国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于多模態(tài)Transformer的機(jī)電作動器剩余壽命預(yù)測

2023-11-27 02:53陳子涵
兵工學(xué)報 2023年10期
關(guān)鍵詞:作動器注意力壽命

陳子涵

(中國空間技術(shù)研究院 遙感衛(wèi)星總體部, 北京 100094)

0 引言

近年來,下一代配備電傳飛控系統(tǒng)的航天裝備日益增加[1]。機(jī)電作動器(EMA)作為一種重要的電傳飛控作動器,具有更高的可靠性、更低的總重量、更好的可維護(hù)性等優(yōu)點,在航天工業(yè)中得到越來越多的關(guān)注和應(yīng)用。EMA是航天器上重要的執(zhí)行機(jī)構(gòu)之一,航天器復(fù)雜的工作環(huán)境可能會導(dǎo)致多樣的EMA故障。航天裝備對EMA的安全性和可靠性要求很高,未被發(fā)現(xiàn)的EMA故障可能會導(dǎo)致災(zāi)難性的后果。因此,開展航天器EMA的故障診斷和壽命預(yù)測研究具有重要意義。

EMA由電氣、電子和機(jī)械部分組成,會呈現(xiàn)復(fù)雜的故障模式??紤]到航天系統(tǒng)對安全方面的嚴(yán)格要求,必須實現(xiàn)準(zhǔn)確的壽命預(yù)測,從而在災(zāi)難性故障發(fā)生之前留出足夠的時間進(jìn)行應(yīng)急管理。數(shù)年來,在EMA的故障預(yù)測與健康管理領(lǐng)域已有很多研究。這些研究提出的方法基本上可以分為基于模型的方法和數(shù)據(jù)驅(qū)動的方法兩類[2]。

基于模型的方法需要建立一個準(zhǔn)確的數(shù)學(xué)模型,從而預(yù)測EMA的輸入和輸出關(guān)系,或者估計EMA內(nèi)部狀態(tài)量的變化規(guī)律。通過將模型估計的參數(shù)與真實測量的參數(shù)進(jìn)行比較,可以識別EMA的性能狀態(tài)或健康狀態(tài)?;谀P偷姆椒梢愿橢MA中的單個組件的運行狀態(tài),從而直接從物理角度識別故障。這類方法能夠?qū)崿F(xiàn)非常具體的故障識別,并且能夠?qū)崟r查看特定組件的健康狀態(tài)。文獻(xiàn)[3]使用遺傳算法在EMA性能下降初期識別故障征兆。文獻(xiàn)[4]考慮EMA及上級控制系統(tǒng)的詳細(xì)模型,設(shè)計了5組基于信號的監(jiān)控功能,并通過基于信號的規(guī)則來檢測和定位系統(tǒng)的相關(guān)故障。該方法需要大量準(zhǔn)確的先驗知識和預(yù)先設(shè)計的規(guī)則。文獻(xiàn)[5]基于EMA的線性模型設(shè)計了線性殘差濾波器,并通過基于零空間的殘差濾波器監(jiān)視EMA的3個傳感器,實現(xiàn)故障診斷。文獻(xiàn)[6]通過物理第一性原理建立EMA動態(tài)模型,模擬EMA的動力學(xué)中涉及的最相關(guān)現(xiàn)象,從而檢測瞬態(tài)故障特征。這兩種方法依賴于高保真模型,而高保真模型通常是根據(jù)特定設(shè)備設(shè)計的,并且需要監(jiān)測的參數(shù)往往是實驗室階段才能監(jiān)測到?;谀P偷姆椒ǖ膬?yōu)點是在故障模式和模型參數(shù)之間有一組清晰的對應(yīng)關(guān)系。然而基于模型的方法中使用的模型往往過于復(fù)雜,其完整的模型參數(shù)在非實驗室階段難以獲得,或者對測量和計算要求非常高。同時,對于基于模型的方法,每個新產(chǎn)品和新應(yīng)用場景都必須有一個新的經(jīng)過驗證的模型。因此,雖然上述基于模型的方法在EMA的故障診斷方面表現(xiàn)良好,但是其應(yīng)用條件苛刻,在面對工程實踐中的復(fù)雜工況時,擴(kuò)展應(yīng)用較為困難。美國國家航天局(NASA)的Ames研究中心對電磁干擾下的EMA進(jìn)行了故障模式與影響分析,提出了基于EMA動力學(xué)模型和觀測器的混合診斷方法[7]。該方法同樣需要準(zhǔn)確的EMA模型,并需要人工設(shè)計特征集和診斷樹。基于模型的方法常用于EMA的故障診斷方面,而壽命預(yù)測方面研究較少。文獻(xiàn)[8]建立簡化模型預(yù)測EMA的電流。文獻(xiàn)[9]利用輔助特征改進(jìn)卡爾曼濾波器估計EMA的電機(jī)電壓。由此可知,基于模型的方法通常難以直接預(yù)測EMA的剩余壽命,往往是預(yù)測電流電壓等性能參數(shù)。

數(shù)據(jù)驅(qū)動的方法使用監(jiān)測數(shù)據(jù)和信號處理技術(shù),利用EMA的正常和故障數(shù)據(jù)建立數(shù)據(jù)模型,從而學(xué)習(xí)EMA的故障規(guī)律。數(shù)據(jù)驅(qū)動的方法可以直接使用傳感器數(shù)據(jù),隨著監(jiān)測技術(shù)和計算能力的提高,數(shù)據(jù)驅(qū)動方法比基于模型的方法更受歡迎。文獻(xiàn)[10]使用功率譜密度方法提取EMA的振動信號的頻域特征,之后使用主成分分析方法降低頻域特征維度,最后通過貝葉斯分類器實現(xiàn)故障診斷。文獻(xiàn)[11]基于集合經(jīng)驗?zāi)J椒纸夥椒ㄌ崛「黝l段包含的故障特征,實現(xiàn)EMA的故障診斷。文獻(xiàn)[12]利用變分模態(tài)分解、多重分形去趨勢波動分析和概率神經(jīng)網(wǎng)絡(luò)對EMA進(jìn)行故障診斷。文獻(xiàn)[13]提出一種基于交互式多模型和無跡卡爾曼濾波相結(jié)合的EMA突變故障診斷方法。文獻(xiàn)[14]針對EMA漸變性故障提出了基于動態(tài)小波神經(jīng)網(wǎng)絡(luò)的故障診斷方法。這些傳統(tǒng)數(shù)據(jù)驅(qū)動方法通常是人工設(shè)計特征提取方法,之后通過神經(jīng)網(wǎng)絡(luò)等分類器實現(xiàn)故障診斷。這類方法對預(yù)定義的領(lǐng)域知識依賴性較強,工作效率較低,工程擴(kuò)展能力較弱。近年來,深度學(xué)習(xí)在EMA的故障預(yù)測與健康管理領(lǐng)域有一定研究。深度學(xué)習(xí)方法不需要依靠高水平的專家知識,可以自動識別數(shù)據(jù)的深層結(jié)構(gòu)和高層抽象特征,從而自動提取數(shù)據(jù)內(nèi)部的固有特征。文獻(xiàn)[15]提出一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的EMA故障診斷方法,能夠自動提取信號特征。文獻(xiàn)[16]使用深度自動編碼器將EMA的多模態(tài)傳感器數(shù)據(jù)組成的高維數(shù)據(jù)轉(zhuǎn)換到低維潛在空間,再從低維空間重構(gòu)特征數(shù)據(jù),最后使用重構(gòu)誤差作為異常分?jǐn)?shù)實現(xiàn)了異常檢測。文獻(xiàn)[17]提出了一種滑窗增強的基于改進(jìn)的長短時記憶(LSTM)神經(jīng)網(wǎng)絡(luò)的EMA故障檢測與故障隔離方法。文獻(xiàn)[18]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)和最大平均偏差的EMA故障診斷方法。

雖然數(shù)據(jù)驅(qū)動的方法在EMA的故障診斷方面取得了良好成果,但是關(guān)于EMA的壽命預(yù)測研究較少。NASA提出基于高斯過程回歸(GPR)的剩余壽命預(yù)測方法[19]。文獻(xiàn)[20]利用加權(quán)Bagging方法改進(jìn)基于GPR的壽命預(yù)測方法。但是GPR類方法在每次預(yù)測時均需對歷史數(shù)據(jù)隨機(jī)抽樣,計算量很大,預(yù)測穩(wěn)定度較差。

綜上所述,雖然EMA在航空航天裝備中占據(jù)重要位置,尤其是EMA的滾珠絲杠故障是航空航天裝備的關(guān)鍵單點故障之一,但是對EMA故障領(lǐng)域的研究主要集中在故障診斷方面,對其壽命預(yù)測的研究較少。EMA的壽命預(yù)測問題的難點在于EMA結(jié)構(gòu)復(fù)雜,具有多種類型的機(jī)電參數(shù),各參數(shù)間相互影響,難以通過對個別參數(shù)的行為規(guī)律建模實現(xiàn)對其壽命退化規(guī)律的認(rèn)知。以往基于GPR等算法的壽命預(yù)測方法只能處理個別參數(shù),導(dǎo)致壽命預(yù)測準(zhǔn)確率不高、壽命預(yù)測起始點距離壽命終止點過近等問題。

因此,目前在EMA的故障預(yù)測與健康管理領(lǐng)域的研究存在以下不足:

1)基于模型的方法計算成本較高,而且難以獲得在復(fù)雜環(huán)境下的高保真的模型;

2)傳統(tǒng)數(shù)據(jù)驅(qū)動方法常需要大量的專家知識,自動化和自適應(yīng)能力較弱;

3)現(xiàn)有基于深度神經(jīng)網(wǎng)絡(luò)的方法在工程擴(kuò)展性和解決長期數(shù)據(jù)依賴性方面能力較弱;

4)EMA的故障診斷方面有一定研究,但是對其壽命預(yù)測的研究較少。

因此,面向日益復(fù)雜的航天器設(shè)計,亟需使用新一代智能數(shù)據(jù)驅(qū)動方法,開展能夠識別長時間序列數(shù)據(jù)內(nèi)部特性的EMA壽命預(yù)測技術(shù)研究。

近年來,注意力機(jī)制在基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動方法中受到廣泛關(guān)注。注意力機(jī)制可以自主學(xué)習(xí)原始數(shù)據(jù)的權(quán)重分配策略,進(jìn)一步提高時間序列的特征表示能力。文獻(xiàn)[21]提出在門控循環(huán)單元上使用注意力機(jī)制的方法估計EMA的電機(jī)電壓,進(jìn)而實現(xiàn)故障診斷。注意機(jī)制可以學(xué)習(xí)原始數(shù)據(jù)的權(quán)重分配策略,提高對時間序列的特征表示能力。但是門控單元仍然屬于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的范疇,該方法對長時間序列的表征能力有限。Transformer[22]是首個完全基于自注意力機(jī)制的深度神經(jīng)網(wǎng)絡(luò),常用于序列到序列的建模,可以捕捉輸入時間序列內(nèi)的依賴關(guān)系,不受序列內(nèi)距離的影響。同時 Transformer能夠并行計算,相比于只能串行計算的RNN極大地提升了運行速度。Transformer已在自然語言處理、計算機(jī)視覺、聲音處理等多個領(lǐng)域取得優(yōu)異效果。

鑒于Transformer在多個領(lǐng)域取得的突出有益效果和巨大成功,而EMA的壽命預(yù)測領(lǐng)域未見相關(guān)研究成果[23]。本文將其引入EMA的壽命預(yù)測領(lǐng)域,通過重新設(shè)計的Transformer模型,使其在具備模型的長時間序列建模能力的同時,適用于EMA壽命預(yù)測任務(wù)。本文基于Transformer的設(shè)計原理,考慮到EMA的復(fù)雜結(jié)構(gòu)和多樣化功能,設(shè)計多模態(tài)Transformer模型,從而使得Transformer模型可將EMA的多模態(tài)數(shù)據(jù)作為輸入,將剩余壽命作為輸出,最終實現(xiàn)EMA的壽命預(yù)測。

考慮到航空航天裝備的高可靠使用要求、多階段任務(wù)需求和多層級運維現(xiàn)狀,對EMA的自主健康管理設(shè)計不僅要求在其壽命退化初期實現(xiàn)壽命預(yù)測,更要求預(yù)測其關(guān)鍵性能參數(shù)的退化趨勢。然而以上兩項壽命預(yù)測需求是矛盾的,通常難以在壽命退化初期準(zhǔn)確預(yù)測關(guān)鍵性能參數(shù)的長期退化趨勢。

為解決上述現(xiàn)實需求相互矛盾而無法同時滿足的問題,本文設(shè)計多模態(tài)Transformer模型,通過Transformer模型的編碼器和解碼器結(jié)構(gòu)分別實現(xiàn)EMA的直接壽命預(yù)測和間接壽命預(yù)測。直接壽命預(yù)測方式是指多模態(tài)Transformer模型的第1種輸出,即直接輸出預(yù)測的剩余壽命,可實現(xiàn)在EMA性能退化早期實時直接地預(yù)測其剩余壽命。間接壽命預(yù)測方式是指多模態(tài)Transformer模型的第2種輸出,即在性能退化到一定程度時,輸出關(guān)鍵特征參數(shù)的時序預(yù)測值,通過計算關(guān)鍵特征參數(shù)到達(dá)壽命閾值的時間,從而間接預(yù)測剩余壽命。

本文提出一種解決航空航天裝備中EMA壽命預(yù)測問題的新思路,特別是滿足了相互矛盾的現(xiàn)實需求,攻克了多階段多層次壽命預(yù)測難題。具體創(chuàng)新點包括:

1)針對EMA的復(fù)雜行為特點,提出利用EMA的多模態(tài)傳感器數(shù)據(jù)進(jìn)行壽命預(yù)測的方法;

2)設(shè)計針對EMA的多模態(tài)時間序列數(shù)據(jù)的Transformer模型,解決壽命預(yù)測中的時間序列數(shù)據(jù)的長時間依賴問題;

3)設(shè)計直接和間接兩種方式的壽命預(yù)測方法,實現(xiàn)了性能退化早期和性能退化中期不同需求特點的壽命預(yù)測。

1 Transformer模型

注意力機(jī)制源于對人類觀察行為的分析。人類在觀察事物時會選擇性地將注意力投放在其中的一部分事物中,而選擇性地忽略其他部分,這種機(jī)制被稱為注意力機(jī)制。自注意力機(jī)制重點在序列內(nèi)部運用注意力機(jī)制尋找序列內(nèi)部的關(guān)聯(lián)關(guān)系。Transformer模型完全基于自注意力機(jī)制設(shè)計,可以識別時間序列內(nèi)相關(guān)的特別的行為特征,能夠更好地對時間序列建模。原始的Transformer模型如圖1所示。

圖1 原始Transformer模型架構(gòu)Fig.1 Architecture of the Transformer model

1.1 位置編碼

基于時間序列輸入向量的各個數(shù)值之間具有固定的時序關(guān)系,完全基于自注意力機(jī)制的編碼器和解碼器不能考慮位置信息。Transformer通過位置編碼將序列的時間信息加入輸入向量,為整合后的輸入提供有意義的時間序列內(nèi)距離關(guān)系。本文提出的多模態(tài)Transformer模型使用正弦和余弦函數(shù)實現(xiàn)位置編碼:

(1)

式中:pos表示向量中元素位置;di表示維度;dmodel表示模型維度。位置編碼的每個維度對應(yīng)一個正弦信號。

1.2 編碼器

定義經(jīng)位置編碼后的輸入時間序列矩陣為X。編碼器將其映射到編碼空間,構(gòu)成編碼向量。編碼器層由N個相同的編碼器堆疊構(gòu)成。每一編碼器都由兩個模塊組成:第1個是多頭注意力模塊,第2個是全連接前饋神經(jīng)網(wǎng)絡(luò)模塊。在兩個模塊中,每一模塊都采用殘差連接,并進(jìn)行層歸一化處理。

多頭注意力是指同時使用多個注意力機(jī)制,自注意力機(jī)制首先處理輸入序列矩陣,計算Q、K、V矩陣:

Q=XWQK=XWKV=XWV

(2)

式中:WQ、WK、WV為權(quán)重矩陣。

使用正整數(shù)n、m、dK、dV表示矩陣維度,則上述計算得到的矩陣可表示為Q∈Rn×dQ、K∈Rm×dK、V∈Rm×dV,其中dQ=dK。

之后計算注意力:

(3)

多頭注意力是指使用多個自注意力機(jī)制分別計算注意力,再將其融合的過程。多頭注意力機(jī)制擴(kuò)展了模型專注于不同位置的能力,提供了多個自注意力表示子空間,從而在不同時刻、不同情況下關(guān)注輸入序列的不同位置。

多頭注意力模型將Q、K、V通過投影矩陣進(jìn)行線性映射,然后分別計算h次注意力,最后將結(jié)果進(jìn)行拼接。單個注意力的計算過程為

headi=A(QWi,Q,KWi,K,VWi,V)

(4)

式中:headi為第i個自注意力計算結(jié)果;Wi,Q、Wi,K、Wi,V表示第i個自注意力機(jī)制的映射矩陣,以上 3個映射矩陣的維度大小可以分別記為Wi,Q∈Rdmodel×dK、Wi,K∈Rdmodel×dK、Wi,V∈Rdmodel×dV。

映射矩陣的作用是將Q、K、V投影到h個不同的側(cè)重點,從而學(xué)習(xí)到不同的注意力,提高模型的準(zhǔn)確性,最后將所有注意力結(jié)果拼接:

M(Q,K,V)=Concat(head1,…,headh)WM

(5)

式中:M(·,·,·)表示多頭注意力;WM為多頭注意力的映射矩陣。

多頭注意力機(jī)制進(jìn)行了h次參數(shù)不共享的自注意力計算,使得模型可以在不同的表示子空間里學(xué)習(xí)到不同的信息。殘差結(jié)構(gòu)的作用是當(dāng)模型深度過深時,梯度不會為0。層歸一化能夠?qū)⒔?jīng)過的向量值映射到0~1之間,加快模型的收斂速度。

層歸一化是對該層的輸入x的歸一化,具體計算表示為

(6)

式中:LayerNorm(x)為層歸一化的輸出;γ和β為調(diào)節(jié)參數(shù);μx和σx分別為x的均值和標(biāo)準(zhǔn)差。

1.3 解碼器

N個解碼器堆疊構(gòu)成的解碼器層。每個解碼器均接受最后一個編碼器的輸出,同時解碼器層將自身的上一時刻輸出作為下一時刻的輸入。

解碼器除了與編碼器相同的兩個模塊之外,解碼器還添加了掩碼多頭注意力模塊。該模塊用于對編碼器組的輸出執(zhí)行掩碼多頭注意力計算。與編碼器類似,解碼器的每個子層也采用殘差連接,并進(jìn)行層歸一化處理。解碼器和編碼器不同,解碼器計算輸出的時候,無法獲取此后時間的輸入時間序列,因此需要屏蔽后續(xù)時間的輸入,該方法稱為掩碼。

(7)

式中:MA(·,·,·)表示掩碼多頭注意力;Mk表示掩碼。

解碼器中的自注意力與編碼器中的自注意力的運行方式不同:在解碼器中的自注意力只允許關(guān)注輸出序列中較早的位置。這是在計算softmax步驟之前通過掩碼屏蔽未來位置完成。

每一編碼器和解碼器都包含一個全連接前饋神經(jīng)網(wǎng)絡(luò)模塊。前饋模塊是由兩個全連接神經(jīng)網(wǎng)絡(luò)串行連接而成。每個全連接網(wǎng)絡(luò)有獨立的權(quán)重、偏差和維度,能夠進(jìn)一步提取信息。第1個全連接神經(jīng)網(wǎng)絡(luò)使用修正線性單元(ReLU)激活函數(shù),第2個不使用激活函數(shù)。計算公式為

FFN(x)=ReLU(xW1+b1)W2+b2

(8)

式中:FFN(x)為前饋神經(jīng)網(wǎng)絡(luò)計算結(jié)果;W1、b1、W2、b2分別為兩個全連接神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏差。

2 多模態(tài)Transformer模型

本文面向EMA的多傳感器數(shù)據(jù)組成的綜合時間序列,建立多模態(tài)Transformer模型,實現(xiàn)直接和間接兩種方式預(yù)測EMA剩余壽命。本文提出的多模態(tài)Transformer模型的總體架構(gòu)如圖2所示。

針對EMA的壽命預(yù)測問題,本文在使用多模態(tài)數(shù)據(jù)的基礎(chǔ)上,為了優(yōu)化梯度路徑、增強梯度穩(wěn)定性、增強時間序列全局信息分別做了改進(jìn)。此外,為了適用于EMA的實際使用場景,本文對多模態(tài)Transformer模型的輸出部分進(jìn)行改進(jìn),使其既能輸出直接的剩余壽命,又能間接地預(yù)測關(guān)鍵參數(shù)的壽命退化過程。

2.1 梯度路徑優(yōu)化

圖2 多模態(tài)Transformer模型架構(gòu)Fig.2 Architecture of the multi-mode Transformer model

殘差連接在緩解深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)信息衰減方面起著至關(guān)重要的作用。然而原始的Transformer模型在殘差連接后增加了一系列層歸一化操作。在初始化時,輸出層附近參數(shù)的期望梯度很大[24]。為了優(yōu)化梯度路徑,本文提出的多模態(tài)Transformer模型將層歸一化移動到解碼器和編碼器子模塊的輸入以及殘差連接之前。這樣就形成了從輸出到輸入的直通式梯度路徑,而不需要任何轉(zhuǎn)換。

基于該改進(jìn),多頭注意力的輸出表示為

YM=X+M(LayerNorm(X))

(9)

式中:YM表示多頭注意力的輸出。

基于該改進(jìn),前饋神經(jīng)網(wǎng)絡(luò)的輸出表示為

YF=YM+FFN(LayerNorm(YM))

(10)

式中:YF表示前饋神經(jīng)網(wǎng)絡(luò)的輸出。

2.2 增強梯度穩(wěn)定性

為了提高編碼器層的收斂性,本文采用了高斯誤差線性單元(GeLU)激活函數(shù)[25]代替ReLU激活函數(shù)。對于任何輸入r,GeLU被定義為輸入r和掩碼u的乘積:

(11)

式中:Φ(r)為正態(tài)分布的累積分布函數(shù);P(R≤r)表示R小于等于r的概率。

在此基礎(chǔ)上,GeLU函數(shù)可被定義為

(12)

式中:erf(·)表示高斯誤差函數(shù),

(13)

在計算中,GeLU函數(shù)可近似計算為

(14)

GeLU激活函數(shù)是連續(xù)可微的,在r=0處比ReLU激活具有更明顯的非線性。

基于以上改進(jìn),前饋神經(jīng)網(wǎng)絡(luò)的輸出為

FFN(x)=GeLU(xW1+b1)W2+b2

(15)

2.3 時間序列全局信息增強

為了準(zhǔn)確預(yù)測EMA的剩余壽命,模型應(yīng)能夠在充分利用局部信息的基礎(chǔ)上,盡可能保留全局的原始多模態(tài)時間序列信息。因此,本文使用顆粒度一致注意力[26]的方式增強時間序列的全局信息保留能力,同時加強解碼和編碼過程,充分利用模型的表達(dá)能力。

基于顆粒度一致注意力的多模態(tài)Transformer模型的解碼器和編碼器序列組合關(guān)系如圖3所示。

圖3 基于顆粒度一致注意力的改進(jìn)方式Fig.3 An improved approach based on Granularity Consistent Attention

原始的Transformer模型僅將最后一個編碼器模塊的輸出連接到解碼器模塊,本文提出的多模態(tài)Transformer模型使用顆粒度一致注意力的方式,更符合多層編碼和解碼過程的特點。

2.4 模型輸出符合實際用途

原始的Transformer模型用于序列到序列的建模,其輸出僅能預(yù)測時間序列的后續(xù)發(fā)展。本文提出的多模態(tài)Transformer模型的輸出部分包括直接剩余壽命輸出和關(guān)鍵參數(shù)預(yù)測輸出。

剩余壽命輸出部分將編碼器層的輸出經(jīng)全連接神經(jīng)網(wǎng)絡(luò)和softmax處理后得到各個時刻直接預(yù)測的剩余壽命。

關(guān)鍵參數(shù)預(yù)測部分將解碼器層的輸出經(jīng)全連接神經(jīng)網(wǎng)絡(luò)和softmax處理后得到各個時刻預(yù)測的后續(xù)關(guān)鍵參數(shù)。通過關(guān)鍵參數(shù)預(yù)測曲線和參數(shù)閾值間接計算剩余壽命。

3 試驗驗證

3.1 EMA壽命退化試驗

為了驗證本文提出的壽命預(yù)測方法的有效性,利用NASA的可飛式機(jī)電作動器(FLEA)試驗數(shù)據(jù)進(jìn)行驗證。FLEA試驗臺如圖4所示,FLEA試驗臺包含3個不同的作動器:故障注入作動器X、正常作動器Y、動態(tài)負(fù)載作動器Z。測試中將負(fù)載從正常作動器切換到故障作動器,可以在不改變作動器工作的情況下實現(xiàn)故障注入。

圖4 FLEA試驗臺Fig.4 FLEA test bed

EMA由電氣部分和機(jī)械部分組成,故障類型包括傳感器故障、電機(jī)故障、機(jī)械故障和電子故障。其中傳感器故障和電子故障與其他航空航天系統(tǒng)的同類故障沒有顯著差異。電機(jī)故障表示為電流變化,故障特征顯著,早期故障診斷較為容易。機(jī)械故障是航天應(yīng)用中的關(guān)注焦點,其中軸承和齒輪箱部分的故障診斷已有很多研究[27-28]。機(jī)械結(jié)構(gòu)中減速器等可以通過余度設(shè)計提高可靠性,但是滾珠絲杠難以實現(xiàn)余度設(shè)計。滾珠絲杠作為EMA的關(guān)鍵功能部件,其故障成為機(jī)電作動器的單點故障,其中阻塞故障是滾珠絲杠的關(guān)鍵漸變故障之一。一般情況下,堵塞發(fā)生后EMA仍需要工作一段時間。因此早期阻塞故障發(fā)生后,預(yù)測EMA的剩余壽命對航天器非常重要,對保障航天器安全具有重要意義。因此,本文主要針對EMA堵塞故障發(fā)展過程的壽命預(yù)測開展研究。

FLEA試驗中,阻塞故障是通過安裝在滾珠絲杠返回通道上的機(jī)構(gòu)減緩軸承球的循環(huán)而注入的。FLEA試驗以100 Hz的采樣率獲取作動器位置、電壓、電流、溫度等數(shù)據(jù)。共計13種數(shù)據(jù)可被用于分析:時間、作動器Z位置、動態(tài)負(fù)載、作動器X電機(jī)電流、作動器Y電機(jī)電流、作動器Z電機(jī)電流、作動器X電機(jī)電壓、作動器Y電機(jī)電壓、作動器Y電機(jī)溫度、作動器Z電機(jī)溫度、作動器X螺母溫度、作動器Y螺母溫度、環(huán)境溫度。

一般情況下,只有部分參數(shù)可以為剩余壽命預(yù)測提供有用信息[29]。與故障作動器X直接相關(guān)的數(shù)據(jù)包括作動器X位置,作動器X電機(jī)電流,作動器X電機(jī)電壓,作動器X電機(jī)溫度和作動器X螺母溫度。堵塞發(fā)生時,滾珠絲杠螺母中摩擦增加,導(dǎo)致控制器將額外的電流輸入到作動器X電機(jī),從而嘗試在相同的負(fù)載下與作動器Y執(zhí)行相同的運動曲線。這種過高的電流導(dǎo)致電機(jī)外殼內(nèi)的熱量逐漸積聚。過熱最終導(dǎo)致繞組絕緣損壞、短路和電機(jī)故障等。在相同的負(fù)載下,作動器X和作動器Y的電機(jī)溫度如圖5所示。

圖5 -40 lbs載荷時作動器X和作動器Y的電機(jī)溫度Fig.5 Temperature of motor housing X and Y with -40 lbs load

由圖5可以看出,存在阻塞故障作動器X的電機(jī)溫度與正常作動器Y的電機(jī)溫度顯著不同。作動器X電機(jī)溫度表現(xiàn)出持續(xù)上升的趨勢,驗證了作動器X電機(jī)溫度能表征EMA阻塞故障的變化規(guī)律的故障機(jī)理。電機(jī)使用壽命的降低與電機(jī)溫度的持續(xù)升高有關(guān),電機(jī)溫度可作為壽命預(yù)測的關(guān)鍵特征參數(shù)。

一旦電機(jī)溫度超過上限,即可認(rèn)為EMA壽命終止。一般而言,可將電機(jī)溫度閾值設(shè)置為88 ℃[19],穩(wěn)定達(dá)到壽命閾值的時刻作為壽命終止(EoL)時刻。在通常的壽命預(yù)測試驗中,為了驗證壽命預(yù)測的效果,可將不同條件下的作動器壽命閾值設(shè)置為70 ℃或55 ℃[20]。

3.2 壽命預(yù)測性能指標(biāo)

在壽命預(yù)測相關(guān)的研究領(lǐng)域,常使用平均百分比誤差(MAPE)和S分?jǐn)?shù)作為壽命預(yù)測的評價指標(biāo)。MAPE評價壽命預(yù)測的平均精度,對任何預(yù)測結(jié)果均采取相同的權(quán)重,因此本文使用MAPE評估間接壽命預(yù)測的性能,也就是評估關(guān)鍵性能參數(shù)的預(yù)測精度。剩余壽命高估(剩余壽命預(yù)測值大于真實值)時,會造成后續(xù)預(yù)防策略的誤判,甚至造成安全問題。因此在模型的評價過程中需要對高估的剩余壽命預(yù)測值施加更多的懲罰,在評價標(biāo)準(zhǔn)中產(chǎn)生更多的負(fù)面影響。S分?jǐn)?shù)的非對稱函數(shù)的特點滿足上述要求。本文使用S分?jǐn)?shù)評估直接壽命預(yù)測的精度。MAPE和S分?jǐn)?shù)的計算公式分別為

(16)

(17)

3.3 壽命預(yù)測驗證試驗

本文使用動態(tài)負(fù)載,作動器X的電機(jī)電流、電機(jī)電壓、螺母溫度和電機(jī)溫度作為多模態(tài)時間序列作為輸入,預(yù)測剩余壽命。所用數(shù)據(jù)的試驗工況如表1所示。

試驗中部分EMA最終溫度達(dá)到100 ℃左右完全停止試驗,在88 ℃時已無法完成正常功能,被認(rèn)為壽命完全終止。部分EMA在70 ℃時已完全失效,無法繼續(xù)進(jìn)行試驗。為了顯示這兩類EMA試驗數(shù)據(jù)的區(qū)別,分別對這兩類EMA各取一個試驗樣本,繪制其壽命試驗數(shù)據(jù),如圖6所示。

表1 試驗工況Table 1 Experiment conditions

圖6(a)為最終電機(jī)溫度達(dá)到100 ℃時EMA的壽命試驗數(shù)據(jù),圖6(b)為最終電機(jī)溫度達(dá)到70 ℃時EMA的壽命試驗數(shù)據(jù)。首先,以最終電機(jī)溫度達(dá)到100 ℃時EMA的壽命試驗數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),以最終電機(jī)溫度達(dá)到70 ℃時EMA的壽命試驗數(shù)據(jù)作為測試數(shù)據(jù),驗證基于多模態(tài)Transformer的編碼器的直接剩余壽命預(yù)測方法。之后,本文以部分最終電機(jī)溫度達(dá)到100 ℃時EMA的壽命試驗數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),以其他最終電機(jī)溫度達(dá)到100 ℃時EMA的壽命試驗數(shù)據(jù)作為測試數(shù)據(jù),預(yù)測這些EMA的電機(jī)溫度,驗證基于多模態(tài)Transformer模型的間接壽命預(yù)測方法。

圖6 EMA壽命試驗數(shù)據(jù)Fig.6 Overview of EMA degradation test data

試驗中電機(jī)溫度達(dá)到70 ℃左右的EMA在 399 s 時完全失效,直接壽命預(yù)測結(jié)果如圖7所示。為了簡化測試,本文試驗中每秒取一次數(shù)據(jù)進(jìn)行預(yù)測,圖7中真實剩余壽命和預(yù)測剩余壽命均有398個數(shù)值,預(yù)測結(jié)果的S分?jǐn)?shù)是656.69。

圖7 剩余壽命預(yù)測Fig.7 Prediction of RUL

目前關(guān)于EMA的壽命預(yù)測研究較少,沒有發(fā)現(xiàn)類似的針對EMA開展的直接壽命預(yù)測研究。為對比本文所提出方法的有效性,本文使用常規(guī)的LSTM神經(jīng)網(wǎng)絡(luò)和一維CNN神經(jīng)網(wǎng)絡(luò)進(jìn)行性能對比,分別使用上述方法進(jìn)行直接壽命預(yù)測,對比結(jié)果如表2所示。

表2 直接壽命預(yù)測性能對比Table 2 Performance comparison of direct RUL methods

由此可知本文所提出的基于多模態(tài)Transformer編碼器的直接壽命預(yù)測方法能夠以較高的精度實時直接預(yù)測EMA的剩余壽命(見圖7)。

電機(jī)溫度可以直觀地顯示EMA的性能退化過程,壽命退化試驗持續(xù)進(jìn)行至電機(jī)溫度達(dá)到 100 ℃, 此時EMA完全失效。試驗中EMA在 735 s 時電機(jī)溫度達(dá)到88 ℃,從而喪失正常功能,可認(rèn)為其壽命終止。本文所述的間接壽命預(yù)測結(jié)果如圖8所示。

圖8 電機(jī)溫度預(yù)測Fig.8 Prediction of motor temperature

為簡化測試,本文試驗中每秒取一次數(shù)據(jù)進(jìn)行預(yù)測,上圖中真實電機(jī)溫度和預(yù)測電機(jī)溫度均有986個數(shù)值,預(yù)測誤差MAPE是1.45。通過預(yù)測電機(jī)X溫度,并與溫度閾值88 ℃比較,可知預(yù)測壽命終止的時間是722 s,真實壽命終止是735 s,預(yù)測值與真實值較為接近。

為對比本文所提出的方法的有效性,本文使用NASA提出的傳統(tǒng)的曲線擬合(統(tǒng)計分布估計)類方法GPR、LSTM深度神經(jīng)網(wǎng)絡(luò)、原始Transformer模型進(jìn)行性能對比,分別使用上述方法進(jìn)行間接壽命預(yù)測,對比結(jié)果如表3所示。

表3 間接壽命預(yù)測性能對比Table 3 Performance comparison of indirect RUL methods

由此可知本文所提出的基于多模態(tài)Transformer的關(guān)鍵性能參數(shù)預(yù)測效果較好,間接壽命預(yù)測方法能夠以較高的精度預(yù)測EMA的關(guān)鍵性能參數(shù)的發(fā)展趨勢,并間接計算其剩余壽命。

4 結(jié)論

面向航空航天裝備領(lǐng)域應(yīng)用日益廣泛的機(jī)電作動器,以及當(dāng)前壽命預(yù)測研究較少的現(xiàn)狀,本文針對航空航天領(lǐng)域?qū)MA壽命預(yù)測互斥的應(yīng)用需求,提出一種基于多模態(tài)Transformer的機(jī)電作動器直接壽命預(yù)測及關(guān)鍵性能參數(shù)預(yù)測方法。本文提出的多模態(tài)Transformer的編碼器部分通過多頭注意力機(jī)制自適應(yīng)提取多傳感器時間序列的壽命特征,從而直接預(yù)測機(jī)電作動器的剩余壽命。多模態(tài)Transformer的編碼器和解碼器部分組合起來預(yù)測多傳感器時間序列中關(guān)鍵性能參數(shù)的退化趨勢,通過自回歸的方式持續(xù)輸出預(yù)測值,最終與關(guān)鍵性能參數(shù)的故障閾值比較,從而間接預(yù)測機(jī)電作動器的剩余壽命。本文提出的多模態(tài)Transformer是端到端的架構(gòu),無需任何人工設(shè)計特征及相關(guān)預(yù)處理過程,模型直接獲取原始多傳感器時間序列數(shù)據(jù),實時輸出各時間點的機(jī)電作動器剩余壽命及關(guān)鍵性能參數(shù)預(yù)測序列。最后通過機(jī)電作動器壽命試驗數(shù)據(jù)驗證了本文所提方法的有效性。試驗結(jié)果表明,本文所提出的方法用于直接壽命預(yù)測時,預(yù)測性能指標(biāo)S分?jǐn)?shù)是656.69,明顯優(yōu)于常規(guī)的LSTM和CNN方法;該方法用于間接壽命預(yù)測時,性能指標(biāo)參數(shù)MAPE是1.45,明顯優(yōu)于NASA提出的基于GPR的常規(guī)方法和基于深度神經(jīng)網(wǎng)絡(luò)的LSTM和CNN方法。以上結(jié)果表明本文所提出的方法在直接剩余壽命預(yù)測和間接剩余壽命預(yù)測時均有很高的精度。

本文提出的直接剩余壽命預(yù)測部分可以在EMA使用過程中,尤其是故障早期直觀地預(yù)測剩余壽命,可為早期應(yīng)急管理奠定基礎(chǔ)。當(dāng)EMA性能退化中期,間接壽命預(yù)測方法可以直觀地顯示關(guān)鍵特征參數(shù)的發(fā)展規(guī)律,并預(yù)測剩余壽命,可讓地面運維人員直觀地看到EMA壽命退化曲線,方便結(jié)合專家知識實現(xiàn)精準(zhǔn)的中后期應(yīng)急處置。

未來將使用更多的數(shù)據(jù)驅(qū)動方法在多種不同工況的機(jī)電作動器壽命試驗數(shù)據(jù)上測試,并橫向比較各方法性能。同時,將EMA的其他故障模式納入測試,驗證本文提出方法的有效性。

猜你喜歡
作動器注意力壽命
讓注意力“飛”回來
人類壽命極限應(yīng)在120~150歲之間
倉鼠的壽命知多少
基于電磁作動器的車輛座椅懸架最優(yōu)控制研究
馬烈光養(yǎng)生之悟 自靜其心延壽命
作動器防擺動控制結(jié)構(gòu)設(shè)計
人類正常壽命為175歲
“揚眼”APP:讓注意力“變現(xiàn)”
基于混合潤滑理論的航空作動器密封性能分析
A Beautiful Way Of Looking At Things