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

तकनीकी सारांश: TCN और एक उन्नत ट्रांसफॉर्मर पर आधारित रोलिंग बेयरिंग क्षरण मॉडलिंग और RUL भविष्यवाणी

समस्या विवरण
यह शोध पत्र जटिल परिचालन स्थितियों के तहत रोलिंग बेयरिंग के शेष उपयोगी जीवन (Remaining Useful Life - RUL) की भविष्यवाणी करने में तीन महत्वपूर्ण चुनौतियों को संबोधित करता है:

1. गणना संबंधी जटिलता (Computational Complexity): मानक ट्रांसफॉर्मर मॉडल अनुक्रम लंबाई (sequence length) के सापेक्ष द्विघाती गणना जटिलता ($O(T^2)$) प्रदर्शित करते हैं, जिससे पूर्ण-जीवन चक्र बेयरिंग डेटा के विशिष्ट अति-दीर्घ क्षरण प्रक्षेपवक्रों (ultra-long degradation trajectories) को मॉडल करने में दक्षता संबंधी बाधाएं उत्पन्न होती हैं।
2. स्थानीय विशेषता संवेदनशीलता का अभाव (Local Feature Insensitivity): वैश्विक स्व-ध्यान (global self-attention) पर निर्भर ट्रांसफॉर्मर आर्किटेक्चर अक्सर उन स्थानीय प्रेरणिक पूर्वाग्रहों (inductive biases) की कमी प्रदर्शित करते हैं जो अल्पकालिक अस्थायी उतार-चढ़ाव, क्षणिक प्रभावों और स्थानीय क्षरण पैटर्न को पकड़ने के लिए आवश्यक होते हैं, जो प्रारंभिक दोष पहचान के लिए अत्यंत महत्वपूर्ण हैं।
3. लघु-नमूना परिदृश्यों में कमजोर सामान्यीकरण (Weak Generalization in Small-Sample Scenarios): औद्योगिक सेटिंग्स में, नई परिचालन स्थितियों (जैसे, विभिन्न भार या गति) के लिए लेबल किया गया डेटा अक्सर दुर्लभ होता है। मानक डीप लर्निंग मॉडल बिना व्यापक पुन: प्रशिक्षण के इन अनदेखी स्थितियों के अनुकूल तेजी से ढलने में संघर्ष करते हैं, जिससे प्रदर्शन में गिरावट आती है।

कार्यप्रणाली (Methodology)
लेखक एक हाइब्रिड फ्रेमवर्क प्रस्तावित करते हैं जो एक टेम्पोरल कनवल्शनल नेटवर्क (TCN) को एक उन्नत ट्रांसफॉर्मर एल्गोरिदम के साथ एकीकृत करता है, जिसे मॉडल-एग्नोस्टिक मेटा-लर्निंग (MAML) रणनीति द्वारा सुदृढ़ किया गया है।

• स्थानीय विशेषताओं के लिए TCN एकीकरण: इनपुट चरण में एक एक-आयामी (one-dimensional) कनवल्शनल लेयर को एम्बेड किया गया है। कॉज़ल (causal) और डाइलेटेड (dilated) कंवोल्यूशन का उपयोग करते हुए, यह मॉड्यूल स्थानीय टेम्पोरल फीचर्स और अल्पकालिक उतार-चढ़ाव के पैटर्न को निकालता है, जिससे डेटा के ट्रांसफॉर्मर में प्रवेश करने से पहले क्षणिक झटकों (transient shock events) के प्रति मॉडल की संवेदनशीलता बढ़ जाती है।
• उन्नत ट्रांसफॉर्मर आर्किटेक्चर:
  • खंडित स्पार्स अटेंशन (Segmented Sparse Attention): $O(T^2)$ जटिलता को कम करने के लिए, इनपुट अनुक्रम को गैर-अतिव्यापी खंडों (non-overlapping segments) में विभाजित किया जाता है। सूक्ष्म-स्तरीय स्थानीय विकास को पकड़ने के लिए खंडों के भीतर सघन स्व-ध्यान (dense self-attention) लागू किया जाता है। खंडों के बीच, एक संपीड़ित मेमोरी मैट्रिक्स स्पार्स इंटरैक्शन की सुविधा प्रदान करता है। यह वैश्विक रुझान धारणा को बनाए रखते हुए गणना की जटिलता को लगभग रैखिक ($O(S^2 + SL)$, जहाँ $S$ खंडों की संख्या है) तक कम कर देता है।
  • स्थानीय रूप से संवर्धित कंवोल्यूशन: एक टेम्पोरल कंवोल्यूशन एन्हांसमेंट (TCE) मॉड्यूल पेश किया गया है ताकि ट्रांसफॉर्मर के स्थानीय प्रेरणिक पूर्वाग्रह की कमी की भरपाई की जा सके, जिससे यह सुनिश्चित हो सके कि अल्पकालिक निर्भरताओं को प्रभावी ढंग से मॉडल किया गया है।
• मेटा-लर्निंग रणनीति (MAML): लघु-नमूना अनुकूलन को संबोधित करने के लिए, यह विधि MAML का उपयोग करती है। विभिन्न परिचालन स्थितियों के डेटा को मेटा-टास्क के रूप में माना जाता है। मॉडल द्वि-स्तरीय अनुकूलन (bi-level optimization) के माध्यम से एक कार्य-सामान्य प्रारंभिक पैरामीटर सीखता है, जो केवल कुछ ग्रेडिएंट अपडेट चरणों और न्यूनतम लेबल वाले डेटा के साथ नए लक्षित डोमेन में तेजी से अनुकूलन करने में सक्षम बनाता है।

प्रमुख योगदान

1. एकीकृत ढांचा (Unified Framework): यह शोध पत्र एक नया आर्किटेक्चर प्रस्तुत करता है जो TCN के स्थानीय प्रेरणिक पूर्वाग्रह को उन्नत ट्रांसफॉर्मर की वैश्विक मॉडलिंग क्षमता के साथ एकीकृत करता है, जो स्थानीय विवरण कैप्चर और दीर्घकालिक निर्भरता मॉडलिंग के बीच प्रभावी ढंग से संतुलन बनाता है।
2. कुशल दीर्घ-अनुक्रम मॉडलिंग: प्रस्तावित खंडित स्पार्स अटेंशन तंत्र ने गणना की जटिलता को द्विघाती से रैखिक में सफलतापूर्वक कम कर दिया है, जिससे औद्योगिक तैनाती के लिए पूर्ण-जीवन चक्र मॉडलिंग संभव हो गई है।
3. लघु-नमूना अनुकूलन: MAML को एकीकृत करके, यह विधि सामान्यीकरण योग्य प्रारंभिक पैरामीटर सीखने की क्षमता प्रदर्शित करती है, जिससे सीमित डेटा के साथ नए परिचालन परिदृश्यों में तेजी से ट्रांसफर लर्निंग संभव हो पाती है।

प्रायोगिक परिणाम
इस विधि को तीन अलग-अलग परिचालन स्थितियों (परिवर्तित गति और भार) के तहत एक स्व-निर्मित त्वरित जीवन परीक्षण रिग (accelerated life test rig) से एकत्र किए गए 2,400 पूर्ण-जीवन चक्र कंपन डेटासेट्स का उपयोग करके मान्य किया गया।

• भविष्यवाणी सटीकता: लक्षित-डोमेन परिचालन स्थिति के तहत, प्रस्तावित विधि ने 0.13 का माध्य पूर्ण त्रुटि (MAE), 0.22 का रूट मीन स्क्वायर एरर (RMSE), और 0.05 का मीन स्क्वेर्ड एरर (MSE), तथा 0.99 का निर्धारण गुणांक ($R^2$) प्राप्त किया।
• तुलना: ये परिणाम बेसलाइन CNN, LSTM और GRU मॉडलों की तुलना में सटीकता में दो से अधिक परिमाण के क्रम (orders of magnitude) का सुधार दर्शाते हैं। विशेष रूप से, सर्वोत्तम प्रदर्शन करने वाले बेसलाइन (LSTM) की तुलना में त्रुटि मेट्रिक्स में 96.24% (MAE), 94.01% (RMSE), और 99.63% (MSE) की कमी आई है।
• दक्षता: प्रशिक्षण समय 34.36 सेकंड था, जो बेसलाइनों (24–28 सेकंड) से केवल थोड़ा अधिक है, जो सटीकता में महत्वपूर्ण लाभ के लिए मामूली कम्प्यूटेशनल ओवरहेड का संकेत देता है।
• सामान्यीकरण: क्रॉस-कंडीशन ट्रांसफर परीक्षणों ने केवल छोटे सपोर्ट सेट्स (लक्षित डेटा का 5%–20%) का उपयोग करके नए परिचालन परिदृश्यों में अनुकूलित होने की मॉडल की क्षमता की पुष्टि की।

महत्व और दावे
लेखकों का दावा है कि यह शोध जटिल औद्योगिक वातावरण में रोलिंग बेयरिंग RUL भविष्यवाणी के लिए एक उच्च-सटीक और दृढ़ता से सामान्यीकरण योग्य समाधान प्रदान करता है। स्थानीय विशेषता निष्कर्षण को कुशल वैश्विक मॉडलिंग और मेटा-लर्निंग के साथ एकीकृत करके, प्रस्तावित विधि कम्प्यूटेशनल लागत, स्थानीय संवेदनशीलता और डेटा की कमी के बीच के समझौतों (trade-offs) को दूर करती है। अध्ययन सुझाव देता है कि यह दृष्टिकोण विशेष रूप से उन बुद्धिमान रखरखाव परिदृश्यों के लिए उपयुक्त है जहाँ लेबल वाला डेटा सीमित है और परिचालन स्थितियाँ परिवर्तनशील हैं, जो कुशल गणना, दीर्घ-रेंज धारणा और तीव्र अनुकूलन के लिए एक एकीकृत ढांचा प्रदान करता है।