基于多源域遷移學習的帶式輸送機剩余壽命預測方法

摘要：煤礦開采過程中，帶式輸送機運行環境惡劣、工況復雜，致使獲得的傳感監測數據量有限且存在大量噪聲干擾，嚴重限制了其剩余壽命預測的準確度。針對該問題，提出了一種多源域遷移學習剩余壽命預測方法，充分利用煤礦運輸過程中積累的帶式輸送機多工況數據，以達到準確預測其關鍵零部件托輥軸承剩余壽命的目的。首先構建集成多尺度卷積神經網絡和雙向門控循環單元（MCNN-BiGRU）的設備退化特征提取模型，對單工況數據進行特征提取挖掘，并使用PSO算法確定模型超參數。在此基礎上，加入多源域遷移學習（MDT）方法，利用多個工況數據進行剩余壽命預測，通過最大均值差異（MMD）與相互關系對齊（CORAL）聯合損失拉近各源域數據分布差異，解決因數據量少導致的模型訓練精度不高的問題。最后以煤礦實際生產數據集為例進行實驗，結果表明：MDT-MCNN-BiGRU模型的預測效果較好，Savitzky-Golay濾波去噪后模型性能得以進一步提升；使用IMS數據集與現有方法進行比較，發現所提方法預測準確度較高，對煤礦運輸設備健康管理具有一定的指導意義。

關鍵詞：帶式輸送機；剩余壽命預測；多工況；特征提取；多源域遷移學習

中圖分類號：TD407；TP183

DOI：10.3969/j.issn.1004132X.2024.08.012

開放科學（資源服務）標識碼（OSID）：

Residual Life Prediction Method of Belt Conveyors Based on MDT Learning

GAO Xinqin YANG Xueqi ZHENG Haiyang

School of Mechanical and Precision Instrument Engineering，Xian University of Technology，

Xian，710048

Abstract： In the coal mining processes， the operating environments of the belt conveyors were harsh and the working conditions were complex. These resulted in a limited amount of sensor monitoring data and a large amount of noise interference， which seriously limited the accuracy of the residual life prediction. Aiming at this problem， a MDT learning residual life prediction method was proposed. To predict the residual life of key component roller bearings accurately， multiple working condition data of belt conveyors accumulated in coal flow transportation could be fully used. Firstly， integrating a multi-scale convolutional neural network and bidirectional gated recurrent unit（MCNN-BiGRU）， a degradation feature extraction model was constructed. The particle swarm optimization（PSO） was used to determine the model hyperparameters. Then， using MDT learning and multiple working condition data， the residual life prediction was carried out. Combining loss of maximum mean discrepancy（MMD） with correlation alignment（CORAL） the data distribution difference of each source domain was narrowed. This might solve the problem of low training accuracy of the model due to the small amount of data. Finally， the actual production data sets of a coal mine were used for verification. The results show that the prediction effectiveness of the MDT-MCNN-BiGRU model is better， and the model performance is further improved after the Savitzky-Golay filter denoising. Using the IMS dataset and comparing with the existing methods， the proposed method has high prediction accuracy and is of some significance in guiding the health management of coal mine transportation equipment.

Key words： belt conveyor; residual life prediction; multiple working condition; feature extraction; multi-source domain transfer（MDT） learning

0 引言

煤炭是我國的主要能源和重要工業原料，煤流運輸是煤礦開采過程的重要環節。煤礦綜采工作面主要由采煤機、刮板運輸機、帶式輸送機等機電設備組成，各設備的健康與否直接決定煤炭開采的效率［1］。帶式輸送機作為煤礦運輸工作的主要設備，其健康狀態更是直接對煤礦生產運輸的效率產生影響。煤炭開采運輸過程中，由于復雜且惡劣的運輸環境，帶式輸送機狀況監測困難，托輥、軸承等關鍵零部件長期存在無效磨損，使其壽命大幅縮短，嚴重地威脅著礦井生產與運輸的安全［2］。

托輥軸承作為帶式輸送機的關鍵零部件，其健康狀態更是會對煤礦運輸產生直接影響［3］。若能在托輥軸承服役過程中，根據監測數據提前對其退化狀態進行監測并準確預測其剩余壽命（remaining useful life， RUL），及時發現設備運行異常，據此進行帶式輸送機健康管理的實施，對保障煤礦運輸的安全性與經濟性具有重大意義。然而，在惡劣的煤礦生產環境中，設備的監測數據通常存在較多噪聲干擾，且數據樣本量少，嚴重影響RUL預測的準確度。因此，在當前物聯網、人工智能等技術背景下，如何充分利用多工況數據，跨工況進行帶式輸送機RUL的準確預測，成為亟待解決的挑戰。

設備RUL預測技術已成為研究熱點，在當前計算機與傳感器技術的背景下，RUL預測方法主要分為基于模型和基于數據驅動兩類［4］。相比前者，后者的優勢在于無需對設備的退化機理深入分析［5］，可借助設備海量監測數據提取其健康指標，進而實現非線性映射的剩余壽命預測［6］。在帶式輸送機關鍵零部件剩余壽命預測方面，YANG等［7］對帶式輸送機音頻數據進行分析，將堆疊稀疏編碼器和卷積神經網絡結合使用，最后利用聚類算法從音頻數據中提取出帶式輸送機故障特征，進而實現托輥故障檢測。LIU等［8-9］同樣利用托輥聲音信號的頻域特征檢測設備的故障，充分利用設備聲音信號的時頻域特征，實現了托輥軸承的故障檢測，隨后又提出一種動態自注意（dynamic self-attention，DSA）帶式輸送機托輥的故障診斷方法。JO等［10］基于集成學習提出了分類和回歸方法相結合的預測模型，由基于深度學習的表示模型和boosting模型組成，能預測帶式輸送機系統的關鍵部件頭帶輪的剩余壽命。LI等［11］提出一種使用小波包分解與支持向量機（support vector machine， SVM）的托輥故障診斷方法，可在傳感器條件有限的情況下對故障托輥組位置進行定位。

在以上研究的基礎上，國內外學者充分利用深度學習對數據特征提取與分析的能力，使用不同方法在設備RUL預測方面進行了大量的研究。如REN等［6］在軸承剩余壽命預測中，提出了一種基于深度神經網絡（deep neural network， DNN）的模型，結合時頻域特征，使用頻譜主能量向量法來提取數據特征，并以此特征作為輸入，通過DCNN模型預測剩余壽命。宋亞等［12］提出結合自編碼神經網絡（autoencoder）和雙向長短期記憶（BiLSTM）優勢的混合健康狀態預測模型，以優化渦扇發動機的剩余壽命預測。通過使用具有卷積特性的深度卷積自編碼網絡，CHEN等［13］將監測的振動信號轉換成健康曲線，在滾動軸承的剩余壽命預測任務中獲得了成功。為實現設備的自適應提取故障特征和智能診斷，雷亞國等［14］使用去噪自動編碼器（denoising auto encoder， DAE）和反向傳播算法來進行預訓練和微調階段，并利用頻域信號完成模型訓練。

在跨工況RUL預測方面，SUN等［15］使用深度遷移學習（deep transfer learning， DTL）方法對切削刀具的剩余壽命進行預測，結合稀疏自編碼器（sparse auto encoder， SAE）和深度遷移學習網絡，在無監督信息的情況下進行剩余壽命預測。蔡偉立等［16］提出動態對抗遷移學習方法，利用歷史工藝條件的刀具數據樣本進行RUL預測。ZHANG等［17］提出Wasserstein距離導引的對抗遷移模型（Wasserstein distance guided multi-adversarial networks， WDMAN），該模型使用推土機距離來衡量多個域之間的差異，并通過多個域判別器進行訓練和優化來拉近這些域之間的分布。MAO等［18］提出了一種用于軸承剩余壽命預測的二階段預測體系：離線階段，利用收縮去噪自編碼器從數據中提取深度特征；在線階段，則通過遷移成分分析方法將特征進行對齊和校準，實現剩余壽命預測。

綜上，關于帶式輸送機剩余壽命預測問題仍存在以下瓶頸：①多工況數據的應用。如何利用多工況數據彌補因單工況數據量少而難以獲得高精度預測模型的問題。②數據噪聲處理。煤礦生產數據噪聲多，需要合適的數據去噪處理方法。③預測模型的選擇。剩余壽命預測要考慮多方面數據特征，需選擇適合的模型進行設備退化的特征提取。

本文針對煤礦運輸中帶式輸送機數據量少、噪聲干擾多的問題，充分利用多工況數據以及數據時序性強的特點，提出一種基于多源域遷移學習多尺度卷積神經網絡雙向門控循環單元（multi-source domain transfer learning-multiscale convolutional neural network-bi-directional gated recurrent unit， MDT-MCNN-BiGRU）的帶式輸送機剩余壽命智能預測方法。將MCNN作為特征提取器，對帶式輸送機單個工況的數據進行特征的多尺度深層次提取壓縮；再使用時間建模工具BiGRU對數據中的時序特性進行挖掘，實現設備的剩余壽命預測；針對多個工況數據分布不一致的問題，利用多源域遷移學習進行多工況數據的遷移適配；通過深度學習核心理論深度挖掘運輸設備歷史運行數據中隱藏的剩余壽命變化趨勢特征信息，對其關鍵零部件的剩余壽命進行實時準確預測。

1 基于MDT-MCNN-BiGRU的帶式輸送機剩余壽命預測模型

對于帶式輸送機剩余壽命預測的問題，構建的深度學習模型需要具有數據深度的特征提取能力的同時，還需要對數據的時間序列特性進行利用，一般的深度學習模型并不同時具備這兩種能力，故本文參考使用Inception結構的多尺度神經網絡GoogleNet模型［19］，構建不同卷積核的MCNN來進行帶式輸送機數據的多尺度特征提取，將處理后的特征再使用BiGRU進一步處理。原始振動信號經過去噪、歸一化及時頻域特征提取后輸入MCNN-BiGRU模型生成深度特征矩陣，并探究超參數對模型預測性能的影響，通過粒子群優化（particle swarm optimization，PSO）算法設置最佳超參數，提高模型的預測精度。本文構建的基于多源域遷移學習的MDT-MCNN-BiGRU模型如圖1所示。該模型通過多源域遷移學習理念，充分利用多工況數據，并結合各種數據去噪算法，對因單工況數據量少而導致剩余壽命預測不準確的問題進行研究。

1.1 MCNN-BiGRU退化特征提取模型

帶式輸送機的MCNN-BiGRU退化特征提取模型由四個部分組成。數據輸入方式采用滑動窗口法，將數據按照時間順序輸入。通過MCNN對每個工況的輸入數據進行多尺度全局特征提取，每個尺度使用最大池化層對序列長度進行壓縮，得到更加抽象的特征，以此為輸出并作為BiGRU的輸入，抽取數據時間序列特征，最后利用一個全連接層輸出剩余壽命預測結果。本文構建的MCNN-BiGRU混合退化特征提取模型結構如圖2所示。

1.2 模型超參數調優

MCNN-BiGRU模型的性能受到超參數的影響，這些超參數可以分為兩類：一類包括隱含層神經元數量、每次訓練的樣本數量以及最大迭代次數，此類超參數的變化對模型預測性能的影響不大；另一類是學習率［20］、GRU層數和時間窗大小［21］，這類超參數的改變使得模型的預測性能會出現一定的變化。本文采用PSO算法對MCNN-BiGRU模型中迭代次數、訓練的樣本數與隱含層神經元個數進行優化以尋找一組更優的參數，其優化流程如圖3所示。

粒子群優化算法（PSO）是一種多參數優化算法［22］，它源于對鳥群捕食行為的研究。其基本思想是，用無質量的粒子來模仿鳥類，粒子只有速度V（k）i和位置X（k）i兩個屬性，分別代表粒子移動的速度以及移動的方向，每個粒子在搜索空間中單獨搜尋最優解。PSO初始化為一群隨機粒子，然后通過迭代找到最優解。每一次的迭代過程中，粒子通過跟蹤個體最優Pbest、全局最優Gbest兩個最優值，不斷更新速度和位置。PSO算法的標準更新形式為

V（k+1）i=wV（k）i+c1rand×（P（k）best－x（k）i）+

c2rand×（G（k）best－x（k）i）（1）

X（k+1）i=X（k）i+V（k+1）id（2）

式中，R為粒子的總數，i=1，2，…，R；c1、c2為學習因子，

通常c1=c2=2；d為慣性因子，其值為非負；rand為（0，1）之間的隨機數；V（k）i為第k次迭代中第i個粒子運動的速度向量；X（k）i為粒子當前的位置向量。

PSO算法優化超參數的流程如下：確定粒子數N和粒子搜索范圍D，并初始化粒子的位置和速度；將需要優化的參數轉換為粒子個體，其中每個個體對應一組模型參數；以模型損失函數作為粒子適應度函數進行訓練；將訓練過程中得到的最優解作為下一輪搜索的起點，直到滿足預設的停止條件。在此基礎上，利用個體與整體的適應程度對個體與整體的最優位置進行更新，并利用個體與整體的最優位置來更新每個粒子的速度和位置；最終得到最優的最大迭代次數、每次訓練的樣本數與隱含層神經元個數。

1.3 多源域遷移學習域間距離的計算

MDT-MCNN-BiGRU模型網絡結構中包含了各源域數據公共特征提取、域間距離計算、剩余壽命預測器。將帶式輸送機各工況數據作為多源域數據，各源域數據集通過共享特征提取層提取多個源域與目標域之間的特征矩陣，再通過最大均值差異（maximum mean discrepancy， MMD）算法和相互關系對齊（correlation alignment， CORAL）法計算每個源域與目標域特征矩陣的距離。為達到域的自適應效果，以多源域與目標域之間的距離最小為訓練目標進行迭代學習。MDT-MCNN-BiGRU模型網絡結構如圖4所示。

MDT-MCNN-BiGRU模型的關鍵在于將MMD算法以及CORAL損失通過權重α聯合作為域間損失Ldom進行度量，計算各源域數據與目標域分布之間的距離差異性，并將兩者結合作為整體訓練過程中的部分損失。為實現帶式輸送機多源域跨工況剩余壽命預測，并減少各源域和目標域在共享特征空間中的差異，該模型采用生成對抗訓練的兩階段特征對齊多源域遷移預測方法［17］，解決多工況下帶式輸送機剩余壽命預測數據量偏少的問題。用Ldom度量多個源域與目標域之間數據分布的距離，Ldom值越小，目標域與源域之間越相似，其結合準則為

Ldom=α·MMD2（X，Y）+（1－α）LCORAL（3）

MMD算法通過Hilbert變換解決數據在線性不可分情況下的距離度量問題，關注的是在Hilbert空間中源域與目標域的一階均值特征，CORAL方法則關注的是二階方差特征，因此，將兩者相結合能從多個維度對數據的距離與分布進行度量。MMD算法計算公式為［23］

MMD2（XS，YT）=‖1m∑mi=1φ（xi）－1n∑1j=1φ（yi）‖2H=

1m2∑mi=1∑mj=1K（xi，xj）+1n2∑mi=1∑mj=1K（xi，yj）－

2mn∑mi=1∑mj=1K（xi，yj）（4）

高斯核函數K（x，y）表達式為

K（x，y）=exp（－‖x－y‖2/（2σ2））（5）

式中，XS、YT分別為源域和目標域的樣本分布；m、n分別為目標域和源域的數據集中樣本數量；xi、yi分別為目標域和源域的數據；H為再生核Hilbert高維空間（RKHS）；φ（·）為各源域數據集映射到再生核Hilbert空間的非線性映射。

CORAL方法是一種無監督領域自適應方法，通過線性變換矩陣A進行數據分布的二階協方差對齊，其數學形式為［17］

min‖CS-CT‖2F=min‖ACSA-CT‖2F（6）

源域與目標域數據特征的二階協方差距離的CORAL損失為

LCORAL=14d2‖CS－CT‖2F（7）

式中，‖‖F為F矩陣范數；d為特征維度。

目標域與源域的協方差矩陣CS和CT的計算公式分別為

CS=1nS－1（XTSXS－1nS（1TXS）T（1TXS）） （8）

CT=1nT－1（YTTYT－1nT（1TYT）T（1TYT））（9）

式中，1為全為1的列向量。

網絡優化的目標一共包含預測誤差、領域自適應預測誤差兩個部分。預測誤差通常選擇平均絕對誤差（mean absolute error，MAE）作為損失函數，總優化目標可表達式為

min Loss=Ldom+Lpre=

α·MMD2（X，Y）+（1－α）LCORAL+LMAE（10）

式中，Lpre為預測誤差。

本文除MAE值以外，還選用決定系數R2、平均絕對百分比誤差（mean absolute percentage error，MAPE）、均方根誤差（root mean squared error， RMSE）作為最終評價指標［24］進行模型性能的對比。

MDT-MCNN-BiGRU剩余壽命預測模型的建模步驟如圖5所示。對數據進行去噪、歸一化和RUL標簽設置等預處理，將目標域數據集劃分為訓練集和測試集。微調預測模型的網絡，以使其更好地適應數據特征。模型訓練完成之后，將測試集數據輸入調整好的模型，得到最終預測的RUL值。

2 算例分析

為驗證MDT-MCNN-BiGRU模型對帶式輸送機剩余壽命預測的準確性，本文使用實際煤礦生產數據集對模型進行驗證。利用數據集中多個工況下的子數據集進行相互遷移實驗，測試不同數據集之間相互遷移對最終預測結果的影響。一方面，驗證加入多源域遷移學習算法對準確性的提升，并討論權重α的選??；另一方面，由于煤礦實際生產數據存在大量噪聲冗余，故驗證在不同去噪算法下模型的預測精度，最后對比不同公共特征提取模型以及現有方法的性能。

2.1 原始數據集

本文采用的數據集是國內某煤礦實際生產數據，為煤流運輸過程中帶式輸送機托輥軸承的全壽命周期振動加速度數據集，具體信息見表1。該數據集共包含煤礦生產過程中4組不同工況下獲得的子數據集，4組數據編號分別為OM001、OM002、OM003、OM004。

該數據集中采用的托輥為單密封托輥，托輥軸承型號為6204KA-Z，各軸承壽命與故障類別見表1。數據采集過程中，在帶式輸送機機尾托輥處安裝智能加速度傳感器，并在地面終端設備進行測試，如圖6所示。信號采集傳感器型號為CX-230，頻響范圍為0～40 kHz，采集設備為DH522N型動態信息測試分析系統。數據采集頻率為1 kHz，每分鐘采集一次，每次采集的時間為1 s，即每次采集1000條數據。

每種工況的數據中共包含7個軸承的數據，每個軸承的數據均為按照時間順序采集的托輥軸承運行至失效的完整數據，故每個托輥軸承在不同時間節點的RUL值已知，且不同軸承的RUL值不同。

2.2 數據預處理

受環境、人為、傳感設備等因素的影響，導致煤礦采集的托輥軸承振動信號中包含大量的噪聲信息，有用信息被淹沒［25］。為了便于在后續模型學習過程中能夠快速對原始數據中的有用特征進行提取，必須利用數據去噪算法對傳感器采集的原始數據進行預處理。圖7所示為常用的不同數據降噪算法對原始數據處理后的部分數據可視化對比展示。

觀察圖7發現：①不同數據去噪算法對該原始數據集的去噪效果不盡相同，但相較于未進行處理的數據，噪聲明顯得到改善；②相較于其他兩種去噪算法，Savitzky-Golay濾波器［26］（SG）去噪后的振動信號相對更加平滑。

對于特征數據值不一致的問題，使用最小最大歸一化（MinMax）方法對原始數據進行處理，將所有特征數據歸一化至［0， 1］，并根據每個數據集中的運行時長計算出每條數據的RUL，使用線性函數表示托輥軸承的真實RUL，設置剩余壽命值從最大值至零。最小最大歸一化表達式為

Tinorm=Ti－TminTmax－Tmin（11）

式中，Ti、Tmax、Tmin分別為第i個時間點的特征值、特征最大值、特征最小值。

對歸一化后獲得的數據使用快速傅里葉變換（fast Fourier transform，FFT）等方法，提取原始振動信號的時域與頻域特征作為MDT-MCNN-BiGRU模型的輸入，進行托輥軸承的剩余壽命預測。訓練過程中，將每種工況的前5個軸承數據作為訓練集和驗證集，其余數據作為測試集。

2.3 結果分析

經過初步實驗對比，MCNN-BiGRU特征提取模型中學習率優化算法選擇Adam，損失函數選擇MAE，激活函數選擇ReLU，時間窗長度為50，Ldom的權重α取0.5。最大迭代次數、每次訓練的樣本數、隱含層神經元個數則通過PSO算法進行確定，初始值分別設置為［300， 50， 50］，PSO算法參數如下：群體大小為50，慣性因子取0.4。訓練過程中均劃分訓練數據集的20%作為驗證集，每組實驗結果均為三次實驗平均值，并在訓練過程中加入早停機制以防止過擬合。

2.3.1 數據互相遷移實驗

為驗證對煤礦多工況環境加入多源域遷移學習后的預測性能，利用4種工況數據進行互相遷移。共設計8組實驗（表2），其中未遷移實驗4組（編號001、003、005、007）與多源域遷移實驗4組（編號002、004、006、008），評估不同數據作為源域與目標域對模型性能的影響。

表2中，（OM002， OM003， OM004）=gt;OM001表示以工況1（OM001）數據集為目標域、其他三組數據（OM002， OM003， OM004）為源域進行遷移模型訓練，后續表示方式以此類推。觀察與對比8組實驗模型訓練過程的損失函數下降趨勢，各組實驗的損失函數如圖8所示。

由圖8可得到以下結論：①在001、003、005、007四組實驗數據集不遷移的情況下，訓練損失均在迭代100次左右觸發早停機制，損失值最終下降至18～29，最低損失為18.84；②數據不遷移雖能夠粗略地估計RUL，但由于數據量過少，導致訓練損失值下降均不明顯，收斂的程度以及準確率也不太理想；③002、004、006、008四組實驗加入MDT后，將其他3組數據作為源域，數據量變大，計算量也隨之變大，迭代次數增加至200左右后收斂；④遷移后損失值最小值10.25，最大值為19.05（接近18.84），模型準確率也相對有所提高。為進一步說明加入MDT對模型性能的影響， MAE、R2、MAPE、RMSE四種模型評價指標的對比見表3。

對比表3各指標仍可以發現：①在單工況數據量不充足的情況下，模型R2、MAPE、RMSE的最優值分別為0.734、0.3184、26.44，模型訓練將無法達到預期的效果，而使用多源域遷移學習訓練后得到的相應最優值為0.838、0.1987、20.78，說明模型預測效果更好，預測性能提升顯著。②加入多源域遷移學習之后，模型在源域數據集中學習得到了更多的信息與特征，有效地提高了帶式輸送機關鍵零部件RUL預測效果。

2.3.2 權重α的選取

為了探究MMD與CORAL的聯合損失Ldom的權重α取值對模型學習過程性能的影響，并選取合適的α值，設計以下實驗：進行表2中的4組多源域遷移實驗（編號002、004、006、008），將權重α從零進行遞增取值，即0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1。不同權重對應的模型訓練過程的損失值如圖9所示。結果表明：①無論α如何取值，模型均有一定的預測效果，取值在0與1之間時模型的損失更小一些；②通過權重α結合MMD與CORAL損失作為度量的多源域遷移模型，有更好的自適應能力與預測精度；③當α取0.4～0.6時，4組實驗的模型預測能力得到明顯的提升，α取0.5時，4組實驗的MAE值達到最低，分別為12.66、16.81、19.05、10.25，此時模型性能達到最優。因此，將α取值設定為0.5。

2.3.3 去噪算法對比

在原始數據不進行去噪、小波變換閾值去噪［27］與Savitzky-Golay濾波器去噪處理的三種情況下，進行單源域遷移學習與多源域遷移學習兩種模型兩次實驗。為保證實驗過程中變量的單一性，多源域遷移以實驗008為對象，單源域遷移實驗選擇工況4為目標域，工況1為源域。抽選測試集中60組不同時間的帶式輸送機運行數據進行隨機測試，并將預測結果與原始數據的RUL值進行對比，繪制折線統計圖（圖10）。

可以觀察到，各模型均有一定的預測準確度，但效果存在差異。綜合分析可知：①相比原始數據不去噪，去噪處理后模型的預測準確率有一定提升；②在相同去噪處理后，模型預測準確率得到進一步提升，多源域遷移學習的加入解決了單源域數據樣本少的問題；③圖10f的Savitzky-Golay濾波器去噪后預測值與真實值已高度重合。為更加直觀地觀察實驗結果，取其預測結果的誤差模型對比柱狀圖（圖11）。

對比預測結果誤差圖有以下結論：①圖11a、圖11c、圖11e單源域遷移學習的誤差均集中在-50～50 min，說明單源域遷移學習模型準確度仍不夠高；②圖11b、圖11d、圖11f去噪方法處理后的誤差分布更加集中于0，說明多源域遷移提高了模型準確度，結論與圖10結果一致；③Savitzky-Golay濾波器去噪后的多源域遷移模型誤差分布最集中，大致介于-25～25 min，滑動中值去噪次之，而不去噪處理的誤差則介于-75～75 min，分布最為分散。實驗結果表明，Savitzky-Golay濾波器去噪后的數據具有更加準確的剩余壽命預測準確度，煤礦帶式輸送機實際生產數據更加適合使用Savitzky-Golay濾波器進行去噪后的多源域遷移學習模型。

2.3.4 公共特征提取模型性能對比

為了驗證不同公共特征提取模型對帶式輸送

機數據剩余壽命預測性能的影響，分別進行常用深度學習模型GRU、BiGRU、CNN-BiGRU以及本文的PSO-MCNN-BiGRU模型預測實驗，對比各模型預測性能。使用測試集數據進行預測，得到了同一組測試數據運行到最終失效的RUL預測結果。選取各模型預測結果中的部分數據并展示，如圖12所示。

對比4種特征提取模型的預測結果可知：①傳統的GRU模型與BiGRU模型的真實值與預測值的重合度較差，準確率最低，其次是CNN-BiGRU模型，結合CNN的BiGRU預測能力有一定的提升，但略差于PSO-MCNN-BiGRU模型；②PSO-MCNN-BiGRU模型的真實值與預測值已經高度重合，模型預測準確率最好。結果表明，使用PSO調整過網絡超參數的MCNN-BiGRU模型的預測結果效果最好，并且更加接近真實值。

2.3.5 現有方法比較

為了進一步驗證所提方法的預測能力，使用美國辛辛那提大學的滾動軸承全生命周期實驗數據（intelligent maintenance system，IMS）進行實驗，并將其與多種現有方法進行比較。不同方法得到的預測結果RMSE值與測試同一組數據所需的預測時間見表4。

對比表4發現：①本文MDT-MCNN-BiGRU模型的RMSE值為0.724，小于其他模型，在所比較的現有各方法中性能最優；②由于多工況遷移過程需要估計的參數較多，本文模型的預測時間35 s大于SVM模型和單源域遷移的28 s和29 s，但因本文模型的RMSE值小于1.214，且遠低于21.06，故本文模型在預測準確率方面有一定優勢。

綜上，本文模型的優勢如下：①能夠通過MCNN對少量的單工況數據進行多尺度特征提取，并使用BiGRU對數據之間的時序關系進行利用；②特征提取后，通過多源域遷移學習拉近數據分布，彌補了因數據量少導致模型訓練精度不高的問題；③既充分利用了單工況數據的特點，又結合了多工況數據之間的關系，從而實現帶式輸送機剩余壽命預測。因此，本文模型有較好的預測效果且比其他模型準確率更高，能夠保證帶式輸送機維護的及時性與高效性，為煤礦安全生產及設備的高效運行和維護提供了理論基礎和技術支持。

3 結論與展望

（1）本文建立了集成多尺度卷積網絡和雙向門控循環單元的MCNN-BiGRU特征提取模型，利用托輥軸承全生命周期數據中的時序特性進行剩余壽命預測，并使用PSO算法確定模型超參數。

（2）基于多源域遷移學習的核心思想，利用MMD與CORAL聯合損失拉近不同工況數據分布的不均勻，從而提高了模型的泛化能力。

（3）結合Savitzky-Golay濾波器等多種不同去噪算法，在煤礦實際生產數據集上進行驗證，并通過實驗與現有方法進行了比較。

本研究考慮的是帶式輸送機與其他設備之間相互獨立的情況，而在煤礦實際生產過程中設備之間的相互關系同樣影響著設備的剩余壽命，后續將結合煤流運輸設備之間的復雜關系，進一步對剩余壽命預測進行研究。

參考文獻：

［1］ 鮑久圣， 章全利， 葛世榮， 等. 煤礦井下無人化輔助運輸系統關鍵基礎研究及應用實踐［J］. 煤炭學報， 2023， 48（2）：1085-1098.

BAO Jiusheng， ZHANG Quanli， GE Shirong， et al. Basic Research and Application Practice of Unmanned Auxiliary Transportation System in Coal Mine［J］. Journal of China Coal Society， 2023， 48（2）：1085-1098.

［2］ EL-HAMID H T A， WEI Caiyong， ZHANG Yongting. Geospatial Analysis of Land Use Driving Force in Coal Mining Area：Case Study in Ningdong， China［J］. GeoJournal， 2021， 86（2）：605-620.

［3］ 鮑久圣， 章全利， 葛世榮， 等. 煤礦井下無人化輔助運輸系統關鍵基礎研究及應用實踐［J］. 煤炭學報， 2023， 48（2）：1085-1098.

BAO Jiusheng， ZHANG Quanli， GE Shirong， et al. Basic Research and Application Practice of Unmanned Auxiliary Transportation System in Coal Mine［J］. Journal of China Coal Society， 2023， 48（2）：1085-1098.

［4］ LI Feng， JIANG Peixuan， LUO Ling， et al. Variational Eligibility Trace Meta-reinforcement Recurrent Network for Residual Life Prediction of Space Rolling Bearings［J］. Applied Soft Computing， 2023， 145：110582.

［5］ 李乃鵬， 蔡瀟， 雷亞國， 等. 一種融合多傳感器數據的數模聯動機械剩余壽命預測方法［J］. 機械工程學報， 2021， 57（20）：29-37.

LI Naipeng， CAI Xiao， LEI Yaguo， et al. A Model-data-fusion Remaining Useful Life Prediction Method with Multi-sensor Fusion for Machinery［J］. Journal of Mechanical Engineering， 2021， 57（20）：29-37.

［6］ REN Lei， CUI Jin， SUN Yaqiang， et al. Multi-bearing Remaining Useful Life Collaborative Prediction：a Deep Learning Approach［J］. Journal of Manufacturing Systems， 2017， 43：248-256.

［7］ YANG Mingjin， ZHOU Wenju， SONG Tianxiang. Audio-based Fault Diagnosis for Belt Conveyor Rollers［J］. Neurocomputing， 2020， 397：447-456.

［8］ LIU Yi， MIAO Changyun， LI Xianguo， et al. Research on the Fault Analysis Method of Belt Conveyor Idlers Based on Sound and Thermal Infrared Image Features［J］. Measurement， 2021， 186：110177.

［9］ LIU Yi， MIAO Changyun， LI Xianguo， et al. A Dynamic Self-attention-based Fault Diagnosis Method for Belt Conveyor Idlers［J］. Machines， 2023， 11（2）：216.

［10］ JO J， KIM Z， SUH Y J. Remaining Useful Life Prediction Using an Ensemble Learning-based Network for a Belt Conveyor System［C］∥2023 International Conference on Artificial Intelligence in Information and Communication（ICAIIC）. IEEE， 2023：863-867.

［11］ LI Wei， WANG Zewen， ZHU Zhencai， et al. Design of Online Monitoring and Fault Diagnosis System for Belt Conveyors Based on Wavelet Packet Decomposition and Support Vector Machine［J］. Advances in Mechanical Engineering， 2013， 5：797183.

［12］ 宋亞， 夏唐斌， 鄭宇， 等. 基于Autoencoder-BLSTM的渦扇發動機剩余壽命預測［J］. 計算機集成制造系統， 2019， 25（7）：1611-1619.

SONG Ya， XIA Tangbin， ZHENG Yu， et al. Remaining Useful Life Prediction of Turbofan Engine Based on Autoencoder-BLSTM［J］. Computer Integrated Manufacturing Systems， 2019， 25（7）：1611-1619.

［13］ CHEN Dingliang， QIN Yi， WANG Yi， et al. Health Indicator Construction by Quadratic Function-based Deep Convolutional Auto-encoder and Its Application into Bearing RUL Prediction［J］. ISA Transactions， 2021， 114：44-56.

［14］ 雷亞國， 賈峰， 周昕， 等. 基于深度學習理論的機械裝備大數據健康監測方法［J］. 機械工程學報， 2015， 51（21）：49-56.

LEI Yaguo， JIA Feng， ZHOU Xin， et al. A Deep Learning-based Method for Machinery Health Monitoring with Big Data［J］. Journal of Mechanical Engineering， 2015， 51（21）：49-56.

［15］ SUN Chuang， MA Meng， ZHAO Zhibin， et al. Deep Transfer Learning Based on Sparse Autoencoder for Remaining Useful Life Prediction of Tool in Manufacturing［J］. IEEE Transactions on Industrial Informatics， 2019， 15（4）：2416-2425.

［16］ 蔡偉立， 胡小鋒， 劉夢湘. 基于遷移學習的刀具剩余壽命預測方法［J］. 計算機集成制造系統， 2021， 27（6）：1541-1549.

CAI Weili， HU Xiaofeng， LIU Mengxiang. Prediction Method of Tool Remaining Useful Life Based on Transfer Learning［J］. Computer Integrated Manufacturing Systems， 2021， 27（6）：1541-1549.

［17］ ZHANG Ming， WANG Duo， LU Weining， et al. A Deep Transfer Model with Wasserstein Distance Guided Multi-adversarial Networks for Bearing Fault Diagnosis under Different Working Conditions［J］. IEEE Access， 2019， 7：65303-65318.

［18］ MAO Wentao， HE Jianliang， ZUO M J. Predicting Remaining Useful Life of Rolling Bearings Based on Deep Feature Representation and Transfer Learning［J］. IEEE Transactions on Instrumentation and Measurement， 2020， 69（4）：1594-1608.

［19］ YANG Na， ZHANG Zhenkai， YANG Jianhua， et al. A Convolutional Neural Network of GoogLeNet Applied in Mineral Prospectivity Prediction Based on Multi-source Geoinformation［J］. Natural Resources Research， 2021， 30（6）：3905-3923.

［20］ NHU V H， HOANG N D， NGUYEN H， et al. Effectiveness Assessment of Keras Based Deep Learning with Different Robust Optimization Algorithms for Shallow Landslide Susceptibility Mapping at Tropical Area［J］. Catena， 2020， 188：104458.

［21］ LUO Yi， MESGARANI N. Conv-TasNet：Surpassing Ideal Time-frequency Magnitude Masking for Speech Separation［J］. IEEE/ACM Transactions on Audio， Speech， and Language Processing， 2019， 27（8）：1256-1266.

［22］ GAD A G. Particle Swarm Optimization Algorithm and Its Applications：a Systematic Review［J］. Archives of Computational Methods in Engineering， 2022， 29（5）：2531-2561.

［23］ ALQUIER P， CHRIEF-ABDELLATIF B E， DERUMIGNY A， et al. Estimation of Copulas via Maximum Mean Discrepancy［J］. Journal of the American Statistical Association， 2023， 118（543）：1997-2012.

［24］ 丁華， 楊亮亮， 楊兆建， 等. 數字孿生與深度學習融合驅動的采煤機健康狀態預測［J］. 中國機械工程， 2020， 31（7）：815-823.

DING Hua， YANG Liangliang， YANG Zhaojian， et al. Health Prediction of Shearers Driven by Digital Twin and Deep Learning［J］. China Mechanical Engineering， 2020， 31（7）：815-823.

［25］ BRODNY J， TUTAK M. Applying Computational Fluid Dynamics in Research on Ventilation Safety during Underground Hard Coal Mining：a Systematic Literature Review［J］. Process Safety and Environmental Protection， 2021， 151：373-400.

［26］ GOMES A S， HALDER A， HOSSAIN M A. The Effect of Kronecker Tensor Product Values on ECG Rates：a Study on Savitzky-Golay Filtering Techniques for Denoising ECG Signals［J］. Asian Journal of Applied Science and Technology， 2023， 7（1）：158-166.

［27］ HU Hongping， AO Yan， YAN Huichao， et al. Signal Denoising Based on Wavelet Threshold Denoising and Optimized Variational Mode Decomposition［J］. Journal of Sensors， 2021， 2021：5599096.

［28］ QIAN Yuning， YAN Ruqiang， GAO R X. A Multi-time Scale Approach to Remaining Useful Life Prediction in Rolling Bearing［J］. Mechanical Systems and Signal Processing， 2017， 83：549-567.

［29］ LIU Yongbin， HE Bing， LIU Fang， et al. Remaining Useful Life Prediction of Rolling Bearings Using PSR， JADE， and Extreme Learning Machine［J］. Mathematical Problems in Engineering， 2016， 2016：8623530.

［30］ YAN Mingming， WANG Xingang， WANG Bingxiang， et al. Bearing Remaining Useful Life Prediction Using Support Vector Machine and Hybrid Degradation Tracking Model［J］. ISA Transactions， 2020， 98：471-482.

［31］ GUO Liang， LI Naipeng， JIA Feng， et al. A Recurrent Neural Network Based Health Indicator for Remaining Useful Life Prediction of Bearings［J］. Neurocomputing， 2017， 240（C）：98-109.

［32］ GUPTA M， WADHVANI R， RASOOL A. A Real-time Adaptive Model for Bearing Fault Classification and Remaining Useful Life Estimation Using Deep Neural Network［J］. Knowledge-Based Systems， 2023， 259：110070.

（編輯 陳 勇）