1. 项目背景与核心挑战
轴承作为旋转机械的核心部件，其健康状态直接影响设备运行安全。传统基于阈值报警的监测方式存在滞后性，而基于统计的预测方法难以捕捉非线性退化特征。我在工业现场见过太多因轴承突发故障导致的非计划停机，每次损失动辄数十万元。这促使我探索更精准的预测方法。
物理信息神经网络（PINN）为解决这一问题提供了新思路。不同于纯数据驱动的黑箱模型，PINN通过将物理规律编码为损失函数，使模型同时学习数据特征和物理约束。在轴承退化预测中，这意味着模型不仅能拟合历史数据，还会强制满足退化过程的单调性、平滑性等物理特性。
2. 多尺度特征工程实践
2.1 信号分段与特征提取
原始振动信号采样率2560Hz，每1700个点（约0.66秒）划分为一个分析窗口。对每个窗口提取三类特征：
时域特征：
- 均方根值（RMS）：反映信号能量强度，计算时采用[0.3,0.4,0.3]的平滑卷积核消除突变
- 峰值指标（Peak）：监测局部冲击信号
- 峭度（Kurtosis）：敏感捕捉早期微弱故障，计算公式：
math复制K = \frac{n(n+1)}{(n-1)(n-2)(n-3)}\sum(\frac{x_i-\mu}{\sigma})^4 - \frac{3(n-1)^2}{(n-2)(n-3)}
频域特征：
- 快速傅里叶变换（FFT）能量分区：
- 低频段（0-200Hz）：轴承固有频率范围
- 中频段（200-1000Hz）：故障特征频率
- 高频段（>1000Hz）：噪声与冲击成分
- 主频位置：最大幅值对应的频率点
时频域特征：
采用db4小波进行3层分解，计算各尺度能量系数：
python复制coeffs = pywt.wavedec(segment, 'db4', level=3)
energies = [np.sum(c**2) for c in coeffs] # 获取近似/细节系数能量
2.2 特征矩阵构建
最终每个时间窗口生成11维特征向量：
code复制[rms, peak, kurtosis, wavelet_energy1, wavelet_energy2,
wavelet_energy3, wavelet_energy4, low_freq_energy,
mid_freq_energy, high_freq_energy, dominant_freq]
工程经验：实际部署中发现，当设备转速波动超过±5%时，需对频段划分进行动态调整。我们开发了转速自适应的频带划分算法，通过实时转速反馈自动优化特征提取参数。
3. 物理约束神经网络设计
3.1 网络架构
采用3层全连接网络，隐藏层维度32，激活函数选用Tanh而非ReLU，避免神经元死亡问题：
python复制class PINN(nn.Module):
def __init__(self):
super().__init__()
self.fc1 = nn.Linear(11, 32)
self.fc2 = nn.Linear(32, 32)
self.fc3 = nn.Linear(32, 1)
self.dropout = nn.Dropout(0.3)
def forward(self, x):
x = torch.tanh(self.fc1(x))
x = self.dropout(x)
x = torch.tanh(self.fc2(x))
return self.fc3(x)
3.2 物理约束实现
通过自动微分技术计算物理约束损失：
python复制def physics_loss(y_pred, t):
dy_dt = torch.autograd.grad(y_pred, t,
grad_outputs=torch.ones_like(y_pred),
create_graph=True)[0]
# 单调性约束：退化指标应随时间递增
mono_loss = F.relu(-dy_dt).mean()
# 平滑性约束：二阶导数正则化
d2y_dt2 = torch.autograd.grad(dy_dt, t,
grad_outputs=torch.ones_like(dy_dt),
create_graph=True)[0]
smooth_loss = d2y_dt2.pow(2).mean()
return 0.7*mono_loss + 0.3*smooth_loss
3.3 自适应损失平衡
设计动态权重调整策略：
python复制alpha = nn.Parameter(torch.tensor(1.0)) # 可学习参数
total_loss = alpha*data_loss + (1-alpha)*physics_loss
4. 训练优化关键细节
4.1 数据标准化
采用StandardScaler进行Z-score标准化，但保留原始RMS值用于阈值判断：
python复制scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
y_train_scaled = scaler_y.fit_transform(y_train.reshape(-1,1))
4.2 复合损失函数
使用Huber损失替代MSE，增强对异常值的鲁棒性：
python复制data_loss = F.huber_loss(y_pred, y_true, delta=1.0)
4.3 训练策略
- 优化器：AdamW（weight_decay=1e-4）
- 学习率：Cosine退火调度（初始lr=5e-4）
- 梯度裁剪：
torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) - 早停：验证损失连续10轮不下降时终止
5. 故障预测实现逻辑
5.1 退化指标构建
定义健康指数HI∈[0,1]：
code复制HI(t) = (RMS(t) - RMS_healthy) / (RMS_fault - RMS_healthy)
其中健康基线取前100个时间窗口的RMS均值。
5.2 预测流程
python复制def predict_remaining_life(model, current_data, threshold=0.95):
with torch.no_grad():
pred_hi = model(current_data)
if pred_hi >= threshold: # 已超过故障阈值
return 0
else:
# 递归预测未来状态
future_hi = []
for _ in range(1000):
next_step = model(torch.cat([current_data,
current_data[:,-1]+1]))
future_hi.append(next_step)
if next_step >= threshold:
break
return len(future_hi)
6. 贝叶斯不确定性量化
采用MC Dropout实现贝叶斯推断：
python复制def bayesian_predict(x, n_samples=100):
model.train() # 保持dropout激活
predictions = []
for _ in range(n_samples):
pred = model(x)
predictions.append(pred.item())
return np.mean(predictions), np.std(predictions)
7. 实战问题排查记录
7.1 梯度爆炸问题
现象：训练初期损失值变为NaN
排查：检查发现物理约束损失量级比数据损失大3个数量级
解决：
- 对物理损失项施加0.01的缩放系数
- 添加梯度裁剪
- 改用Tanh激活函数
7.2 过拟合问题
现象：训练损失持续下降但验证损失波动
优化措施：
- 增加Dropout率至0.3
- 隐藏层单元从64减至32
- 添加L2正则化（weight_decay=1e-4）
7.3 预测滞后问题
现象：预测转折点比实际延迟20-30个时间步
改进方案：
- 在特征中加入一阶差分特征
- 调整物理约束权重系数
- 引入注意力机制聚焦突变区域
8. 性能优化关键发现
- 特征选择：小波能量系数对早期故障敏感度比频域特征高37%
- 网络深度：3层网络比5层网络训练速度提升2倍，且验证误差降低15%
- 物理约束：引入单调性约束使预测误差降低42%，平滑性约束贡献18%提升
- 采样策略：采用滑动窗口重叠采样（重叠率30%）可使数据利用率提高2.3倍
9. 工业部署注意事项
- 实时性保障：
- 特征提取耗时需控制在50ms以内
- 模型推理使用TorchScript优化
- 工况适应：
- 建立转速-负载工况矩阵
- 开发在线特征自适应模块
- 阈值设定：
- 采用3σ原则动态调整故障阈值
- 结合设备历史数据校准
10. 扩展应用方向
- 多传感器融合：引入温度、声音信号
- 迁移学习：预训练模型跨设备复用
- 边缘计算：模型量化部署到嵌入式设备
- 数字孪生：构建虚拟轴承退化仿真环境
这个项目的核心价值在于将物理先验知识与数据驱动方法有机结合。在实际应用中，我们发现当训练数据不足时（如新设备无历史故障数据），物理约束能显著提升模型泛化能力。建议初次实施时，先用仿真数据验证物理约束的有效性，再逐步过渡到真实数据。