Utilizing VQ-VAE for End-to-End Health Indicator Generation in Predicting Rolling Bearing RUL

📄 arXiv: 2311.10525v1 📥 PDF

作者: Junliang Wang, Qinghua Zhang, Guanhua Zhu, Guoxi Sun

分类: cs.LG, eess.SY

发布日期: 2023-11-17

备注: 17 figures

💡 一句话要点

提出VQ-VAE以生成健康指标预测滚动轴承剩余寿命

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 滚动轴承 剩余寿命预测 健康指标 VQ-VAE 机器学习 故障预测 工业应用

📋 核心要点

  1. 核心问题：现有方法在滚动轴承RUL预测中，传统统计指标无法准确反映曲线波动，影响模型性能。
  2. 方法要点：本文提出使用VQ-VAE进行健康指标构建，解决潜变量降维问题，并引入MAD和MV作为新统计指标。
  3. 实验或效果：在PMH2012数据集上，采用VQ-VAE的模型在MAD和MV上表现优异，ASTCN模型的预测性能显著提升。

📝 摘要（中文）

滚动轴承剩余使用寿命（RUL）的预测是工业生产中的关键问题。本文提出了一种端到端的健康指标（HI）构建方法，利用向量量化变分自编码器（VQ-VAE），解决了传统无监督学习方法（如自编码器）中潜变量降维的需求。此外，针对传统统计指标在准确反映曲线波动方面的不足，本文引入了两种新颖的统计指标：平均绝对距离（MAD）和均值方差（MV），这些指标能够准确描绘曲线的波动模式，从而指示模型在识别相似特征方面的准确性。在PMH2012数据集上，采用VQ-VAE进行标签构建的方法在MAD和MV值上均表现出更低的结果。此外，使用VQ-VAE标签训练的ASTCN预测模型表现优异，达到了最低的MAD和MV值。

🔬 方法详解

问题定义：本文旨在解决滚动轴承剩余使用寿命（RUL）预测中的健康指标构建问题。现有方法在处理振动信号时，传统统计指标无法准确反映曲线波动，导致模型训练效果不佳。

核心思路：论文提出了一种基于向量量化变分自编码器（VQ-VAE）的端到端健康指标构建方法。通过VQ-VAE，能够有效地进行潜变量的降维，进而提高模型对健康指标的学习能力。

技术框架：整体架构包括数据预处理、VQ-VAE模型训练、健康指标生成及基于生成的健康指标进行的RUL预测。主要模块包括数据输入、特征提取、量化编码和解码等。

关键创新：最重要的技术创新在于引入了VQ-VAE进行健康指标构建，并提出了MAD和MV两种新颖的统计指标，以更准确地反映曲线波动。这与传统方法的统计指标相比，具有更高的敏感性和准确性。

关键设计：在模型设计中，VQ-VAE的网络结构包括编码器和解码器，采用了适当的损失函数以优化重构误差和量化误差。关键参数设置经过实验验证，以确保模型的稳定性和准确性。

🖼️ 关键图片

img_0

📊 实验亮点

实验结果表明，采用VQ-VAE进行标签构建的方法在PMH2012数据集上，MAD和MV值显著低于传统方法，表明模型在识别相似特征方面的准确性得到了提升。此外，基于VQ-VAE标签训练的ASTCN预测模型在性能上也达到了最低的MAD和MV值，显示出其优越性。

🎯 应用场景

该研究的潜在应用领域包括工业设备的健康监测、故障预测和维护决策支持。通过准确预测滚动轴承的剩余使用寿命，可以有效降低设备故障风险，提高生产效率，具有重要的实际价值和经济效益。未来，该方法还可以扩展到其他机械设备的健康管理中。

📄 摘要（原文）

The prediction of the remaining useful life (RUL) of rolling bearings is a pivotal issue in industrial production. A crucial approach to tackling this issue involves transforming vibration signals into health indicators (HI) to aid model training. This paper presents an end-to-end HI construction method, vector quantised variational autoencoder (VQ-VAE), which addresses the need for dimensionality reduction of latent variables in traditional unsupervised learning methods such as autoencoder. Moreover, concerning the inadequacy of traditional statistical metrics in reflecting curve fluctuations accurately, two novel statistical metrics, mean absolute distance (MAD) and mean variance (MV), are introduced. These metrics accurately depict the fluctuation patterns in the curves, thereby indicating the model's accuracy in discerning similar features. On the PMH2012 dataset, methods employing VQ-VAE for label construction achieved lower values for MAD and MV. Furthermore, the ASTCN prediction model trained with VQ-VAE labels demonstrated commendable performance, attaining the lowest values for MAD and MV.