[论文解读] An Automated Auto-encoder Correlation-based Health-Monitoring and Prognostic Method for Machine Bearings

Ramin Hasani, Guodong Wang+1 more|arXiv (Cornell University)|Mar 18, 2017

Machine Fault Diagnosis Techniques参考文献 9被引用 36

一句话总结

本文提出了一种全自动、无监督的机器轴承健康监测与寿命预测方法，利用稀疏自编码器从振动数据中提取丰富特征，随后通过相关性分析和移动平均滤波计算基于自编码器相关性的（AEC）速率，准确检测退化开始的时间。AEC方法在多个运行至失效测试中实现了高达98.51%的准确率，成功识别故障启动，展现出强大的泛化能力与自主性，无需先验知识或人工特征工程。

ABSTRACT

This paper studies an intelligent ultimate technique for health-monitoring and prognostic of common rotary machine components, particularly bearings. During a run-to-failure experiment, rich unsupervised features from vibration sensory data are extracted by a trained sparse auto-encoder. Then, the correlation of the extracted attributes of the initial samples (presumably healthy at the beginning of the test) with the succeeding samples is calculated and passed through a moving-average filter. The normalized output is named auto-encoder correlation-based (AEC) rate which stands for an informative attribute of the system depicting its health status and precisely identifying the degradation starting point. We show that AEC technique well-generalizes in several run-to-failure tests. AEC collects rich unsupervised features form the vibration data fully autonomous. We demonstrate the superiority of the AEC over many other state-of-the-art approaches for the health monitoring and prognostic of machine bearings.

研究动机与目标

• 开发一种完全自动化、无监督的机器轴承健康监测与寿命预测方法，无需先验知识或人工干预。
• 利用稀疏自编码器从原始振动传感器数据中提取丰富、有信息量的特征，而无需依赖手工设计的特征。
• 在多种运行至失效实验中，以高灵敏度和高精度检测轴承退化的精确起始点。
• 提供连续、智能的健康状态趋势，反映故障随时间的演化过程。
• 在不同轴承类型和测试条件下具备良好的泛化能力，确保鲁棒性与普适性。

提出的方法

• 在原始振动数据上训练稀疏自编码器，以从输入传感信号中提取深层无监督特征。
• 随时间计算初始（可能为健康状态）样本与后续样本之间特征的相关性。
• 将相关性序列通过移动平均（MA）滤波器，以平滑波动并降低噪声。
• 对滤波后的输出进行归一化，生成基于自编码器相关性的（AEC）速率，表示系统的健康状态。
• 利用AEC速率监控退化趋势，并以高精度检测故障起始点。
• 该方法完全自主运行，无需人工特征选择或特定领域调参。

实验结果

研究问题

• RQ1 无监督深度学习方法能否从原始振动数据中提取有意义的特征，用于轴承健康监测，且无需先验知识？
• RQ2 初始特征表示与演化后特征表示之间的相关性是否能可靠指示轴承退化的起始？
• RQ3 与现有最先进方法相比，所提出的AEC方法在故障启动点检测上的准确率如何？
• RQ4 AEC方法在不同运行至失效实验中（测试条件各异）的泛化能力如何？
• RQ5 AEC速率能否提供连续、可解释的健康状态趋势，以反映故障的传播过程？

主要发现

• 在S1B4-sensor2的测试中，AEC方法在识别退化起始点方面达到了98.51%的预测准确率，为所有测试实验中的最高值。
• 在S3B3实验中，该方法以98.47%的准确率预测了故障起始点，表明其在不同轴承类型和测试条件下的强大泛化能力。
• AEC速率在全部六个运行至失效实验中成功展示了故障传播趋势，如图5所示，健康状态演变过程以清晰的颜色编码呈现。
• 如表4中的定性与定量对比所示，AEC方法在故障检测灵敏度与自动化程度方面优于多种现有最先进方法。
• AEC算法展现出完全自主与无监督运行能力，从原始数据中提取丰富特征，无需任何人工预处理或标注数据。
• 该方法在多种轴承数据集（包括S1B3、S1B4、S2B1和S3B3）中表现出鲁棒性，性能一致且优异。