《Expert Systems with Applications》：Sequence to sequence network with Bayesian attention and state transition for self-data-driven remaining useful life estimation
編輯推薦：
在工業場景中，準確的剩余使用壽命（RUL）預測對設備維護至關重要�，F有深度學習驅動的 RUL 預測多依賴大量故障數據，實際難以滿足。研究人員提出 SeqBAST 模型，在多軸承和發動機數據上驗證有效，為 RUL 預測提供新方法，助力工業設備維護決策。
在工業領域，設備就像工廠的 “心臟”，它們的穩定運行直接關乎生產效率和安全。然而，長期運行的設備不可避免地會出現退化，就像人的身體會隨著時間衰老一樣。這不僅會降低生產效率，還可能引發嚴重事故。于是，設備的預后和健康管理（PHM）系統應運而生，它就像設備的 “保健醫生”，利用傳感器數據和維護記錄等資源，為高端設備的運維提供服務。而在這個系統中，剩余使用壽命（RUL）的準確估計無疑是重中之重，它就像給設備的 “健康狀況” 定了一個量化指標，能為維護人員提供決策依據，幫助他們提前規劃維護工作，避免設備 “帶病上崗”，從而提高設備可靠性、保障系統安全，還能降低經濟成本。
早期，數據驅動的 RUL 預測方法主要分為統計方法和人工智能方法。統計方法試圖通過分析歷史數據建立設備退化模型，再借助粒子濾波（PF）或卡爾曼濾波（KF）等技術更新模型參數。但這種方法依賴明確的退化假設，RUL 估計結果受初始參數設置影響大，面對復雜的非線性退化過程時往往力不從心。人工智能方法則以深度學習（DL）為代表，卷積神經網絡（CNN）、循環神經網絡（RNN）、Transformer、圖神經網絡（GNNs）等模型紛紛登場，它們能直接建立觀測信號與 RUL 標簽之間的映射關系，還能通過各種網絡融合策略處理復雜信號，在公共數據集上表現出色。然而，這類基于模式識別的回歸預測方法有個致命弱點，就是訓練模型時需要大量的故障運行數據�？稍趯嶋H工業環境中，讓設備帶著故障運行風險巨大，而且不同設備由于制造差異、工作條件和服務環境不同，退化過程也不一致。一旦測試數據中的退化軌跡在訓練數據中沒出現過，模型的預測效果就會大打折扣，甚至得出不可靠的結果。
為了解決這些問題，研究人員另辟蹊徑，開始采用自數據驅動的方法預測 RUL。這種方法不再依賴多組故障運行數據，而是利用已知的退化數據預測未來趨勢，當預測的退化軌跡達到設定的故障閾值時，就能確定 RUL。在鋰電池健康預測領域，自數據驅動方法取得了不錯的效果，可對于機械設備來說，其退化過程波動大、缺乏統一故障閾值，預測難度更高。盡管已有不少針對復雜退化行為的建模策略，但仍存在誤差積累、趨勢建模不明確、無法量化預測不確定性等問題。
在這樣的背景下，國內的研究人員（Yasong Li 等人）開展了一項旨在解決工業場景中 RUL 預測難題的研究。他們提出了一種名為序列到序列網絡（seq2seq）結合貝葉斯注意力和狀態轉移（SeqBAST）的模型用于自數據驅動的 RUL 預測。研究人員通過一系列實驗，在多個軸承和發動機單元的數據上進行驗證，結果表明 SeqBAST 模型表現出色，有效解決了現有方法的部分不足，為 RUL 預測提供了更可靠的方案。該研究成果發表在《Expert Systems with Applications》上，為工業設備的維護決策提供了重要參考，推動了工業設備健康管理領域的發展。
研究人員在構建 SeqBAST 模型時，運用了多種關鍵技術方法。首先，他們將原始數據分解為波動分量和趨勢分量，分別輸入不同網絡進行特征提取，波動分量進入簡單線性網絡，趨勢分量則進入編碼器 - 解碼器框架。其次，在網絡中設計了貝葉斯注意力模塊（BAM），利用稀疏狄利克雷分布作為先驗分布約束注意力權重，讓網絡能自適應聚焦關鍵時間步。另外，還構建了狀態轉移模塊（STM），放在解碼器輸出之后，增強對非線性退化趨勢的學習能力。通過這些模塊的協同工作，SeqBAST 實現了對 RUL 的有效預測。
實驗設計與結果
- 數據集選擇：研究選用了美國國家航空航天局（NASA）存儲庫中的 C - MAPSS 數據集進行驗證，該數據集包含 FD001 至 FD004 四個子數據集，每個子數據集又分為訓練集和測試集，數據來自多個發動機單元（EUs）�？紤]到 SeqBAST 是自數據驅動的模型，實驗從 EUs 中選取了部分子集進行研究。
- 模型性能評估：通過實驗，SeqBAST 模型展現出良好的性能。作為多步預測模型，它有效緩解了單步預測帶來的誤差積累問題，能夠從歷史監測數據中準確預測設備的退化趨勢。例如，在預測發動機單元的退化趨勢時，SeqBAST 能根據前期的監測數據，較為精準地推斷出后續的變化情況。同時，模型通過 BAM 和 STM 模塊，增強了對復雜退化過程中依賴關系的捕捉能力。BAM 使得模型能夠靈活關注重要時間步，STM 則能更好地刻畫非線性退化趨勢的動態變化。此外，SeqBAST 還構建了不確定性分解和量化策略，輸出 RUL 預測結果的概率分布，為維護人員提供了更具可信度的決策依據。在面對不同的測試數據時，模型能綜合考慮隨機不確定性和認知不確定性，給出更全面、可靠的預測。
- 輔助損失項的作用：針對退化趨勢不明顯的場景，研究人員提出了可選的輔助外推（AUE）損失項。實驗表明，這一損失項有效提升了模型的外推能力，使模型在復雜情況下也能更好地預測未來趨勢，進一步增強了 SeqBAST 的實用性。
研究結論與討論
SeqBAST 模型為工業場景中因故障運行數據稀缺導致的 RUL 預測難題提供了切實可行的解決方案。它通過獨特的模塊設計，有效解決了現有自數據驅動 RUL 預測方法存在的誤差積累、趨勢建模不足和無法量化預測不確定性等問題。實驗結果充分驗證了該模型在不同機械系統中的有效性和模塊的不可或缺性。不過，由于自數據驅動范式本身存在數據稀缺問題，SeqBAST 的應用存在一定局限性，它要求機械系統在應用前已呈現一定程度的退化趨勢。但總體而言，SeqBAST 模型為工業設備的預測性維護提供了新的思路和方法，有助于提高設備的可靠性和安全性，降低維護成本，在工業領域具有重要的應用價值和推廣潛力。它推動了設備健康管理領域的發展，讓工業設備的 “保健” 工作更科學、更高效。
