論文題目：Remaining Useful Life Prediction Approach for Aviation Bearings Based on Multigenerator Generative Adversarial Network and CBAM（基于多發生器生成對抗網絡和CBAM的航空軸承剩余使用壽命預測方法）

期刊：IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT

摘要：航空軸承剩余使用壽命(RUL)預測對于降低額外維護成本、提高航空設備的監測和可靠性至關重要，但在數據樣本少且難以分析的情況下仍然是一個挑戰。雖然學者們對此做了大量的研究，但具有預測效率的數據處理方法仍然沒有達到預期的效果。提出了一種基于多生成器生成對抗網絡(GAN)和卷積塊注意模塊(CBAM)的新方法，可以有效地解決上述兩個問題。在本文中，我們首先構建了一個多生成器GAN，利用Wasserstein GAN與梯度懲罰(WGAN-GP)框架來增強數據。通過權值共享和特征融合策略，提高了生成器生成數據的效率和質量。然后，將增強后的數據輸入到構建的卷積神經網絡(CNN)中，提取具有退化特征的不健康數據，同時減少預測網絡的學習負擔。最后，基于CBAM和長短期記憶(LSTM)將經過充分處理的數據輸入到網絡中，得到軸承RUL預測。使用公共FEMTO數據集對所提出的方法進行了評估。實驗結果表明，該方法可有效提高航空軸承RUL預測的精度和穩定性。

---

引言

航空軸承作為航空發動機的核心部件，其可靠性直接影響到整個航空系統的安全運行。隨著航空技術的快速發展，如何準確預測航空軸承的剩余使用壽命(Remaining Useful Life, RUL)成為了工業界和學術界共同關注的重要課題。本文將深入探討一種基于多生成器生成對抗網絡(MGGAN)和卷積塊注意力模塊(CBAM)的創新預測方法。

背景與挑戰

航空軸承的特殊性

航空軸承運行在極端惡劣的環境中，面臨著高速、高溫、高載荷的"三高"工作條件。這些特殊的工作環境賦予了航空軸承以下特點：

• 長壽命設計：為確保飛行安全，航空軸承被設計為具有極長的使用壽命
• 高可靠性要求：任何軸承故障都可能導致災難性后果
• 數據稀缺性：由于壽命長且成本高，完整的生命周期數據極其稀少

現有方法的局限性

傳統的RUL預測方法主要分為兩大類：

1. 基于模型的方法

• 依賴于對軸承失效機制的深入理解
• 需要建立準確的數學或物理模型
• 面臨軸承失效機制多樣性和復雜性的挑戰
• 缺乏通用性，難以適應不同應用場景

2. 數據驅動方法

• 需要大量完整的生命周期數據進行訓練
• 對于數據稀缺的航空軸承應用場景適用性有限
• 預測結果可能出現不符合物理常識的突變

創新解決方案

為了解決上述挑戰，研究團隊提出了一種集成多種先進技術的創新方法，主要包括三個核心組件：

1. 多生成器生成對抗網絡(MGGAN)

設計理念

傳統的GAN通常采用單一生成器架構，在處理復雜數據分布時可能出現模式崩塌問題。多生成器GAN通過引入多個并行生成器，能夠更好地捕獲數據的多樣性。

技術創新

• 多深度生成器設計：采用3個不同深度的生成器（分別包含3、4、5個編解碼塊），平衡計算復雜度與生成質量
• 權重共享機制：生成器間共享低層特征提取層，提高訓練效率并保持特征一致性
• 加權特征融合：對多個生成器的輸出進行智能融合，防止模式崩塌，增強生成數據的多樣性

WGAN-GP基礎框架

選擇Wasserstein GAN with Gradient Penalty作為基礎框架，相比傳統GAN具有以下優勢：

• 更穩定的訓練過程
• 更好的收斂性能
• 生成數據質量更高

2. 智能健康狀態劃分

CNN分類網絡

采用輕量級CNN網絡對增強后的數據進行健康狀態分類：

• 3層卷積層進行特征提取
• 1層展平層和2層全連接層進行分類決策
• ReLU激活函數增強網絡非線性表達能力

首次預測時間(FPT)確定

引入連續觸發機制確定軸承從健康狀態轉向不健康狀態的關鍵時間點：

• 當網絡連續3次輸出"不健康"判定時
• 將第一次輸出定義為FPT點
• 有效篩選包含關鍵退化信息的數據段

3. CBAM-LSTM融合預測網絡

卷積塊注意力模塊(CBAM)

CBAM通過雙重注意力機制增強特征學習能力：

• 通道注意力：通過全局平均池化和最大池化操作，學習不同特征通道的重要性權重
• 空間注意力：在通道維度上進行池化操作，生成空間注意力圖，突出重要的空間位置

長短期記憶網絡(LSTM)

LSTM專門設計用于處理時序數據，能夠：

• 有效捕獲長期依賴關系
• 避免傳統RNN的梯度消失問題
• 保留關鍵的時序退化信息

網絡架構設計

完整的預測網絡采用以下架構：

輸入數據 → 3層卷積層 → CBAM注意力 → LSTM層 → 全連接分類器 → RUL預測結果

實驗驗證與結果分析

實驗設置

數據集：IEEE PHM 2012挑戰賽FEMTO數據集 實驗平臺：DELL Precision 7920工作站，配備雙GTX3090顯卡 評估指標：RMSE(均方根誤差)和MAE(平均絕對誤差)

數據增強效果

多生成器GAN成功生成了高質量的軸承振動信號數據：

• 健康狀態數據：生成的振動信號保持了原始數據的統計特性
• 不健康狀態數據：成功復現了退化過程中的關鍵特征變化

預測性能對比

與傳統LSTM對比：

• CBAM-LSTM網絡在所有測試軸承上都表現出更低的預測誤差
• 預測結果波動性顯著降低，穩定性大幅提升
• 與實際RUL趨勢的一致性更高

與其他先進方法對比：

• 相比MCNN、DANN、SSL等方法，在RMSE和MAE指標上都取得了更好的性能
• 證明了所提方法的有效性和優越性

關鍵發現

1. 數據增強的有效性：多生成器GAN顯著改善了小樣本數據不足的問題
2. 注意力機制的作用：CBAM有效提升了網絡對關鍵退化特征的敏感性
3. 整體方案的優越性：三個組件的有機結合實現了預測精度和穩定性的雙重提升

技術貢獻與意義

理論貢獻

1. 多生成器GAN架構：為小樣本時序數據增強提供了新的解決思路
2. 注意力機制融合：將CBAM與LSTM相結合，增強了對微弱退化特征的捕獲能力
3. 端到端預測框架：提供了從數據增強到RUL預測的完整解決方案

實際應用價值

1. 維護成本降低：準確的RUL預測有助于優化維護計劃，減少不必要的停機時間
2. 安全性提升：提前預警軸承故障，避免突發性失效帶來的安全風險
3. 可擴展性強：該方法可以擴展應用到其他航空設備的健康監測

未來發展方向

挑戰與機遇

當前挑戰：

• 增強數據的可靠性仍需進一步驗證
• 航空軸承實際數據獲取成本依然很高
• 多因素耦合退化機制理解有待深入

發展方向：

• 探索更低成本的數據采集方法
• 研究多模態數據融合技術
• 開發更加魯棒的預測算法

應用拓展

該方法的核心思想和技術框架可以擴展到：

• 航空發動機其他關鍵部件的健康監測
• 其他高可靠性要求設備的預測性維護
• 工業4.0環境下的智能制造系統

結論

本文介紹的基于多生成器GAN和CBAM的航空軸承RUL預測方法，通過技術創新有效解決了數據稀缺和特征微弱的雙重挑戰。實驗結果表明，該方法在預測精度、穩定性和實用性方面都取得了顯著進展，為航空設備的預測性維護提供了有力的技術支撐。

隨著人工智能技術的不斷發展，我們有理由相信，類似的創新方法將在航空安全、設備健康管理等關鍵領域發揮越來越重要的作用，為構建更加安全、可靠、智能的航空系統貢獻力量。