基于策略梯度Informer模型的滚动轴承剩余寿命预测

摘要

典型的编码器–解码器——Transformer存在二次时间复杂度、高内存使用及模型结构复杂等固有限制，造成Transformer用于滚动轴承剩余寿命（RUL）预测会表现出较低预测精度和较低计算效率的问题。为此，提出一种新型编解码器——策略梯度Informer(PG–Informer)模型，并将其应用于滚动轴承RUL预测。首先，在PG–Informer的新型编解码器体系结构——Informer中设计了概率稀疏自注意力（PSSA）机制替代Transformer中原有的自注意力机制，以提高非线性逼近能力并减少时间和空间复杂度；然后，PG–Informer采用自注意力蒸馏（SAD）操作减少参数维度和参数量，并提高了对时间序列的预测鲁棒性；此外，PG–Informer的生成式解码器对解码输入进行一步解码输出预测结果，无需动态多步解码，提升了对时间序列的预测速度；最后，构造了策略梯度学习算法来提高对PG–Informer参数的训练速度。PG–Informer的以上优势使所提出的基于PG–Informer模型的滚动轴承RUL预测方法可以获得较高的预测精度、较好的鲁棒性和较高的计算效率。对辛辛那提大学智能维护系统中心的1号滚动轴承的RUL预测实验结果表明，所提出方法预测得到的RUL值为963 min，其RUL预测误差仅为6.50%，比基于Transformer的RUL预测方法预测精度更高、预测误差更小、鲁棒性更好；所提出方法所耗费的RUL预测时间仅为132.37 s，比基于Transformer的RUL预测方法的预测时间更短。以上实验结果验证了所提出方法的有效性。

关键词

Informer模型 / 概率稀疏自注意力机制 / 策略梯度 / 滚动轴承 / 剩余寿命预测

基金资助

四川省中国制造2025四川行动资金项目计划（2019CDZG–22）; 机械传动国家重点实验室开放基金资助项目（SKLMT–KFKT–201718）; 中央高校基本科研业务费（2022CDZG–12）