基于多模態Transformer的機電作動器剩余壽命預測

陳子涵

(中國空間技術研究院 遙感衛星總體部, 北京 100094)

0 引言

近年來,下一代配備電傳飛控系統的航天裝備日益增加[1]。機電作動器(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、更好的可維護性等優點,在航天工業中得到越來越多的關注和應用。EMA是航天器上重要的執行機構之一,航天器復雜的工作環境可能會導致多樣的EMA故障。航天裝備對EMA的安全性和可靠性要求很高,未被發現的EMA故障可能會導致災難性的后果。因此,開展航天器EMA的故障診斷和壽命預測研究具有重要意義。

EMA由電氣、電子和機械部分組成,會呈現復雜的故障模式?？紤]到航天系統對安全方面的嚴格要求,必須實現準確的壽命預測,從而在災難性故障發生之前留出足夠的時間進行應急管理。數年來,在EMA的故障預測與健康管理領域已有很多研究。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據驅動的方法兩類[2]。

基于模型的方法需要建立一個準確的數學模型,從而預測EMA的輸入和輸出關系,或者估計EMA內部狀態量的變化規律。通過將模型估計的參數與真實測量的參數進行比較,可以識別EMA的性能狀態或健康狀態?；谀Ｐ偷姆椒梢愿橢MA中的單個組件的運行狀態,從而直接從物理角度識別故障。這類方法能夠實現非常具體的故障識別,并且能夠實時查看特定組件的健康狀態。文獻[3]使用遺傳算法在EMA性能下降初期識別故障征兆。文獻[4]考慮EMA及上級控制系統的詳細模型,設計了5組基于信號的監控功能,并通過基于信號的規則來檢測和定位系統的相關故障。該方法需要大量準確的先驗知識和預先設計的規則。文獻[5]基于EMA的線性模型設計了線性殘差濾波器,并通過基于零空間的殘差濾波器監視EMA的3個傳感器,實現故障診斷。文獻[6]通過物理第一性原理建立EMA動態模型,模擬EMA的動力學中涉及的最相關現象,從而檢測瞬態故障特征。這兩種方法依賴于高保真模型,而高保真模型通常是根據特定設備設計的,并且需要監測的參數往往是實驗室階段才能監測到?；谀Ｐ偷姆椒ǖ膬烖c是在故障模式和模型參數之間有一組清晰的對應關系。然而基于模型的方法中使用的模型往往過于復雜,其完整的模型參數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,每個新產品和新應用場景都必須有一個新的經過驗證的模型。因此,雖然上述基于模型的方法在EMA的故障診斷方面表現良好,但是其應用條件苛刻,在面對工程實踐中的復雜工況時,擴展應用較為困難。美國國家航天局(NASA)的Ames研究中心對電磁干擾下的EMA進行了故障模式與影響分析,提出了基于EMA動力學模型和觀測器的混合診斷方法[7]。該方法同樣需要準確的EMA模型,并需要人工設計特征集和診斷樹?；谀Ｐ偷姆椒ǔＳ糜贓MA的故障診斷方面,而壽命預測方面研究較少。文獻[8]建立簡化模型預測EMA的電流。文獻[9]利用輔助特征改進卡爾曼濾波器估計EMA的電機電壓。由此可知,基于模型的方法通常難以直接預測EMA的剩余壽命,往往是預測電流電壓等性能參數。

數據驅動的方法使用監測數據和信號處理技術,利用EMA的正常和故障數據建立數據模型,從而學習EMA的故障規律。數據驅動的方法可以直接使用傳感器數據,隨著監測技術和計算能力的提高,數據驅動方法比基于模型的方法更受歡迎。文獻[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故障診斷。文獻[11]基于集合經驗模式分解方法提取各頻段包含的故障特征,實現EMA的故障診斷。文獻[12]利用變分模態分解、多重分形去趨勢波動分析和概率神經網絡對EMA進行故障診斷。文獻[13]提出一種基于交互式多模型和無跡卡爾曼濾波相結合的EMA突變故障診斷方法。文獻[14]針對EMA漸變性故障提出了基于動態小波神經網絡的故障診斷方法。這些傳統數據驅動方法通常是人工設計特征提取方法,之后通過神經網絡等分類器實現故障診斷。這類方法對預定義的領域知識依賴性較強,工作效率較低,工程擴展能力較弱。近年來,深度學習在EMA的故障預測與健康管理領域有一定研究。深度學習方法不需要依靠高水平的專家知識,可以自動識別數據的深層結構和高層抽象特征,從而自動提取數據內部的固有特征。文獻[15]提出一種基于一維卷積神經網絡的EMA故障診斷方法,能夠自動提取信號特征。文獻[16]使用深度自動編碼器將EMA的多模態傳感器數據組成的高維數據轉換到低維潛在空間,再從低維空間重構特征數據,最后使用重構誤差作為異常分數實現了異常檢測。文獻[17]提出了一種滑窗增強的基于改進的長短時記憶(LSTM)神經網絡的EMA故障檢測與故障隔離方法。文獻[18]提出了一種基于卷積神經網絡(CNN)和最大平均偏差的EMA故障診斷方法。

雖然數據驅動的方法在EMA的故障診斷方面取得了良好成果,但是關于EMA的壽命預測研究較少。NASA提出基于高斯過程回歸(GPR)的剩余壽命預測方法[19]。文獻[20]利用加權Bagging方法改進基于GPR的壽命預測方法。但是GPR類方法在每次預測時均需對歷史數據隨機抽樣,計算量很大,預測穩定度較差。

綜上所述,雖然EMA在航空航天裝備中占據重要位置,尤其是EMA的滾珠絲杠故障是航空航天裝備的關鍵單點故障之一,但是對EMA故障領域的研究主要集中在故障診斷方面,對其壽命預測的研究較少。EMA的壽命預測問題的難點在于EMA結構復雜,具有多種類型的機電參數,各參數間相互影響,難以通過對個別參數的行為規律建模實現對其壽命退化規律的認知。以往基于GPR等算法的壽命預測方法只能處理個別參數,導致壽命預測準確率不高、壽命預測起始點距離壽命終止點過近等問題。

因此,目前在EMA的故障預測與健康管理領域的研究存在以下不足:

1)基于模型的方法計算成本較高,而且難以獲得在復雜環境下的高保真的模型;

2)傳統數據驅動方法常需要大量的專家知識,自動化和自適應能力較弱;

3)現有基于深度神經網絡的方法在工程擴展性和解決長期數據依賴性方面能力較弱;

4)EMA的故障診斷方面有一定研究,但是對其壽命預測的研究較少。

因此,面向日益復雜的航天器設計,亟需使用新一代智能數據驅動方法,開展能夠識別長時間序列數據內部特性的EMA壽命預測技術研究。

近年來,注意力機制在基于深度學習的數據驅動方法中受到廣泛關注。注意力機制可以自主學習原始數據的權重分配策略,進一步提高時間序列的特征表示能力。文獻[21]提出在門控循環單元上使用注意力機制的方法估計EMA的電機電壓,進而實現故障診斷。注意機制可以學習原始數據的權重分配策略,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神經網絡(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制的深度神經網絡,常用于序列到序列的建模,可以捕捉輸入時間序列內的依賴關系,不受序列內距離的影響。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、計算機視覺、聲音處理等多個領域取得優異效果。

鑒于Transformer在多個領域取得的突出有益效果和巨大成功,而EMA的壽命預測領域未見相關研究成果[23]。本文將其引入EMA的壽命預測領域,通過重新設計的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壽命預測任務。本文基于Transformer的設計原理,考慮到EMA的復雜結構和多樣化功能,設計多模態Transformer模型,從而使得Transformer模型可將EMA的多模態數據作為輸入,將剩余壽命作為輸出,最終實現EMA的壽命預測。

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

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

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

1)針對EMA的復雜行為特點,提出利用EMA的多模態傳感器數據進行壽命預測的方法;

2)設計針對EMA的多模態時間序列數據的Transformer模型,解決壽命預測中的時間序列數據的長時間依賴問題;

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

1 Transformer模型

注意力機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,這種機制被稱為注意力機制。自注意力機制重點在序列內部運用注意力機制尋找序列內部的關聯關系。Transformer模型完全基于自注意力機制設計,可以識別時間序列內相關的特別的行為特征,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值之間具有固定的時序關系,完全基于自注意力機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距離關系。本文提出的多模態Transformer模型使用正弦和余弦函數實現位置編碼:

(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一個正弦信號。

1.2 編碼器

定義經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,構成編碼向量。編碼器層由N個相同的編碼器堆疊構成。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網絡模塊。在兩個模塊中,每一模塊都采用殘差連接,并進行層歸一化處理。

多頭注意力是指同時使用多個注意力機制,自注意力機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為權重矩陣。

使用正整數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制分別計算注意力,再將其融合的過程。多頭注意力機制擴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通過投影矩陣進行線性映射,然后分別計算h次注意力,最后將結果進行拼接。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個自注意力計算結果;Wi,Q、Wi,K、Wi,V表示第i個自注意力機制的映射矩陣,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個不同的側重點,從而學習到不同的注意力,提高模型的準確性,最后將所有注意力結果拼接:

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。

多頭注意力機制進行了h次參數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習到不同的信息。殘差結構的作用是當模型深度過深時,梯度不會為0。層歸一化能夠將經過的向量值映射到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為調節參數;μx和σx分別為x的均值和標準差。

1.3 解碼器

N個解碼器堆疊構成的解碼器層。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網絡模塊。前饋模塊是由兩個全連接神經網絡串行連接而成。每個全連接網絡有獨立的權重、偏差和維度,能夠進一步提取信息。第1個全連接神經網絡使用修正線性單元(ReLU)激活函數,第2個不使用激活函數。計算公式為

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

(8)

式中:FFN(x)為前饋神經網絡計算結果;W1、b1、W2、b2分別為兩個全連接神經網絡的權重和偏差。

2 多模態Transformer模型

本文面向EMA的多傳感器數據組成的綜合時間序列,建立多模態Transformer模型,實現直接和間接兩種方式預測EMA剩余壽命。本文提出的多模態Transformer模型的總體架構如圖2所示。

針對EMA的壽命預測問題,本文在使用多模態數據的基礎上,為了優化梯度路徑、增強梯度穩定性、增強時間序列全局信息分別做了改進。此外,為了適用于EMA的實際使用場景,本文對多模態Transformer模型的輸出部分進行改進,使其既能輸出直接的剩余壽命,又能間接地預測關鍵參數的壽命退化過程。

2.1 梯度路徑優化

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

殘差連接在緩解深度神經網絡結構信息衰減方面起著至關重要的作用。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,輸出層附近參數的期望梯度很大[24]。為了優化梯度路徑,本文提出的多模態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,而不需要任何轉換。

基于該改進,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,前饋神經網絡的輸出表示為

YF=YM+FFN(LayerNorm(YM))

(10)

式中:YF表示前饋神經網絡的輸出。

2.2 增強梯度穩定性

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[25]代替ReLU激活函數。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)為正態分布的累積分布函數;P(R≤r)表示R小于等于r的概率。

在此基礎上,GeLU函數可被定義為

(12)

式中:erf(·)表示高斯誤差函數,

(13)

在計算中,GeLU函數可近似計算為

(14)

GeLU激活函數是連續可微的,在r=0處比ReLU激活具有更明顯的非線性。

基于以上改進,前饋神經網絡的輸出為

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

(15)

2.3 時間序列全局信息增強

為了準確預測EMA的剩余壽命,模型應能夠在充分利用局部信息的基礎上,盡可能保留全局的原始多模態時間序列信息。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能力。

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

圖3 基于顆粒度一致注意力的改進方式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,其輸出僅能預測時間序列的后續發展。本文提出的多模態Transformer模型的輸出部分包括直接剩余壽命輸出和關鍵參數預測輸出。

剩余壽命輸出部分將編碼器層的輸出經全連接神經網絡和softmax處理后得到各個時刻直接預測的剩余壽命。

關鍵參數預測部分將解碼器層的輸出經全連接神經網絡和softmax處理后得到各個時刻預測的后續關鍵參數。通過關鍵參數預測曲線和參數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測方法的有效性,利用NASA的可飛式機電作動器(FLEA)試驗數據進行驗證。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、動態負載作動器Z。測試中將負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故障注入。

圖4 FLEA試驗臺Fig.4 FLEA test bed

EMA由電氣部分和機械部分組成,故障類型包括傳感器故障、電機故障、機械故障和電子故障。其中傳感器故障和電子故障與其他航空航天系統的同類故障沒有顯著差異。電機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。機械故障是航天應用中的關注焦點,其中軸承和齒輪箱部分的故障診斷已有很多研究[27-28]。機械結構中減速器等可以通過余度設計提高可靠性,但是滾珠絲杠難以實現余度設計。滾珠絲杠作為EMA的關鍵功能部件,其故障成為機電作動器的單點故障,其中阻塞故障是滾珠絲杠的關鍵漸變故障之一。一般情況下,堵塞發生后EMA仍需要工作一段時間。因此早期阻塞故障發生后,預測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堵塞故障發展過程的壽命預測開展研究。

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構減緩軸承球的循環而注入的。FLEA試驗以100 Hz的采樣率獲取作動器位置、電壓、電流、溫度等數據。共計13種數據可被用于分析:時間、作動器Z位置、動態負載、作動器X電機電流、作動器Y電機電流、作動器Z電機電流、作動器X電機電壓、作動器Y電機電壓、作動器Y電機溫度、作動器Z電機溫度、作動器X螺母溫度、作動器Y螺母溫度、環境溫度。

一般情況下,只有部分參數可以為剩余壽命預測提供有用信息[29]。與故障作動器X直接相關的數據包括作動器X位置,作動器X電機電流,作動器X電機電壓,作動器X電機溫度和作動器X螺母溫度。堵塞發生時,滾珠絲杠螺母中摩擦增加,導致控制器將額外的電流輸入到作動器X電機,從而嘗試在相同的負載下與作動器Y執行相同的運動曲線。這種過高的電流導致電機外殼內的熱量逐漸積聚。過熱最終導致繞組絕緣損壞、短路和電機故障等。在相同的負載下,作動器X和作動器Y的電機溫度如圖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的電機溫度與正常作動器Y的電機溫度顯著不同。作動器X電機溫度表現出持續上升的趨勢,驗證了作動器X電機溫度能表征EMA阻塞故障的變化規律的故障機理。電機使用壽命的降低與電機溫度的持續升高有關,電機溫度可作為壽命預測的關鍵特征參數。

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

3.2 壽命預測性能指標

在壽命預測相關的研究領域,常使用平均百分比誤差(MAPE)和S分數作為壽命預測的評價指標。MAPE評價壽命預測的平均精度,對任何預測結果均采取相同的權重,因此本文使用MAPE評估間接壽命預測的性能,也就是評估關鍵性能參數的預測精度。剩余壽命高估(剩余壽命預測值大于真實值)時,會造成后續預防策略的誤判,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測值施加更多的懲罰,在評價標準中產生更多的負面影響。S分數的非對稱函數的特點滿足上述要求。本文使用S分數評估直接壽命預測的精度。MAPE和S分數的計算公式分別為

(16)

(17)

3.3 壽命預測驗證試驗

本文使用動態負載,作動器X的電機電流、電機電壓、螺母溫度和電機溫度作為多模態時間序列作為輸入,預測剩余壽命。所用數據的試驗工況如表1所示。

試驗中部分EMA最終溫度達到100 ℃左右完全停止試驗,在88 ℃時已無法完成正常功能,被認為壽命完全終止。部分EMA在70 ℃時已完全失效,無法繼續進行試驗。為了顯示這兩類EMA試驗數據的區別,分別對這兩類EMA各取一個試驗樣本,繪制其壽命試驗數據,如圖6所示。

表1 試驗工況Table 1 Experiment conditions

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

圖6 EMA壽命試驗數據Fig.6 Overview of EMA degradation test data

試驗中電機溫度達到70 ℃左右的EMA在 399 s 時完全失效,直接壽命預測結果如圖7所示。為了簡化測試,本文試驗中每秒取一次數據進行預測,圖7中真實剩余壽命和預測剩余壽命均有398個數值,預測結果的S分數是656.69。

圖7 剩余壽命預測Fig.7 Prediction of RUL

目前關于EMA的壽命預測研究較少,沒有發現類似的針對EMA開展的直接壽命預測研究。為對比本文所提出方法的有效性,本文使用常規的LSTM神經網絡和一維CNN神經網絡進行性能對比,分別使用上述方法進行直接壽命預測,對比結果如表2所示。

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

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

電機溫度可以直觀地顯示EMA的性能退化過程,壽命退化試驗持續進行至電機溫度達到 100 ℃, 此時EMA完全失效。試驗中EMA在 735 s 時電機溫度達到88 ℃,從而喪失正常功能,可認為其壽命終止。本文所述的間接壽命預測結果如圖8所示。

圖8 電機溫度預測Fig.8 Prediction of motor temperature

為簡化測試,本文試驗中每秒取一次數據進行預測,上圖中真實電機溫度和預測電機溫度均有986個數值,預測誤差MAPE是1.45。通過預測電機X溫度,并與溫度閾值88 ℃比較,可知預測壽命終止的時間是722 s,真實壽命終止是735 s,預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提出的傳統的曲線擬合(統計分布估計)類方法GPR、LSTM深度神經網絡、原始Transformer模型進行性能對比,分別使用上述方法進行間接壽命預測,對比結果如表3所示。

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

由此可知本文所提出的基于多模態Transformer的關鍵性能參數預測效果較好,間接壽命預測方法能夠以較高的精度預測EMA的關鍵性能參數的發展趨勢,并間接計算其剩余壽命。

4 結論

面向航空航天裝備領域應用日益廣泛的機電作動器,以及當前壽命預測研究較少的現狀,本文針對航空航天領域對EMA壽命預測互斥的應用需求,提出一種基于多模態Transformer的機電作動器直接壽命預測及關鍵性能參數預測方法。本文提出的多模態Transformer的編碼器部分通過多頭注意力機制自適應提取多傳感器時間序列的壽命特征,從而直接預測機電作動器的剩余壽命。多模態Transformer的編碼器和解碼器部分組合起來預測多傳感器時間序列中關鍵性能參數的退化趨勢,通過自回歸的方式持續輸出預測值,最終與關鍵性能參數的故障閾值比較,從而間接預測機電作動器的剩余壽命。本文提出的多模態Transformer是端到端的架構,無需任何人工設計特征及相關預處理過程,模型直接獲取原始多傳感器時間序列數據,實時輸出各時間點的機電作動器剩余壽命及關鍵性能參數預測序列。最后通過機電作動器壽命試驗數據驗證了本文所提方法的有效性。試驗結果表明,本文所提出的方法用于直接壽命預測時,預測性能指標S分數是656.69,明顯優于常規的LSTM和CNN方法;該方法用于間接壽命預測時,性能指標參數MAPE是1.45,明顯優于NASA提出的基于GPR的常規方法和基于深度神經網絡的LSTM和CNN方法。以上結果表明本文所提出的方法在直接剩余壽命預測和間接剩余壽命預測時均有很高的精度。

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

未來將使用更多的數據驅動方法在多種不同工況的機電作動器壽命試驗數據上測試,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。