對比。其中，Elman網絡是一種遞歸神經網絡，因為本身包括四層網絡結構，所以具有一定的延時時變能力，常用于回歸預測；CNN網絡則是一種具有深度結構的前饋神經網絡，在機器視覺、語音處理及分類問題中表現極佳；BP網絡則是當前應用最廣的模型之一，具有模型結構簡明、運算效率高的特點，其本身能利用梯度下降法減小訓練誤差，因此在非線性擬合中表現突出。各模型預測結果曲線如圖5所示，而為了便于展示，圖中的曲線是經平滑處理后的結果。

由圖5可知，六種模型的剩余壽命預測值同真實值的整體變化趨勢基本相同，直觀反映了所取特征參數的退化敏感性較高，對軸承退化狀態表征能力較強，證明了自適應特征選擇算法的有效性與實用性。分階段來看，在退化初期，即[0, 500]處，所有模型的預測效果都較差，主要原因是軸承剛接入負載系統，系統整體穩定性不高，導致軸承振幅波動較大，待系統趨于平穩后，擬合效果才逐漸提高；而在[500, 1000]處的振幅平穩階段預測值與真實值誤差較小，模型擬合曲線精度普遍較高，這是因為此階段軸承磨損量較小，整體處于健康狀態，振動特征平穩，因此具有較高的擬合精度；而在[1000, 1500]處的退化中期階段，因軸承磨損量逐漸加深，振動信號非線性、非平穩性增強，因此預測誤差較大，此外，由于振幅波動較大，與退化初期的表現形式相似，導致五種對比模型剩余壽命預測值擬合曲線在真實值曲線上方，而只有本文所提出的QPSO-LSTM算法具有最佳的擬合效果，體現出該算法預測結果的精確性；最后，在[1500, 2500]處的急速退化階段，六種模型擬合精度普遍較高，因為本階段軸承退化趨勢明顯，振幅異常，振動特征表征效果最佳。同時，為了定量評價各算法剩余壽命預測模型的精度，以均方根誤差RMSE和決定系數R2為評價指標，公式如下：

圖5 預測結果對比圖

其中，Ai為測試值，Fi為神經網絡預測值，F為Fi的平均值。

根據式(5)和(6)計算的模型精度評價指標結果如表1所示， RMSE指標代表著預測輸出與預期輸出的誤差值，該指標越小，則代表整體預測越小，預測精度越高；R2指標代表著預測結果對預期值的擬合度，其值越大，說明擬合結果越好，預測精度越高。LSTM網絡模型則因其獨特的長時序記憶能力，在長距離時序數據預測方面表現突出，因此，LSTM網絡模型的預測結果顯著優于其余網絡模型；其次，為了解決LSTM網絡智能化訓練問題，使用PSO算法對網絡超參數尋優，結果顯示，PSO尋優后的LSTM網絡預測效果優于超參數固定設置的標準LSTM網絡，驗證了智能訓練的有效性；最后，為了提高尋優精度，提出一種QPSO-LSTM網絡模型，結果也表明，QPSO算法尋優精度更高，因此該模型的剩余壽命曲線擬合最符合真實值，且預測模型評價結果中，RMSE最小、R2最大，預測精度最高。

表1 模型評價

綜上所述，本節所提出的基于QPSO-LSTM算法不僅可以有效的預測滾動軸承剩余壽命，還能夠自適應調整網絡超參數，智能訓練模型，為設備在線監測與維護提供了一種新的策略。

最后，將預測模型部署于工業互聯網平臺上，預測結果如圖6所示。圖6中，橫坐標表示軸承工作時間，縱坐標表示軸承剩余壽命，曲線則表示當前軸承剩余壽命。通過提取當前時刻軸承的退化特征，輸入QPSO-LSTM壽命預測模型，能夠提前預測軸承失效時間，快速反應決策，避免因設備可靠性缺失導致惡性工業事故的發生。此外，圖7還展示了平臺另一個功能——軸承狀態識別的可視化。圖7中，左邊為離散點分析，主要通過振動信號振幅大小輔助判定軸承是否運行異常，右邊為軸承診斷結果及三維聚類圖的可視化展示。

圖6 滾動軸承剩余壽命預測結果

圖7 軸承故障診斷結果可視化

3 結論

（1）設計了一套“端云邊”協同的工業互聯網架構，通過端層采集軸承振動信號并傳輸至邊層；在邊緣層對大量軸承數據進行預處理與特征提取，減少云端復雜，增加預測實時性；最后，在云層部署智能模型，實現對軸承RUL的準確預測；

（2）提出了一種基于QPSO-LSTM的軸承RUL預測算法，通過QPSO優化算法自適應設定LSTM的網絡超參數，使其更穩定、精確的對RUL進行預測。并通過軸承全壽命數據與多種算法對比，驗證了該算法的實用性；

（3）將智能模型部署于工業互聯網云端，實現了對軸承RUL的在線智能預測。

提前預測設備失效時間，能夠快速反應決策，避免惡性安全事故，保證人員財產安全；同時，智能化的設備健康管理技術也可以節省人力成本，提升企業管理效率，在加快傳統制造業轉型升級、增強中國制造核心競爭力方面作用深遠。