針對電梯制動器作為高可靠性設備，其衰退周期長，在真實工作環境中全生命周期下的大量標注數據不易被采集的問題，基于映射的無監督深度遷移學習（UDTL）法，利用仿真制動器的訓練網絡判定實際制動器的健康狀態，從而對真實工作環境中電梯制動器的剩余壽命進行精準預測。方法概括如下：
該方法借助長短期記憶網絡自編碼器（LSTM-ED）實現對原始數據的特征提取。其根據健康數據訓練模型，將網絡重構序列與原始序列的差方序列作為特征序列，因此特征領域實際是傳感器數據在時間序列上異常值的數據表征，從而保證了不同設備在特征領域中均具有一定的相似性；結合最大平均差異實現仿真數據與實際制動器數據在特征領域的再次對齊，從而保證兩者在特征序列上的一致性，提高預測精度。同時，用分步訓練法代替傳統的聯合訓練法。在預測過程中，提出在線微調的方法，利用得到的新數據逐步更新特征提取器，從而實現對新設備的高精度壽命預測。
1. 源領域和目標領域
仿真試驗平臺由迅達曳引機、PLC控制柜和變頻器組成，如圖1(a)所示。其中，a為加速度，D為制動距離，d為間隙，LI為聲強級，N為運行次數。變頻器和制動器（110V直流電壓）聯動能夠加速制動器的制動失效，從而仿真制動器制動力不足的失效模式。基于上述方法，采集得到制動器從初始狀態運行至失效的全生命周期數據（見圖1(b)），并將其作為源領域數據。當制動器在寧波申菱電梯塔（見圖2(a)）運作時，人工定期檢查得到制動器從初始狀態運行至失效的全生命周期數據（見圖2(b)），并將其作為目標領域數據。利用源領域數據訓練模型，并基于特征映射的遷移學習法實現對目標領域的剩余壽命精確預測。
圖1 制動器仿真實驗
圖2 寧波申菱電梯塔實驗
2. 無監督的深度遷移學習算法
無監督的深度遷移學習算法的整體框圖如圖3所示，算法的損失函數為：
式中，Lrec為重構模型的損失，LMMD為源領域的特征序列與目標領域的特征序列的遷移損失，Lr為回歸的損失；a、b和g為3個損失的修正系數。
圖3 無監督的深度遷移學習算法框圖
典型的遷移學習多采用將目標領域和源領域的數據整合在一起訓練，即將a、b和g均設為非零值進行聯合訓練。該訓練模式未考慮各損失函數的實際意義，易導致對源領域數據的過擬合，而對目標領域數據的預測結果不理想。此外，該方法需要完整的目標領域數據，因此在實際運用中無法對目標領域設備進行在線預測。對此，提出一種分步訓練方法，其通過保證各模塊的準確性實現RUL精準預測，具體步驟如下：
（1）令b=g =0，將源領域中前10%的數據作為健康狀態數據輸入，從而更新LSTM-ED網絡的權重和偏置。根據訓練得到的重構網絡，將輸入序列轉化為與輸入等長的特征序列，并將這一過程定義為特征提取。
（2）在進行回歸預測訓練時，令a=b=0，即將源領域數據的回歸誤差作為更新權重的損失函數，同時固定LSTM-ED的權重不變，僅更新全連接層的權重和偏置。
（3）權重遷移利用源領域學習得到的LSTM-ED網絡和全連接網絡，初始化目標領域網絡。通過特征提取模塊，將新得到的目標領域序列轉化為Ht，并將Ht與源領域特征序列Hs進行領域適應，即令a=g =0，利用損失函數更新LSTM-ED，從而減小Ht與Hs的分布誤差。
（4）LSTM-ED網絡能夠針對目標領域數據進行傳感器異常監測，因此利用由步驟3）更新后的LSTM-ED參數得到新特征序列，并將其輸入到全連接網絡中得到當前預測的剩余壽命。該算法預測的剩余壽命值均小于1，其含義為剩余生命周期占總生命周期的比例。若預測值小于90%，則直接將其作為該點的RUL值；若預測值大于90%，則說明該時間段內的數據為電梯制動器前10%的健康生命周期數據，需要根據LSTM-ED的異常值檢測特性，令b=g =0、a=1，再次訓練更新LSTM-ED參數，并利用新LSTM-ED得到新特征序列，將其作為全連接網絡的輸入值，重新預測該點的剩余壽命。
其中，步驟（1）和（2）為利用源領域數據進行訓練網絡，完成之后即可得到針對源領域數據的高精度剩余壽命預測算法。步驟（3）和（4）為借助目標領域數據進行在線微調訓練并得到預測結果。
3. 電梯制動器剩余壽命預測性能
利用傳感器網絡連續采集制動器間隙、編碼器讀數、摩擦噪聲和制動加速度等相關物理參數，并將數據預處理后作為LSTM-ED網絡輸入。截取仿真數據中前10%的數據作為健康數據，對LSTM-ED進行訓練，并利用訓練好的網絡將傳感器數據投射到如圖4所示的特征區域中，其中F為經學習得到的特征值，e為運行進度（運行時間占總壽命的比例）。可知，5個特征值（F1~ F5）隨時間的增加而增大，且增大趨勢相似，表明LSTM-ED可以作為特征提取器并有效地反映制動器衰退現象。
圖4 仿真實驗數據提取得到的特征
利用全連接網絡對LSTM-ED提取的特征進行回歸預測，并利用仿真數據中的真實壽命訓練全連接網絡。經訓練后，仿真數據的損失函數降低至小于0.015，即得到針對源領域數據的高精度剩余壽命預測算法。
利用在線微調方法即步驟（3）和步驟（4），進一步訓練LSTM-ED的特征提取器參數，并基于新的特征提取器將電梯塔中的數據轉化為如圖5所示的特征數據。可知，該提取器同樣可以作為特征提取器并有效地反映制動器衰退現象。
圖5 電梯塔數據通過UDTL學習得到的特征
在預測過程中，利用全連接層預測回歸得到的特征，預測結果如圖6所示。可見，剩余壽命的預測曲線與真實曲線的吻合度較高。為量化UDTL的預測結果，引入平均絕對值誤差（MAE）、均方誤差（MSE）和均方根誤差（RMSE），經計算MAE=0.03、MSE=0.0016、RMSE=0.04。可知，利用UDTL預測的誤差均很小，表明UDTL可以有效預測真實工況下的電梯制動器剩余生命周期。
圖6 UDTL對電梯塔的剩余生命周期預測
同時為驗證UDTL的有效性，將未進行遷移學習的預測算法和傳統訓練法作為對比，進行電梯塔數據的剩余壽命預測，并計算不同方法下電梯塔的剩余壽命預測誤差，結果如表1所示。可知，在MSE方面，UDTL方法較無遷移學習的情況降低了59%，較傳統訓練法降低了54%，證明該方法能夠有效提高電梯制動器壽命預測的準確度。
表1 不同方法下電梯塔的剩余生命周期預測誤差
