林懿，龙伟，李炎炎，魏鸿飞，汤高丰
（1.四川大学机械工程学院，四川成都，610097；
2.成都中创一佳科技公司, 四川成都，610065）
滚动轴承是旋转设备中应用最广的关键部件之一，因其工况恶劣，承受载荷多变、强度大和时间长等特点，也是最易损的部件之一。并且由于轴承失效的突发性，事故的发生难以预料，在造成经济损失的同时，也会给工业安全生产带来严峻挑战[1]。因此，提前预测轴承剩余使用寿命能够快速反应决策，对保障人员财产安全具有重大意义。传统RUL预测严重依赖专家经验，不仅成本高，且在大规模生产或恶劣环境状况下，仅凭人力也难以负担。如何低成本、高效且智能的对滚动轴承RUL实现精确预测，成为工业工程中亟待解决的问题。
而随着新一代信息技术的高速发展，云计算、大数据和人工智能等手段通过打造工业领域的互联网平台赋能装备智能运维与自主健康，为轴承RUL预测提供了一种全新的、高效的、智能的解决方法。基于网络技术开展设备远程监测诊断的研究可追溯到上世纪90年代，在国外，1997年麻省理工学院与斯坦福大学共办第一届“基于因特网的工业远程诊断研讨会”，对该技术的连接体系、诊断信息、传输协议以及相关限制进行了探讨，提出了展望与预期，获得了国家以及相关行业公司的支持合作[2]；
2012年美国GE公司发布报告，重点以“旋转机械”为讨论对象，提出将传感器嵌入各类先进仪器仪表以收集分析信息数据，改进设备性能，并打造出全球首个工业互联网平台——Predix[3]。在国内，诸多高校行业也依据自身优势专业，在各工业领域开展设备远程诊断，并取得部分成果，其中，华中科技大学[4]在网络上设立诊断点，以实验室为单位成功提供了远程诊断服务。北京化工大学的高金吉院士团队[5]从企业工程经验出发，于2012年就推出了基于工业互联网的设备监测诊断平台，能够于在线、无线、离线状态下实现对工业现场设备的故障诊断。
近些年，随着传统制造业转型升级的呼声愈发高昂，以工业互联网赋能设备监测诊断，促使设备诊断信息化、管理决策智能化也掀起空前热潮。
本文方案是以“面向产业集群全业务服务的工业互联网平台”为基础设计的，该平台由四川大学龙伟教授团队推出，主要针对国内某开发区企业类型多、产业数量多的特点建设的，并已成功入选“重庆市十大软件公共服务平台培育方案”，平台主界面如图1所示。
图1 工业互联网平台主界面
传统的“端-云”协同面临以下问题：（1）大数据传输问题。未加处理的海量设备端数据在传输至云端的过程中，存在高延迟的缺陷；
（2）实时性问题。数据量过大，影响云计算的实时处理能力；
（3）安全问题。端-云传输路径过长，存在数据丢失以及泄露风险。尽管“端-云”协同的架构解决了终端设备的限制，但仍存在一定的问题影响服务质量和效率。为了缓解上述问题，在端-云架构中靠近设备端的部分，引入边缘层，对海量工业数据实施预处理和储存，能够产生更快的网络服务响应，满足工业实时性、应用智能性、信息安全性。端-边-云总体架构如图2所示。
图2 端-边-云总体架构
1.1 端层功能设计
端层又叫应用层、设备层或者感知层，主要指的是工业现场的数据采集系统，通常包括工业设备、传感器以及嵌入式系统等。在工业现场，主要是将各类有线和无线通信技术接入各种工业现场设备、智能产品/装备采集工业数据。因此，利用加速度传感器，采集重要设备的轴承振动信号，并通过智能网关传输到边缘服务器。
1.2 边层功能设计
边层又叫边缘层，能利用云网关连接工厂网络中的各类设备，采集端层的多源异构数据，汇聚各类工业参数，并进行准确及时的协议解析、数据清洗、存储和科学的分析处理，通过以太网、移动网络等上网方式与云平台进行通信，实现数据上云。将边缘服务器部署在靠近工业现场的节点，一方面，能够解决设备端储存、计算能力不足的问题；
另一方面，通过边层对工业数据的结构化处理，不仅将云层的计算任务卸载到边层，减轻了云中心的处理压力、增加了传输效率。此外，由于目前在工业数据采集领域，多种工业协议标准并存，各种工业协议标准不统一、互不兼容，导致协议解析、数据格式转换和数据互联互通困难。因此采用一种以SOA、WebService为核心的跨平台数据交换技术，即OPC UA统一架构，在单一接口情况下实现多种工业协议标准的数据交换。因此，在边缘层中，将轴承原始振动信号进行数据清洗、特征提取后，再传输给云层计算中心。
1.3 云层功能设计
云层也被称为云计算层，即“面向产业集群全业务服务的工业互联网平台”，是面向客户的中心平台或封装软件，主要接受来自边缘层的数据流，并通过对数据进行智能分析与可视化展示，为用户提供决策支撑。同时，由于云服务器具备足够的计算与缓存能力，因此，将训练好的轴承RUL预测模型模型部署于云层，实现网络化协同管理，对轴承状态实现智能分析、判断和预警，为工业安全生产提供远程分析和决策服务，保障工业现场的安全生产。
LSTM网络在长距离时序预测过程中表现出极佳的鲁棒性和适应性，适用于滚动轴承RUL预测。但单一的LSTM网络预测方法过于依赖人为设置神经网络的超参数，这不仅导致训练模型随机性高、算法智能性差，还影响模型预测精度。因此，使用量子粒子群优化算法（Quantum Particle Swarm Optimization，QPSO）对LSTM的网络超参数自适应寻优，建立起QPSO-LSTM网络模型，最终实现对轴承剩余寿命的智能预测。
2.1 算法介绍
2.1.1 QPSO算法
Sun[6]模拟量子波动行为，提出了一种QPSO算法，该算法引入了量子理论，从智能进化和搜索策略的本质上对PSO进行了改进。与标准PSO根据粒子飞行速度更新位置的行为不同，QPSO取消了粒子“速度向量”的属性，使粒子位置的更新不关联于粒子运动，以此增加算法搜寻能力。此外，基于量子理论，将粒子视为量子束缚态，其位置为搜寻空间中任意可能的点，而粒子存在于该点的概率将由概率密度函数决定。因此，基于δ势阱理论，通过求解薛定谔方程，就能求出该概率密度函数，并在其旁边进行逆变换从而获得粒子位置。与传统算法相比，QPSO可以在整个可行域内搜索最优解，具有快速收敛性和鲁棒性。同时，QPSO算法在对多维函数的寻优问题中，表现出极佳的精度。算法原理和步骤如下：
Step1：计算平均最佳位置mbestt：
其中，M为粒子种群数；
pbesti,t为t代粒子中的个体最优位置。
Step2：更新粒子位置。因为粒子处于δ势阱中，从量子理论来看，粒子在不断演变的过程中，种群具有一定程度的聚集性，粒子将会被吸引子逐渐吸引到该点。吸引子公式为：
其中，α是加权因子，遵循[0, 1]上的均匀分布数值
同时，为了更新粒子位置，需要将粒子从量子态压缩到经典态，并使用蒙特卡罗随机模拟获得下一代粒子位置：
其中，xi,t+1表示粒子t+1代的位置，β为创新参数，名为收缩扩张系数,取值一般小于1；
u遵循[0, 1]上的均匀分布；
取+与-的概率各为0.5。
QPSO算法结合了PSO和量子理论的特点，具有如下优点：①具有概率为1的全局收敛能力；
②参数量少，算法收敛速度和粒子位置只取决于参数β，具有更简单的结构、更快的收敛速度；
③比标准PSO输出更为稳定，鲁棒性极佳。
2.1.2 LSTM网络
在滚动轴承寿命预测时，考虑到轴承退化过程是动态和发展的，传统神经网络只能表现为对当前时刻监测信号的映射，忽略了时序信号在不同时间的相关性[7]。循环神经网络RNN拥有记忆循环结构，能够同时兼顾输入信号的空间和时序性，但在长时序数据中，有依赖下降的缺点。LSTM网络是RNN的变种，是为了解决RNN长期以来存在的梯度消失和爆炸问题所提出的，相对于RNN，LSTM网络在长时序记忆中有更好的表现。
传统RNN是一个链式结构，通过单一网络的复制将信息传递给下一个神经模块，因此RNN具备一定的记忆功能。但随着数据时间片段与网络节点计算阶段增加，RNN会逐渐丧失接受远程信息的能力，也就是出现了长期依赖问题。此外，RNN权值矩阵的循环乘积，会产生梯度消失和爆炸，使得其模型训练困难。
LSTM引入门（gate）机制，在隐藏层增加一个细胞状态，以输入门、输出门和遗忘门控制信息流动。与RNN不同的是，LSTM重复模块中并非单一神经网络，而是四个交互层，共同控制信息沿着时间轴更新。其中，三种状态门形成记忆单元结构组织决定单元状态。通过这种刻意设计的结构，LSTM网络能够利用门控传输机制，有选择性的记住需要长时间记忆的信息，而遗忘掉无用信息，彻底解决了RNN网络“呆板”的叠加式记忆方式。
2.1.3 QPSO-LSTM
Klaus greff[8]等人研究了LSTM网络相关超参数设置对预测结果的影响，实验表明，学习速率和网络大小的设置至关重要，因此，可用QPSO算法对学习速率、迭代次数、隐含神经元节点数（两层网络结构）共四个超参数进行寻优，以得到精度更高、更稳定的训练模型。其中，适应度值函数定义为均方差，计算公式如下：
其中，Ai为测试值，Fi为神经网络预测值。
算法流程如图3所示。
图3 QPSO-LSTM算法流程
2.2 实验验证
实验数据为来自IEEE协会2012年举办的PHM预测挑战赛轴承全周期振动信号[9]，选用两种工况下的Bearing1-1及Bearing2-1为训练集数据，Bearing1-3为测试集数据，具体轴承全寿命信号图如图4所示。经过综合考虑，提取信号最小值、能量熵、峰峰值、最大值、波形、整流平均值、标准差、方差等8组特征构建轴承退化特征向量。此外，将轴承剩余寿命模型简化为一次方程，并引入轴承特征共同构建训练参数集，同时为了更直观地呈现剩余寿命预测情况，将剩余寿命归一化为[0, 1]，1代表百分百剩余寿命，0代表轴承完全失效。
图4 轴承全寿命信号图
Elman、CNN、BP、标准LSTM及PSO-LSTM多种模型的预测结果进行对比。其中，Elman网络是一种递归神经网络，因为本身包括四层网络结构，所以具有一定的延时时变能力，常用于回归预测；
CNN网络则是一种具有深度结构的前馈神经网络，在机器视觉、语音处理及分类问题中表现极佳；
BP网络则是当前应用最广的模型之一，具有模型结构简明、运算效率高的特点，其本身能利用梯度下降法减小训练误差，因此在非线性拟合中表现突出。各模型预测结果曲线如图5所示，而为了便于展示，图中的曲线是经平滑处理后的结果。
由图5可知，六种模型的剩余寿命预测值同真实值的整体变化趋势基本相同，直观反映了所取特征参数的退化敏感性较高，对轴承退化状态表征能力较强，证明了自适应特征选择算法的有效性与实用性。分阶段来看，在退化初期，即[0, 500]处，所有模型的预测效果都较差，主要原因是轴承刚接入负载系统，系统整体稳定性不高，导致轴承振幅波动较大，待系统趋于平稳后，拟合效果才逐渐提高；
而在[500, 1000]处的振幅平稳阶段预测值与真实值误差较小，模型拟合曲线精度普遍较高，这是因为此阶段轴承磨损量较小，整体处于健康状态，振动特征平稳，因此具有较高的拟合精度；
而在[1000, 1500]处的退化中期阶段，因轴承磨损量逐渐加深，振动信号非线性、非平稳性增强，因此预测误差较大，此外，由于振幅波动较大，与退化初期的表现形式相似，导致五种对比模型剩余寿命预测值拟合曲线在真实值曲线上方，而只有本文所提出的QPSO-LSTM算法具有最佳的拟合效果，体现出该算法预测结果的精确性；
最后，在[1500, 2500]处的急速退化阶段，六种模型拟合精度普遍较高，因为本阶段轴承退化趋势明显，振幅异常，振动特征表征效果最佳。同时，为了定量评价各算法剩余寿命预测模型的精度，以均方根误差RMSE和决定系数R2为评价指标，公式如下：
图5 预测结果对比图
其中，Ai为测试值，Fi为神经网络预测值，F为Fi的平均值。
根据式(5)和(6)计算的模型精度评价指标结果如表1所示， RMSE指标代表着预测输出与预期输出的误差值，该指标越小，则代表整体预测越小，预测精度越高；
R2指标代表着预测结果对预期值的拟合度，其值越大，说明拟合结果越好，预测精度越高。LSTM网络模型则因其独特的长时序记忆能力，在长距离时序数据预测方面表现突出，因此，LSTM网络模型的预测结果显著优于其余网络模型；
其次，为了解决LSTM网络智能化训练问题，使用PSO算法对网络超参数寻优，结果显示，PSO寻优后的LSTM网络预测效果优于超参数固定设置的标准LSTM网络，验证了智能训练的有效性；
最后，为了提高寻优精度，提出一种QPSO-LSTM网络模型，结果也表明，QPSO算法寻优精度更高，因此该模型的剩余寿命曲线拟合最符合真实值，且预测模型评价结果中，RMSE最小、R2最大，预测精度最高。
表1 模型评价
综上所述，本节所提出的基于QPSO-LSTM算法不仅可以有效的预测滚动轴承剩余寿命，还能够自适应调整网络超参数，智能训练模型，为设备在线监测与维护提供了一种新的策略。
最后，将预测模型部署于工业互联网平台上，预测结果如图6所示。图6中，横坐标表示轴承工作时间，纵坐标表示轴承剩余寿命，曲线则表示当前轴承剩余寿命。通过提取当前时刻轴承的退化特征，输入QPSO-LSTM寿命预测模型，能够提前预测轴承失效时间，快速反应决策，避免因设备可靠性缺失导致恶性工业事故的发生。此外，图7还展示了平台另一个功能——轴承状态识别的可视化。图7中，左边为离散点分析，主要通过振动信号振幅大小辅助判定轴承是否运行异常，右边为轴承诊断结果及三维聚类图的可视化展示。
图6 滚动轴承剩余寿命预测结果
图7 轴承故障诊断结果可视化
（1）设计了一套“端云边”协同的工业互联网架构，通过端层采集轴承振动信号并传输至边层；
在边缘层对大量轴承数据进行预处理与特征提取，减少云端复杂，增加预测实时性；
最后，在云层部署智能模型，实现对轴承RUL的准确预测；
（2）提出了一种基于QPSO-LSTM的轴承RUL预测算法，通过QPSO优化算法自适应设定LSTM的网络超参数，使其更稳定、精确的对RUL进行预测。并通过轴承全寿命数据与多种算法对比，验证了该算法的实用性；
（3）将智能模型部署于工业互联网云端，实现了对轴承RUL的在线智能预测。
提前预测设备失效时间，能够快速反应决策，避免恶性安全事故，保证人员财产安全；
同时，智能化的设备健康管理技术也可以节省人力成本，提升企业管理效率，在加快传统制造业转型升级、增强中国制造核心竞争力方面作用深远。