论文题目：Remaining Useful Life Prediction Approach for Aviation Bearings Based on Multigenerator Generative Adversarial Network and CBAM（基于多发生器生成对抗网络和CBAM的航空轴承剩余使用寿命预测方法）

期刊：IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT

摘要：航空轴承剩余使用寿命(RUL)预测对于降低额外维护成本、提高航空设备的监测和可靠性至关重要，但在数据样本少且难以分析的情况下仍然是一个挑战。虽然学者们对此做了大量的研究，但具有预测效率的数据处理方法仍然没有达到预期的效果。提出了一种基于多生成器生成对抗网络(GAN)和卷积块注意模块(CBAM)的新方法，可以有效地解决上述两个问题。在本文中，我们首先构建了一个多生成器GAN，利用Wasserstein GAN与梯度惩罚(WGAN-GP)框架来增强数据。通过权值共享和特征融合策略，提高了生成器生成数据的效率和质量。然后，将增强后的数据输入到构建的卷积神经网络(CNN)中，提取具有退化特征的不健康数据，同时减少预测网络的学习负担。最后，基于CBAM和长短期记忆(LSTM)将经过充分处理的数据输入到网络中，得到轴承RUL预测。使用公共FEMTO数据集对所提出的方法进行了评估。实验结果表明，该方法可有效提高航空轴承RUL预测的精度和稳定性。

---

引言

航空轴承作为航空发动机的核心部件，其可靠性直接影响到整个航空系统的安全运行。随着航空技术的快速发展，如何准确预测航空轴承的剩余使用寿命(Remaining Useful Life, RUL)成为了工业界和学术界共同关注的重要课题。本文将深入探讨一种基于多生成器生成对抗网络(MGGAN)和卷积块注意力模块(CBAM)的创新预测方法。

背景与挑战

航空轴承的特殊性

航空轴承运行在极端恶劣的环境中，面临着高速、高温、高载荷的"三高"工作条件。这些特殊的工作环境赋予了航空轴承以下特点：

• 长寿命设计：为确保飞行安全，航空轴承被设计为具有极长的使用寿命
• 高可靠性要求：任何轴承故障都可能导致灾难性后果
• 数据稀缺性：由于寿命长且成本高，完整的生命周期数据极其稀少

现有方法的局限性

传统的RUL预测方法主要分为两大类：

1. 基于模型的方法

• 依赖于对轴承失效机制的深入理解
• 需要建立准确的数学或物理模型
• 面临轴承失效机制多样性和复杂性的挑战
• 缺乏通用性，难以适应不同应用场景

2. 数据驱动方法

• 需要大量完整的生命周期数据进行训练
• 对于数据稀缺的航空轴承应用场景适用性有限
• 预测结果可能出现不符合物理常识的突变

创新解决方案

为了解决上述挑战，研究团队提出了一种集成多种先进技术的创新方法，主要包括三个核心组件：

1. 多生成器生成对抗网络(MGGAN)

设计理念

传统的GAN通常采用单一生成器架构，在处理复杂数据分布时可能出现模式崩塌问题。多生成器GAN通过引入多个并行生成器，能够更好地捕获数据的多样性。

技术创新

• 多深度生成器设计：采用3个不同深度的生成器（分别包含3、4、5个编解码块），平衡计算复杂度与生成质量
• 权重共享机制：生成器间共享低层特征提取层，提高训练效率并保持特征一致性
• 加权特征融合：对多个生成器的输出进行智能融合，防止模式崩塌，增强生成数据的多样性

WGAN-GP基础框架

选择Wasserstein GAN with Gradient Penalty作为基础框架，相比传统GAN具有以下优势：

• 更稳定的训练过程
• 更好的收敛性能
• 生成数据质量更高

2. 智能健康状态划分

CNN分类网络

采用轻量级CNN网络对增强后的数据进行健康状态分类：

• 3层卷积层进行特征提取
• 1层展平层和2层全连接层进行分类决策
• ReLU激活函数增强网络非线性表达能力

首次预测时间(FPT)确定

引入连续触发机制确定轴承从健康状态转向不健康状态的关键时间点：

• 当网络连续3次输出"不健康"判定时
• 将第一次输出定义为FPT点
• 有效筛选包含关键退化信息的数据段

3. CBAM-LSTM融合预测网络

卷积块注意力模块(CBAM)

CBAM通过双重注意力机制增强特征学习能力：

• 通道注意力：通过全局平均池化和最大池化操作，学习不同特征通道的重要性权重
• 空间注意力：在通道维度上进行池化操作，生成空间注意力图，突出重要的空间位置

长短期记忆网络(LSTM)

LSTM专门设计用于处理时序数据，能够：

• 有效捕获长期依赖关系
• 避免传统RNN的梯度消失问题
• 保留关键的时序退化信息

网络架构设计

完整的预测网络采用以下架构：

输入数据 → 3层卷积层 → CBAM注意力 → LSTM层 → 全连接分类器 → RUL预测结果

实验验证与结果分析

实验设置

数据集：IEEE PHM 2012挑战赛FEMTO数据集 实验平台：DELL Precision 7920工作站，配备双GTX3090显卡 评估指标：RMSE(均方根误差)和MAE(平均绝对误差)

数据增强效果

多生成器GAN成功生成了高质量的轴承振动信号数据：

• 健康状态数据：生成的振动信号保持了原始数据的统计特性
• 不健康状态数据：成功复现了退化过程中的关键特征变化

预测性能对比

与传统LSTM对比：

• CBAM-LSTM网络在所有测试轴承上都表现出更低的预测误差
• 预测结果波动性显著降低，稳定性大幅提升
• 与实际RUL趋势的一致性更高

与其他先进方法对比：

• 相比MCNN、DANN、SSL等方法，在RMSE和MAE指标上都取得了更好的性能
• 证明了所提方法的有效性和优越性

关键发现

1. 数据增强的有效性：多生成器GAN显著改善了小样本数据不足的问题
2. 注意力机制的作用：CBAM有效提升了网络对关键退化特征的敏感性
3. 整体方案的优越性：三个组件的有机结合实现了预测精度和稳定性的双重提升

技术贡献与意义

理论贡献

1. 多生成器GAN架构：为小样本时序数据增强提供了新的解决思路
2. 注意力机制融合：将CBAM与LSTM相结合，增强了对微弱退化特征的捕获能力
3. 端到端预测框架：提供了从数据增强到RUL预测的完整解决方案

实际应用价值

1. 维护成本降低：准确的RUL预测有助于优化维护计划，减少不必要的停机时间
2. 安全性提升：提前预警轴承故障，避免突发性失效带来的安全风险
3. 可扩展性强：该方法可以扩展应用到其他航空设备的健康监测

未来发展方向

挑战与机遇

当前挑战：

• 增强数据的可靠性仍需进一步验证
• 航空轴承实际数据获取成本依然很高
• 多因素耦合退化机制理解有待深入

发展方向：

• 探索更低成本的数据采集方法
• 研究多模态数据融合技术
• 开发更加鲁棒的预测算法

应用拓展

该方法的核心思想和技术框架可以扩展到：

• 航空发动机其他关键部件的健康监测
• 其他高可靠性要求设备的预测性维护
• 工业4.0环境下的智能制造系统

结论

本文介绍的基于多生成器GAN和CBAM的航空轴承RUL预测方法，通过技术创新有效解决了数据稀缺和特征微弱的双重挑战。实验结果表明，该方法在预测精度、稳定性和实用性方面都取得了显著进展，为航空设备的预测性维护提供了有力的技术支撑。

随着人工智能技术的不断发展，我们有理由相信，类似的创新方法将在航空安全、设备健康管理等关键领域发挥越来越重要的作用，为构建更加安全、可靠、智能的航空系统贡献力量。