Deep separable convolutional network for remaining useful life prediction of machinery

Deep separable convolutional network for remaining useful life prediction of machinery

文章目录

• Background
• Method Proposed
• • DS模型
  • SE模块
  • 可分离的卷积构件
  • DSCN构架
• Experiment
• • 评价指标：
  • 数据预处理
  • • z-score
    • 划窗：
  • 实验结果

Background

数据驱动的剩余寿命预测（RUL）主要包括：数据采集，特征提取和选择，退化行为学习和RUL

目前基于深度学习的机械RUL存在两个问题：
1、过分依赖于手工提取的特征。
2、没有考虑到传感器数据之间的关联性。来自不同传感器的数据包含不同程度的退化信息，反映了不同部件之间的故障交互作用。

Method Proposed

DS模型

网络压缩的内容
可分离卷积通过对标准卷积的因子分解来揭示时间相关性和跨信道相关性。
首先，Channel-wise 卷积将一个卷积核应用到每个输入信道中，以分别映射每个传感器序列的时间相关性。然后，Pointwise卷积进行 1 × 1 1 times 1 1×1卷积，创建Channel-wise 卷积输出的线性组合，即映射不同传感器的跨信道相关性。通过上述两个独立的步骤，时间相关性和跨通道相关性可以充分解耦。特别地，可分离卷积使用特定的卷积核，即Pointwise卷积核来映射跨信道相关性，有效地捕获了不同传感器数据的依赖关系。

SE模块

突出有用特征，抑制无用特征

可分离的卷积构件

DSCN构架

Block表示上述可分离的卷积构件

Experiment

两个Case。（1）滚动轴承的RUL预测（2）涡扇发动机发RUL预测
这里只关注Case 1

评价指标：

评分函数

RMSE

数据预处理

z-score

预测结果：

划窗：

对于数据驱动的预测问题，如何将有用的时间信息嵌入到预测模型的输入中是一个重要的考虑因素。如果预测模型只使用在单个采样时间步长中获得的数据作为输入，则将忽略前面与当前退化状态相关的时间信息，从而限制了模型的预测性能。本文利用固定尺寸时间窗将连续采样时间步长获得的振动信号连接成高维向量，然后将该向量作为DSCN的输入。因此，在每个采样时间步长中，通过时间窗嵌入得到的输入向量由在当前时间步长中采样的振动信号及其之前的S-1时间步长组成。
举个例子：(a)是没有时间窗口 (b)有时间窗口，大小为3

实验结果

划窗大小选5

五种不同的预测方法在轴承数据集上的性能比较。(a)评分函数值。(b)RMSE值。


论文