基于深度多尺度卷积神经网络的剩余使用寿命预测模型①

原建洋 葛阳,2＊ 蒋晓梅,2 郑明远

(1.常熟理工学院机械工程学院 江苏常熟 215500；2.江苏省电梯智能安全重点建设实验室 江苏常熟 215500)

随着传感器技术的发展，越来越多的在线监测技术被应用于高可靠性要求的机械产品上，如核电设备、航空设备、汽车产品等。为了降低故障风险，应依据采集到的设备的实时信息，选择合适时机对设备进行预防性维修，主流的维修策略有“基于状态的维修（CBM）”和“故障预测与健康管理（PHM）”，其关键技术是通过实时数据识别设备当前的状态以及预测设备剩余使用寿命（RUL），从而为设备的维修决策提供依据。本文提出了一种深度多尺度卷积网络结构用于RUL预测，该网络整体由四层卷积运算叠加构成，其中第一层和第三层为多尺度卷积层，其余两层为普通卷积层，可以实现从多个尺度提取输入数据的特征，显著提高RUL的预测精度。

1 深度多尺度二维卷积网络的构建

卷积神经网络（CNN）是深度学习算法研究的热点之一，CNN局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，权值共享降低了网络的复杂性，多维向量输入的图像可以直接输入网络，避免了特征提取和分类过程中数据重建的复杂度。

典型的CNN结构主要由输入层、卷积层、池化层、全连接层和输出层组成：

设M为CNN的原始输入矩阵，用Xi表示第i层的特征（X0=M）,若Xi为卷积层，则Xi可表示为

图1 本文提出的RUL预测网络结构

其中，Wi表示第i层卷积核的权值，运算符“⊙”表示卷积运算，卷积输出与第i层的偏置bi相加后，通过激活函数R(x)便得到第i层的特征Xi。

池化层通常在卷积层之后，其主要作用一是对特征矩阵进行降维，将低层次的局部特征组合为较高层次的特征；二是对特征矩阵进行压缩，简化网络，降低计算复杂度。若Xi为池化层，则

其中，P(x)表示池化运算，常见的池化运算为平均池化和最大池化。

经过多个卷积层和池化层交替传递后，全连接层将学到的“分布式特征表示”映射到样本标记空间。深层神经网络通过多次非线性变换和近似的复杂非线性函数，能够自适应地从原始输入信号中获取特征信息。

2 RUL估计的方法的体系结构

图1是本文提出的用于RUL估计的方法的体系结构，其包括：

（1）输入层。为了便于卷积运算，以二维格式准备输入数据样本。输入的数据维数是Nt×Nf，其中Nt表示时间序列，Nf是原始特征的数量。原始特征通常是通过传感器直接从设备中采集到数据。

图2 本文提出的RUL预测网络层级框架

（2）卷积层。在网络中共堆叠4个卷积层进行特征提取，第一个及第三个卷积层为多尺度卷积层，分别采用三种不同尺度的卷积核来提取不同的特征，滤波器的大小分别是7×1、9×1、10×1。第二层和第四层卷积层为单尺度卷积层。滤波器的大小是10×1，所有的卷积层均使用零点填充操作，保持特征映射维数不变，与输入的原始特征维数相同。本文所有卷积层均选用Relu激活函数，作为非线性单元Relu函数能够增加卷积神经网络的非线性，使卷积神经网络结构能够分段线性。另外，在卷积层加入BN（Batch Normalization）算法可以加快网络结构的学习率。在两个单尺度卷积层后，采用平均池化层来加速收敛，提高预测精度。

（3）全连接层。全连接层的每一个结点都与上一层的所有结点相连，用来把上一层提取到的特征综合起来。在最后一个特征映射上使用丢弃层来消除过拟合。最后，在所提出的网络的末尾加入一个回归层用来计算回归问题的均方误差损失。还采用了Adam优化算法来加速学习速度和效果，网络层级架构如图2所示。

3 结语

本文提出了一种用于寿命预测多层变尺度卷积网络，先利用不同尺度卷积从原始特征中提取不同特征，再利用深度连接层将提取的特征融合，作为下一层卷积的输入，经过多层类似结构的卷积运算，最后连接回归层，搭建成学习和预测网络。当然，本文的研究也存在一些有待改进的地方：如多尺度卷积比单尺度卷积运算速度慢、预测结果的评价指标函数合理性论证不足、一些深度学习网络参数的最优化问题还没给出等问题，这些问题有待下一步研究完善。