基于云边端协同的电子油泵健康状态及剩余寿命预测方法

本发明涉及智能制造与设备健康管理，具体涉及基于云边端协同的电子油泵健康状态及剩余寿命预测方法。

背景技术：

1、电子油泵作为高精度制造装备的核心部件，其生产过程中涉及多主体参与、多任务协作、执行过程自治等特点。在电子油泵的装配与测试产线上，大量轴承类旋转部件长期运行于变载荷、高温工况，其健康状态直接影响生产节拍、产品质量与设备安全。

2、当前，电子油泵制造过程普遍存在云边端智能协同程度低的问题：云端集中式处理导致数据传输延迟大、实时响应差；边缘节点缺乏有效的轻量化健康评估模型；设备端原始振动数据无法被高效利用。因此，构建支持实时数据边缘执行反馈的云端-边缘-设备端协同健康管理架构，成为提升电子油泵生产运行效率的关键。

3、现有技术中，针对设备健康管理的云边端协同研究尚处于初级阶段。部分文献提出了基于云平台的设备状态监测方案，但多采用“端采集-云处理”模式，边缘节点仅做数据转发，不具备独立推理能力。例如，li等人在其论文《rul prediction of rollingbearings across working conditions based on multi-scale convolutionalparallel memory domain adaptation network》中提出了一种基于云服务器的轴承寿命预测方法，所有振动数据均上传至云端进行特征提取和模型推理，导致网络带宽占用高、响应延迟达秒级以上，难以满足产线实时预警需求。

4、在健康指标构建方面，现有技术（如dcae、cae等深度自编码器方法）通常依赖手工特征工程或间接信号变换。例如chen等人在其论文《a novel deep learning methodbased on attention mechanism for bearing remaining useful life prediction》中提出的二次函数深度卷积自编码器，需要预先计算振动信号的均方根、峰度等统计量作为输入，当工况变化时特征有效性下降，且未内嵌物理退化先验，构建的健康指标常出现非单调波动，与真实磨损过程不符。

5、在剩余寿命预测方面，现有技术广泛采用lstm、bilstm等循环神经网络。例如huang等人在其论文《a bidirectional lstm prognostics method under multipleoperational conditions》中提出的基于bilstm的预测方法，其激活函数对所有特征通道采用相同非线性变换，无法适应不同通道间差异化的退化速率，导致快速退化通道欠拟合、慢速退化通道过拟合。此外，现有预测模型评价多集中于误差指标（rmse、mae），对拟合优度（r²）关注不足，难以全面评估预测曲线与真实退化轨迹的吻合程度。

技术实现思路

1、针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于云边端协同的电子油泵健康状态及剩余寿命预测方法，在云边端协同的基础上，利用物理约束的退化感知复合编码网络构建单调性健康指标，并结合通道自适应时序预测网络精准拟合非线性退化趋势，从而实现高精度的剩余寿命预测与生产任务的动态优化调度。

2、为了解决上述技术问题，本发明采用了如下的技术方案：

3、基于云边端协同的电子油泵健康状态及剩余寿命预测方法，包括：

4、s1：通过云端训练用于提取健康指标的退化感知复合编码网络和用于预测剩余寿命的通道自适应时序预测网络，并下发至边缘节点；

5、s2：通过设备端采集电子油泵产线上目标部件x轴和y轴的振动加速度信号，并传输至边缘节点；

6、s3：通过边缘节点分别将若干个时间步上目标部件x轴和y轴的振动加速度信号输入训练好的退化感知复合编码网络，输出目标部件各个时间步的健康指标；

7、s4：通过边缘节点将目标部件各个时间步的健康指标按时间步序列排列得到健康指标序列，并将健康指标序列输入训练好的通道自适应时序预测网络，输出目标部件未来若干个时间步的健康指标预测值作为剩余寿命预测结果；

8、s5：基于电子油泵产线上各个目标部件的剩余寿命预测结果调整电子油泵产线的生产任务分配。

9、优选的，步骤s2中，通过设备端的三轴加速度传感器采集电子油泵产线上目标部件x轴和y轴的振动加速度信号，并对目标部件x轴和y轴的振动加速度信号进行包含低通滤波、高频噪声去除和数据压缩的预处理。

10、优选的，步骤s3中，边缘节点上退化感知复合编码网络的处理步骤包括：

11、s301：将对应时间步上目标部件x轴和y轴的振动加速度信号分别输入退化感知复合编码网络的两个独立分支；

12、s302：两个独立分支依次通过一维卷积层、transformer层、全局平均池化层和全连接层提取对应振动加速度信号中的深层时序特征和退化模式，得到x轴健康指标和y轴健康指标；

13、s303：对x轴健康指标和y轴健康指标进行融合，得到对应时间步的健康指标。

14、优选的，步骤s302中，单个独立分支的处理步骤包括：

15、s3021：获取独立分支输入的单轴振动加速度信号；

16、s3022：对单轴振动加速度信号进行一维卷积和relu激活，得到卷积特征图；

17、公式表示为：

18、；

19、式中：为卷积特征图；为单轴振动加速度信号；为一维卷积核权重；为卷积偏置项；为relu激活函数；

20、s3023：对卷积特征图进行层归一化后，再叠加线性位置编码矩阵，得到叠加位置编码后的归一化特征；

21、公式表示为：

22、；

23、式中：为叠加位置编码后的归一化特征；为层归一化；为线性位置编码矩阵；

24、s3024：将归一化特征输入transformer层建模单轴振动加速度信号内部的长距离时序依赖关系，得到时序特征；

25、s3025：对时序特征进行全局平均池和全连接，得到对应的单轴健康指标；

26、公式表示为：

27、；

28、式中：为单轴健康指标；为时序特征中第个时间步的特征；为沿时间维度的全局平均池化结果，为时序特征的时间步数量；为全连接层权重；为全连接层偏置。

29、优选的，步骤s303中，健康指标的计算公式为：

30、；

31、式中：为融合后的健康指标；为x轴健康指标；为y轴健康指标；和为可学习的融合权重。

32、优选的，步骤s4中，边缘节点上通道自适应时序预测网络的处理步骤包括：

33、s401：获取目标部件按时间步序列排列得到的健康指标序列，为第个时间步的健康指标，为健康指标序列的时间步数量；

34、s402：通过滑动窗口从健康指标序列中截取固定长度的数据片段作为预测数据窗口；

35、s403：将预测数据窗口输入六层双向长短时神经网络提取包含过去信息和未来上下文信息的深层时序特征，并将深层时序特征输入dropout层，得到双向时序特征向量；

36、s404：将双向时序特征向量输入串联的三层全连接层，得到目标部件未来若干个时间步的健康指标预测值。

37、优选的，步骤s404中，三层全连接层均包括用于进行线性映射的线性连接层和用于进行非线性激活的通道自适应激活函数；

38、第一层全连接层对双向时序特征向量进行第一级变换，得到第一层激活输出；

39、公式表示为：

40、；

41、式中：为第一层激活输出；为第一层全连接层的通道自适应激活函数；为双向时序特征向量；为第一层全连接层的权重矩阵；为第一层全连接层的偏置；

42、第二层全连接层对第一层激活输出进行第二级变换，得到第二层激活输出；

43、公式表示为：

44、；

45、式中：为第二层激活输出；为第二层全连接层的通道自适应激活函数；为第二层全连接层的权重矩阵；为第二层全连接层的偏置；

46、第三层全连接层对第二层激活输出进行映射，得到未来若干个时间步的健康指标预测值；

47、公式表示为：

48、；

49、式中：为未来个时间步的健康指标预测值；为第三层全连接层的通道自适应激活函数；为第三层全连接层的权重矩阵；为第三层全连接层的偏置。

50、优选的，步骤s404中，通道自适应激活函数的计算公式为：

51、；

52、式中：为第个特征通道的激活输出值，为特征通道索引；为第个特征通道的输入激活值；为第个特征通道的斜率调节因子；为第个特征通道的尺度缩放因子；为第个特征通道的平移偏置因子；为双曲正切函数。

53、优选的，还包括：

54、s6：通过边缘节点将x轴和y轴的振动加速度信号以及对应的健康指标序列和健康指标预测值作为一组新数据，并计算健康指标预测值的置信度，当健康指标预测值的置信度高于预设阈值时将其标记为伪标签；定期将包含伪标签的新数据上传至云端；

55、s7：通过云端基于新数据进行对退化感知复合编码网络和通道自适应时序预测网络的增量式训练，更新退化感知复合编码网络和通道自适应时序预测网络的模型参数，并下发至边缘节点。

56、优选的，步骤s7中，采用融合物理单调性的组合损失函数对退化感知复合编码网络进行增量式训练；

57、组合损失函数的计算公式为：

58、；

59、式中：为组合损失函数的总损失值；为数据保真项权重系数；为单调性惩罚项权重系数；为数据保真项损失；为单调性惩罚项损失；

60、数据保真项损失的计算公式为：

61、；

62、式中：为健康指标序列的总时间步数；为第个时间步的健康指标；为第至第个时间步的健康指标变化量；为健康指标序列的光滑性惩罚项；为正则化系数；为对数幅度正则项；

63、单调性惩罚项损失的计算公式为：

64、；

65、式中：为容忍阈值；为第至第个时间步的健康指标变化量；为取最大值函数。

66、本发明中基于云边端协同的电子油泵健康状态及剩余寿命预测方法与现有技术相比，具有如下有益效果：

67、本发明直接采用原始的多轴振动加速度信号作为模型输入，摒弃了传统方法中依赖人工经验进行特征提取和选择的步骤，通过端到端的数据驱动方式，能够最大限度地保留振动信号中与设备退化状态相关的深层时序特征和微弱信息，避免了因人工特征选择不当导致的信息丢失。并且通过后续的退化感知复合编码网络自动学习和提取这些高维特征，能够构建出更能真实反映部件物理退化过程的健康指标，为后续高精度的剩余寿命预测奠定了坚实的数据基础，从而提升了整个预测模型的性能上限。

68、本发明利用退化感知复合编码网络构建高质量的健康指标，通过在模型训练中引入融合物理单调性的组合损失函数，对网络输出的健康指标施加了严格的单调递减约束，该物理信息引导的深度学习策略，有效解决了传统数据驱动方法构建的健康指标波动性大、趋势性不明确的问题，使得最终的健康指标呈现出优异的单调性和鲁棒性，显著提升了健康状态评估的准确性和可靠性。

69、本发明采用通道自适应时序预测网络进行剩余寿命预测，创新性的引入了通道自适应激活函数（ca-tanh），该函数为每个特征通道分配了独立可学习的参数，使模型能够自适应地调整对不同退化特征的响应强度和模式，极大地增强了网络对复杂、非线性及异质退化模式的拟合能力。相较于传统预测模型，本发明能够更精确地捕捉健康指标序列的长期依赖关系和演化趋势，从而对未来退化路径做出更精准的预测，最终表现为剩余寿命预测结果具有极高的拟合优度和预测精度。

70、本发明将高精度的剩余寿命预测结果直接应用于生产调度决策，通过将预测的健康状态作为调度约束条件，制造任务调度器可以在部件发生故障前，智能地将任务从健康状态不佳的工位转移至健康状态更优的备用工位。通过基于设备真实健康状态的动态调度策略，不仅能够有效避免因突发故障导致的生产线停机，保障生产任务的连续性和稳定性，还能在最大化设备利用率的同时，最小化任务拖期成本，实现了设备维护与生产调度的协同优化，提升了产线的整体智能化水平和运行效率。

71、本发明构建了一个“云-边”协同的闭环自进化系统。边缘节点将实际运行中产生的新数据反馈至云端，云端利用这些增量数据对核心模型（dac-net和cat-net）进行持续的增量式训练和参数更新，使模型能够不断学习和适应设备在不同工况、不同生命周期阶段下出现的新退化模式，有效克服了传统静态模型因数据分布漂移而导致的性能衰退问题。并且通过模型的在线迭代优化，确保了健康状态评估和剩余寿命预测的精度与拟合优度能够长期保持在较高水平，使整个系统具备了持续学习和自我完善的能力。