Research on Rolling Bearing Degradation Modeling and Remaining Useful Life Prediction Based on TCN and an Improved Transformer Algorithm

Technische Zusammenfassung: Modellierung der Degradation von Wälzlagern und RUL-Vorhersage basierend auf TCN und einem verbesserten Transformer

Problemstellung
Die Arbeit adressiert drei kritische Herausforderungen bei der Vorhersage der Restlebensdauer (Remaining Useful Life, RUL) von Wälzlagern unter komplexen Betriebsbedingungen:

1. Rechenkomplexität: Standardmäßige Transformer-Modelle weisen eine quadratische Rechenkomplexität ($O(T^2)$) in Bezug auf die Sequenzlänge auf, was Effizienzengpässe bei der Modellierung ultra-langer Degradationsverläufe erzeugt, wie sie für Lebenszyklus-Daten von Lagern typisch sind.
2. Mangelnde Sensitivität für lokale Merkmale: Transformer-Architekturen, die auf globaler Self-Attention basieren, lassen oft die induktive Verzerrung (Inductive Bias) vermissen, die notwendig ist, um kurzfristige zeitliche Fluktuationen, transiente Einwirkungen und lokale Degradationsmuster zu erfassen, welche für die Früherkennung von Fehlern entscheidend sind.
3. Schwache Generalisierung in Szenarien mit geringer Stichprobengröße: In industriellen Umgebungen sind gelabelte Daten für neue Betriebsbedingungen (z. B. unterschiedliche Lasten oder Geschwindigkeiten) oft knapp. Standardmäßige Deep-Learning-Modelle haben Schwierigkeiten, sich schnell an diese unbekannten Bedingungen anzupassen, ohne umfangreiches Nachtraining zu durchlühren, was zu einer Verschlechterung der Leistung führt.

Methodik
Die Autoren schlagen ein hybrides Framework vor, das ein Temporal Convolutional Network (TCN) mit einem verbesserten Transformer-Algorithmus integriert, ergänzt durch eine Model-Agnostic Meta-Learning (MAML)-Strategie.

• TCN-Integration für lokale Merkmale: Eine eindimensionale Faltungsschicht (1D-Convolutional Layer) wird in der Eingangsphase eingebettet. Unter Verwendung von kausalen und dilatierten Faltungen extrahiert dieses Modul lokale zeitliche Merkmale und kurzfristige Fluktuation-Muster, wodurch die Sensitivität des Modells gegenüber transienten Stoßereignissen erhöht wird, bevor die Daten in den Transformer gelangen.
• Verbesserte Transformer-Architektur:
  • Segmentierte Sparse-Attention: Um die $O(T^2)$-Komplexität zu mildern, wird die Eingangssequenz in nicht überlappende Segmente unterteilt. Innerhalb der Segmente wird dichte Self-Attention angewendet, um feingliedrige lokale Entwicklungen zu erfassen. Zwischen den Segmenten ermöglicht eine komprimierte Speichermatrix (Memory Matrix) dünnbesetzte Interaktionen. Dies reduziert die Rechenkomplexität auf nahezu linear ($O(S^2 + SL)$, wobei $S$ die Anzahl der Segmente ist), während die Wahrnehmung globaler Trends erhalten bleibt.
  • Lokal verstärkte Faltung: Ein Modul zur zeitlichen Faltungserhöhung (Temporal Convolution Enhancement, TCE) wird eingeführt, um den Mangel an lokalem Inductive Bias des Transformers zu kompensieren und sicherzustellen, dass kurzfristige Abhängigkeiten effektiv modelliert werden.
• Meta-Learning-Strategie (MAML): Um die Anpassung bei geringer Stichprobengröße zu adressieren, verwendet die Methode MAML. Daten aus verschiedenen Betriebsbedingungen werden als Meta-Aufgaben behandelt. Das Modell lernt durch bi-level Optimierung einen aufgaben-generischen Initialisierungsparameter, der eine schnelle Anpassung an neue Zieldomänen mit nur wenigen Gradienten-Update-Schritten und minimalen gelabelten Daten ermöglicht.

Wesentliche Beiträge

1. Einheitliches Framework: Die Arbeit präsentiert eine neuartige Architektur, die den lokalen Inductive Bias von TCN mit der globalen Modellierungsfähigkeit eines verbesserten Transformers vereint und so die Balance zwischen der Erfassung lokaler Details und der Modellierung langfristiger Abhängigkeiten effektiv hält.
2. Effiziente Modellierung langer Sequenzen: Der vorgeschlagene Mechanismus der segmentierten Sparse-Attention reduziert die Rechenkomplexität erfolgreich von quadratisch auf linear, was die Modellierung des gesamten Lebenszyklus für den industriellen Einsatz machbar macht.
3. Anpassung bei geringer Stichprobengröße: Durch die Integration von MAML demonstriert die Methode die Fähigkeit, generalisierbare Initialisierungsparameter zu lernen, was ein schnelles Transfer Learning auf neue Betriebsbedingungen mit begrenzten Daten ermöglicht.

Experimentelle Ergebnisse
Die Methode wurde anhand von 2.400 Lebenszyklus-Vibrationsdatensätzen validiert, die mit einem selbstgebauten beschleunigten Lebensdauerteststand unter drei verschiedenen Betriebsbedingungen (variierende Geschwindigkeiten und Lasten) erhoben wurden.

• Vorhersagegenauigkeit: Unter der Ziel-Betriebsbedingung erreichte die vorgeschlagene Methode einen mittleren absoluten Fehler (MAE) von 0,13, einen quadratischen Mittelwert der Abweichung (RMSE) von 0,22 und einen mittleren quadratischen Fehler (MSE) von 0,05, mit einem Bestimmtheitsmaß ($R^2$) von 0,99.
• Vergleich: Diese Ergebnisse stellen eine Verbesserung der Genauigkeit um mehr als zwei Größenordnungen im Vergleich zu den Baseline-Modellen CNN, LSTM und GRU dar. Speziell wurden die Fehlermetriken im Vergleich zum leistungsstärksten Baseline-Modell (LSTM) um 96,24 % (MAE), 94,01 % (RMSE) und 99,63 % (MSE) reduziert.
• Effizienz: Die Trainingszeit betrug 34,36 Sekunden, was nur geringfügig höher ist als bei den Baselines (24–28 Sekunden), was auf einen marginalen Anstieg des Rechenaufwands für einen signifikanten Gewinn an Genauigkeit hindeutet.
• Generalisierung: Kreuzbedingungs-Transfertests bestätigten die Fähigkeit des Modells, sich unter Verwendung kleiner Support-Sets (5 %–20 % der Ziel-Daten) an neue Betriebsszenarien anzupassen.

Bedeutung und Ansprüche
Die Autoren behaupten, dass diese Forschung eine hochpräzise und stark generalisierbare Lösung für die RUL-Vorhersage von Wälzlagern in komplexen industriellen Umgebungen bietet. Durch die Integration lokaler Merkmalsextraktion mit effizienter globaler Modellierung und Meta-Learning überwindet die vorgeschlagene Methode die Zielkonflikte zwischen Rechenkosten, lokaler Sensitivität und Datenknappheit. Die Studie legt nahe, dass dieser Ansatz besonders für intelligente Wartungsszenarien geeignet ist, in denen gelabelte Daten begrenzt sind und die Betriebsbedingungen variieren, und bietet ein einheitliches Framework für effiziente Berechnung, Langzeitwahrnehmung und schnelle Anpassung.