摘要

 

1、分析了「機理模型與數(shù)據(jù)混合驅(qū)動的剩余壽命預(yù)測技術(shù)」、「基于機器學(xué)習(xí)的剩余壽命預(yù)測技術(shù)」、「統(tǒng)計數(shù)據(jù)驅(qū)動的剩余壽命預(yù)測技術(shù)」以及「機器學(xué)習(xí)和統(tǒng)計數(shù)據(jù)驅(qū)動相結(jié)合的剩余壽命預(yù)測技術(shù)」的基本研究思想和發(fā)展動態(tài)；

 

2、結(jié)合隨機退化設(shè)備監(jiān)測大數(shù)據(jù)特點以及剩余壽命預(yù)測不確定性量化這一核心問題,深入剖析了當前研究存在的局限性和共性難題。

 

1、 機理模型與數(shù)據(jù)混合驅(qū)動的剩余壽命預(yù)測

 

基于機理模型的方法主要是依據(jù)失效機理構(gòu)建描述設(shè)備退化過程的參數(shù)化數(shù)學(xué)模型,結(jié)合設(shè)備的設(shè)計試驗數(shù)據(jù)或經(jīng)驗知識辨識數(shù)學(xué)模型參數(shù),進而基于狀態(tài)監(jiān)測數(shù)據(jù)更新機理模型參數(shù)實現(xiàn)設(shè)備的剩余壽命預(yù)測。

 

典型的參數(shù)識別與更新方法:

卡爾曼濾波、粒子濾波和貝葉斯方法……

 

常見的用于剩余壽命預(yù)測的機理模型:

Paris模型、Forman模型以及在其基礎(chǔ)上的各種改進和擴展模型，主要用以描述裂紋擴展和層裂增長。

 

問題：

現(xiàn)有基于機理模型的剩余壽命預(yù)測方法未能結(jié)合實際運行設(shè)備的實時監(jiān)測數(shù)據(jù),難以準確反映設(shè)備當前運行的實際狀態(tài),特別是在設(shè)備運行環(huán)境、運行工況發(fā)生變化時,若不能利用實時監(jiān)測數(shù)據(jù)對模型進行更新,將產(chǎn)生較大的預(yù)測偏差。

 

機理模型與數(shù)據(jù)混合驅(qū)動的剩余壽命預(yù)測方法：

為了使得機理模型能夠更好地建模實際服役個體設(shè)備的性能演變過程,將設(shè)備實時運行監(jiān)測數(shù)據(jù)與機理模型進行混合,將有助于實現(xiàn)剩余壽命預(yù)測準確性的提升。

 

因此,機理模型與數(shù)據(jù)混合驅(qū)動的剩余壽命預(yù)測方法也得到了較多的關(guān)注和發(fā)展。

 

最近該方面的研究分別針對鋰電池系統(tǒng)和旋轉(zhuǎn)機械設(shè)備,提出了機理模型與數(shù)據(jù)混合驅(qū)動的剩余壽命預(yù)測方法。根據(jù)機理模型與數(shù)據(jù)混合驅(qū)動實現(xiàn)方式不同,可將這類混合驅(qū)動的剩余壽命預(yù)測方法分為兩大類:

 

1)基于監(jiān)測數(shù)據(jù)構(gòu)建機理模型所刻畫退化狀態(tài)的測量模型,運用卡爾曼濾波、粒子濾波等方法估計退化狀態(tài)和機理模型參數(shù)，然后通過機理模型預(yù)測設(shè)備的剩余壽命。

2)首先分別基于數(shù)據(jù)和機理模型進行設(shè)備的剩余壽命預(yù)測,然后利用決策層融合方法實現(xiàn)集成基于數(shù)據(jù)和基于機理模型的剩余壽命預(yù)測。

以上兩類機理模型與數(shù)據(jù)混合驅(qū)動實現(xiàn)剩余壽命預(yù)測的方式各具優(yōu)勢:

 

第1種方式：能夠充分考慮退化狀態(tài)難以直接測量的實際, 在考慮監(jiān)測數(shù)據(jù)中測量噪聲的情況下, 可實現(xiàn)隱含退化狀態(tài)的估計和機理模型參數(shù)的更新, 使得最終的預(yù)測結(jié)果能夠更準確地反映設(shè)備當前的實際狀態(tài);

第2種方式：實現(xiàn)過程相對簡單獨立,決策層融合的形式較為多樣,如平均法、權(quán)重平均、核回歸、證據(jù)組合等,能夠集成多種方法的優(yōu)勢,有助于提升預(yù)測結(jié)果的魯棒性。

雖然基于機理模型的方法和機理模型與數(shù)據(jù)混合驅(qū)動方法得到了一定的發(fā)展,但其成功應(yīng)用的基礎(chǔ)是可獲取精確可靠的機理模型。隨著當代設(shè)備逐步呈現(xiàn)復(fù)雜化、非線性化以及高維化等特征,其健康狀態(tài)演化規(guī)律通常難以精確機理建模或者獲得失效機理模型的成本過高。現(xiàn)有研究中通過物理機理分析、理化分析、實驗分析等手段獲取的機理模型主要針對特定材料或?qū)ο?這一點也可以通過當前機理模型的種類相當匱乏反映出,由此在一定程度上限制了這類方法的廣泛應(yīng)用。

 

因此,在大數(shù)據(jù)背景下,通過挖掘數(shù)據(jù)中隱含的設(shè)備健康狀態(tài)信息,發(fā)展數(shù)據(jù)驅(qū)動的剩余壽命預(yù)測方法成為當前的主流和研究的焦點。

 

2、 基于機器學(xué)習(xí)的剩余壽命預(yù)測

 

基于機器學(xué)習(xí)的設(shè)備剩余壽命預(yù)測主要思路：

通過機器學(xué)習(xí)擬合性能變量演化規(guī)律并通過滾動外推到失效閾值以預(yù)測失效時間,或直接建立監(jiān)測數(shù)據(jù)與失效時間的映射關(guān)系實現(xiàn)端到端的預(yù)測,基于此通過預(yù)測的失效時間減去當前運行時間得到剩余壽命的預(yù)測值。

 

本文重點結(jié)合最新的研究進展和大數(shù)據(jù)下剩余壽命預(yù)測的現(xiàn)實需求,對基于機器學(xué)習(xí)的剩余壽命預(yù)測技術(shù)發(fā)展動態(tài)和存在的問題進行分析。根據(jù)機器學(xué)習(xí)網(wǎng)絡(luò)模型結(jié)構(gòu)特點,這類方法主要分為基于淺層機器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法。

 

2.1基于淺層機器學(xué)習(xí)的剩余壽命預(yù)測

基于淺層機器學(xué)習(xí)的剩余壽命預(yù)測方法中的典型代表為神經(jīng)網(wǎng)絡(luò)、支持向量機等,具體發(fā)展動態(tài)分述如下：

 

1）神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是一種模擬人類中樞神經(jīng)系統(tǒng)組織結(jié)構(gòu)與信息處理機制的學(xué)習(xí)網(wǎng)絡(luò), 主要由輸入層、隱層和輸出層組成。神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織、自適應(yīng)以及強非線性映射擬合能力等優(yōu)點，因而在設(shè)備剩余壽命預(yù)測領(lǐng)域受到了學(xué)者們的廣泛關(guān)注。

 

2)支持向量機

支持向量機是由Cortes和Vapnik于1995年首次提出的,在小樣本和高維數(shù)據(jù)機器學(xué)習(xí)領(lǐng)域受到廣泛關(guān)注,主要原理是首先通過非線性變換將多維輸入向量映射到高維特征空間,然后在高維特征空間中構(gòu)造最優(yōu)超平面來實現(xiàn)樣本分類或回歸。

 

由于支持向量機能夠有效避免“維數(shù)災(zāi)難”問題, 且具有較好的泛化能力, 因而廣泛應(yīng)用于設(shè)備的剩余壽命預(yù)測中。

 

3)其他淺層模型

除了以上幾種常用的淺層模型外, 一些其他機器學(xué)習(xí)模型也被應(yīng)用到裝備的剩余壽命預(yù)測中, 如「極限學(xué)習(xí)機、貝葉斯網(wǎng)絡(luò)、隨機森林、梯度提升決策樹、基于案例的學(xué)習(xí)方法、基于案例的推理方法」等。

 

通過文獻總結(jié)分析可以發(fā)現(xiàn),雖然淺層神經(jīng)網(wǎng)絡(luò)訓(xùn)練相對比較容易,基于淺層機器學(xué)習(xí)方法實現(xiàn)設(shè)備剩余壽命預(yù)測的研究具有較長的歷史,但這類方法中采用的網(wǎng)絡(luò)結(jié)構(gòu)簡單、預(yù)測性能較多地依賴于專家先驗知識與信號處理技術(shù), 且難于量化剩余壽命預(yù)測結(jié)果的不確定性。

 

此外, 這類研究中較多的方法需借助人工經(jīng)驗與知識預(yù)先提取監(jiān)測數(shù)據(jù)中的關(guān)鍵信息并構(gòu)建退化指標, 因此退化指標的好壞將很大程度上決定淺層神經(jīng)網(wǎng)絡(luò)的預(yù)測性能。

 

在大數(shù)據(jù)時代, 設(shè)備退化特征愈發(fā)表現(xiàn)出耦合性、不確定性、非完整性等特點, 淺層機器學(xué)習(xí)算法自學(xué)習(xí)能力較弱, 難以自動處理和分析海量監(jiān)測數(shù)據(jù)。 因此, 大數(shù)據(jù)下剩余壽命預(yù)測的智能學(xué)習(xí)模型由 “淺”入 “深”、勢在必行。

 

2.2 基于深度學(xué)習(xí)的剩余壽命預(yù)測

深度學(xué)習(xí)作為一種大數(shù)據(jù)處理工具, 旨在模擬大腦學(xué)習(xí)過程, 構(gòu)建深度模型, 通過海量數(shù)據(jù)學(xué)習(xí)特征, 刻畫數(shù)據(jù)豐富的內(nèi)在信息, 最終提升建模精度。

 

深度學(xué)習(xí)當前已成功應(yīng)用于許多工程領(lǐng)域, 如圖像識別、自然語言處理、語音識別、故障診斷等, 同時在剩余壽命預(yù)測領(lǐng)域也嶄露頭角。

 

如圖1所示, 根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)的不同, 這類方法主要包括:基于深度自編碼器的方法、基于深度置信網(wǎng)絡(luò)的方法、基于卷積神經(jīng)網(wǎng)絡(luò)的方法、基于循環(huán)神經(jīng)網(wǎng)絡(luò)的方法以及多種網(wǎng)絡(luò)組合而成的混合網(wǎng)絡(luò)方法：

無論基于哪種深度網(wǎng)絡(luò)結(jié)構(gòu)形式, 其基本思想都是采用現(xiàn)有深度學(xué)習(xí)模型建立性能測試數(shù)據(jù)與剩余壽命標簽或退化標簽之間的潛在關(guān)系。

 

下面針對幾種典型的深度學(xué)習(xí)網(wǎng)絡(luò), 介紹其應(yīng)用于剩余壽命預(yù)測時的研究動態(tài)并分析當前研究存在的問題。

 

1)深度自編碼網(wǎng)絡(luò)

深度自編碼網(wǎng)絡(luò)是由多個自編碼器或降噪自編碼器堆疊組成的深度神經(jīng)網(wǎng)絡(luò)。 基于深度自編碼網(wǎng)絡(luò)的剩余壽命預(yù)測通過提取出原始數(shù)據(jù)的深層次特征, 然后通過邏輯回歸層或全連接層實現(xiàn)機械裝備的剩余壽命預(yù)測。

 

由于自編碼器是以重構(gòu)原始輸入為學(xué)習(xí)目標, 因而其學(xué)習(xí)到的特征對數(shù)據(jù)有更本質(zhì)的刻畫, 有利于提高預(yù)測精度, 且深度自編碼網(wǎng)絡(luò)能夠以無監(jiān)督學(xué)習(xí)方式逐層對網(wǎng)絡(luò)參數(shù)進行預(yù)訓(xùn)練, 將訓(xùn)練結(jié)果作為反向微調(diào)的初始值, 確保了網(wǎng)絡(luò)參數(shù)的在線更新, 在剩余壽命預(yù)測領(lǐng)域得到了廣泛的應(yīng)用。

 

2)深度置信網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)主要是由多個受限波爾茲曼機堆疊與一個分類層或回歸層組合形成的深度網(wǎng)絡(luò), 通過逐層預(yù)訓(xùn)練和反向精調(diào)策略解決深度模型普遍存在的訓(xùn)練困難問題, 不僅能實現(xiàn)數(shù)據(jù)從淺層到深層的特征表示與提取, 而且能發(fā)現(xiàn)輸入數(shù)據(jù)的分布式特征, 在深層特征提取方面獲得了廣泛的應(yīng)用。

 

3)卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)作為一類經(jīng)典的前饋神經(jīng)網(wǎng)絡(luò), 是由LeCun等首次提出并用于解決圖像處理問 題的, 主要由若干卷積層和池化層組成, 既能輸入 序列數(shù)據(jù), 也能處理網(wǎng)格化數(shù)據(jù), 在計算機視覺、語 音識別等領(lǐng)域應(yīng)用十分廣泛。針對設(shè)備性能監(jiān)測大數(shù)據(jù)的特點, 先后發(fā)展出了多種用于剩余壽命預(yù)測的卷積神經(jīng)網(wǎng)絡(luò)，主要包括「深度卷積神經(jīng)網(wǎng)絡(luò)、多層可分離卷積神經(jīng)網(wǎng)絡(luò)、多尺度卷積神經(jīng)網(wǎng)絡(luò)、聯(lián)合損失卷積神經(jīng)網(wǎng)絡(luò)」等。

 

相比于其他深度學(xué)習(xí)網(wǎng)絡(luò), 卷積神經(jīng)網(wǎng)絡(luò)能夠更有效地處理力信號、振動信號、聲發(fā)射信號、 光信號等高維原始數(shù)據(jù)， 可實現(xiàn)從監(jiān)測數(shù)據(jù)中自動提取退化特征信息, 適合處理監(jiān)測大數(shù)據(jù)且具有降噪的功能, 同時其網(wǎng)絡(luò)參數(shù)量相對較少, 訓(xùn)練更加方便高效, 因此易于構(gòu)建更深的網(wǎng)絡(luò)結(jié)構(gòu)。

 

然而, 隨機退化設(shè)備的監(jiān)測數(shù)據(jù)蘊含的健康特征往往是時序相關(guān)的, 而卷積神經(jīng)網(wǎng)絡(luò)在應(yīng)對大數(shù)據(jù)下時序特征提取能力不足, 容易造成重要時序特征的丟失，這對于剩余壽命預(yù)測是不利的, 因此卷積神經(jīng)網(wǎng)絡(luò)在應(yīng)用于剩余壽命預(yù)測時經(jīng)常與其他深度網(wǎng)絡(luò)組合使用。

 

4)循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)作為一類包含前饋連接與內(nèi)部反 饋連接的前饋神經(jīng)網(wǎng)絡(luò)， 主要用于處理具有相互依 賴特性的監(jiān)測向量序列，由于其特殊的網(wǎng)絡(luò)結(jié)構(gòu), 能夠保留隱含層上一時刻的狀態(tài)信息, 目前已經(jīng)在 剩余壽命預(yù)測領(lǐng)域得到廣泛的關(guān)注, 被應(yīng)用于鋰電 池系統(tǒng)、風(fēng)力發(fā)電設(shè)備、航空發(fā)動機等。

 

為解決循環(huán)神經(jīng)網(wǎng)絡(luò)通常存在 “記憶衰退”進而導(dǎo)致預(yù) 測偏差較大這一問題, 學(xué)者們對循環(huán)神經(jīng)網(wǎng)絡(luò)模型 進行了改進, 提出了一種長短期記憶(Long short term memory, LSTM)模型, 門結(jié)構(gòu)作為LSTM的 獨特結(jié)構(gòu), 能夠在最優(yōu)條件下確定出所通過信息特征, 在剩余壽命預(yù)測領(lǐng)域獲得了廣泛的應(yīng)用。

 

-5)混合深度網(wǎng)絡(luò)

 

基于混合深度網(wǎng)絡(luò)的方法可看作多個深度學(xué)習(xí)網(wǎng)絡(luò)以一定方式組合連接(如串聯(lián)、并聯(lián)等)用于彌補現(xiàn)有單一深度學(xué)習(xí)網(wǎng)絡(luò)的不足, 目前主要的混合形式包括「深度置信網(wǎng)絡(luò) + 前饋神經(jīng)網(wǎng)絡(luò)、受限玻爾茲曼機 + LSTM網(wǎng)絡(luò)、LSTM網(wǎng)絡(luò) + 卷積神經(jīng)網(wǎng)絡(luò)、LSTM網(wǎng)絡(luò) + 編碼−解碼模型、循環(huán)神經(jīng)網(wǎng)絡(luò) + 自編碼器、多損失編碼器 + 兩階段卷積神經(jīng)網(wǎng)絡(luò)」等。 這類方法主要通過繼承不同深度學(xué)習(xí)模型的優(yōu)勢, 進而期望實現(xiàn)取長補短、改善剩余壽命預(yù)測的效果。

 

需要說明的是, 基于深度學(xué)習(xí)的剩余壽命預(yù)測 研究正在蓬勃發(fā)展, 以上介紹到的文獻僅是冰山一 角。 通過對當前相關(guān)研究發(fā)展動態(tài)的分析不難發(fā)現(xiàn), 無論是傳統(tǒng)的基于淺層機器學(xué)習(xí)還是正在蓬勃發(fā)展 的基于深度學(xué)習(xí)的剩余壽命預(yù)測研究, 基本上都可 以歸結(jié)到兩種思路, 即基于退化量滾動預(yù)測和基于學(xué)習(xí)網(wǎng)絡(luò)建立監(jiān)測數(shù)據(jù)與失效時間端到端的映射。雖然在以上兩種思路下的剩余壽命預(yù)測方法研究快 速發(fā)展, 且都屬于數(shù)據(jù)驅(qū)動的方法。

 

但當前研究面對剩余壽命預(yù)測現(xiàn)實需求時主要存在以下有待解決的問題:

 

問題1

目前這些基于機器學(xué)習(xí)的剩余壽命預(yù)測研究, 基本上都是將其他領(lǐng)域應(yīng)用需求驅(qū)動下提出并發(fā)展起來的各種深度網(wǎng)絡(luò)直接應(yīng)用, 其網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)均是確定性的, 一般只能得到確定性的剩余壽命預(yù)測值, 很難得到能夠量化剩余壽命預(yù)測不確定性的概率分布。

 

造成以上問題的根本原因：所采用的學(xué)習(xí)網(wǎng)絡(luò)并不是針對剩余壽命預(yù)測的核心需求 設(shè)計的, 更多的是直接采用或借鑒其他任務(wù)需求下 發(fā)展起來的學(xué)習(xí)網(wǎng)絡(luò)。因此, 如何設(shè)計并發(fā)展面向 剩余壽命預(yù)測及其不確定性量化需求的專用學(xué)習(xí) 網(wǎng)絡(luò), 使得其能夠從監(jiān)測數(shù)據(jù)中學(xué)習(xí)到反映預(yù)測不 確定性的剩余壽命概率分布相關(guān)的信息, 是克服現(xiàn) 有研究發(fā)展瓶頸的根本途徑和有重要價值的研究 方向。

問題2

現(xiàn)有研究中通過學(xué)習(xí)網(wǎng)絡(luò)建立監(jiān)測數(shù)據(jù)與失效時間端到端映射以預(yù)測剩余壽命的思路, 其成功實現(xiàn)的前提是能夠獲取充分的同類設(shè)備失效時間數(shù)據(jù)以制作訓(xùn)練標簽。然而, 在工程實際中, 由于受到安全性與經(jīng)濟性等因素的限制, 設(shè)備運行至失效狀態(tài)是極其危險的, 一般在失效前對設(shè)備進行替換。在該情況下, 所能獲取的更多的是設(shè)備在服役過程中積累的大量狀態(tài)監(jiān)測數(shù)據(jù), 關(guān)于設(shè)備失效時間的數(shù)據(jù)幾乎沒有, 因而這類狀態(tài)監(jiān)測大數(shù)據(jù)大多屬于非全壽命周期類型。 盡管大數(shù)據(jù)背景下非全壽命周期數(shù)據(jù)包含了豐富的設(shè)備退化機制與壽命信息, 但由于失效數(shù)據(jù)匱乏將導(dǎo)致現(xiàn)有基于機器學(xué)習(xí)的剩余壽命預(yù)測方法中所需的壽命標簽難以制作(即零壽 命標簽問題), 由此為構(gòu)建監(jiān)測數(shù)據(jù)與剩余壽命之間端到端的映射關(guān)系帶來了極大的挑戰(zhàn)。 與此同時,基于退化量滾動預(yù)測的思路以退化量為標簽構(gòu)建預(yù)測模型, 能夠減少對壽命標簽數(shù)據(jù)的依賴, 但在實現(xiàn)過程中將本身存在誤差的退化量預(yù)測值作為預(yù)測模型輸入進行滾動預(yù)測, 容易造成預(yù)測誤差的累積,進而影響剩余壽命預(yù)測的準確性。

 

此外, 目前基于以上思路的剩余壽命預(yù)測研究主要針對完整監(jiān)測數(shù) 據(jù), 而對于圖2所示的 “碎片化、分段的、稀疏的”非完整監(jiān)測大數(shù)據(jù)與剩余壽命之間的映射關(guān)系鮮有研究。 因此, 零壽命標簽情形下如何通過非完整監(jiān)測大數(shù)據(jù)構(gòu)建隨機退化設(shè)備剩余壽命預(yù)測模型, 發(fā)展剩余壽命預(yù)測研究的新范式仍有待解決。

 

 

問題3

如前所述，剩余壽命預(yù)測是銜接設(shè)備健康狀態(tài)感知與基于狀態(tài)感知信息實現(xiàn)設(shè)備的個性化精準健康管理的橋梁，因此剩余壽命預(yù)測方法的可解釋性對于將預(yù)測結(jié)果用于設(shè)備的健康管理（如預(yù)測維護、備件訂購等）至關(guān)重要。

 

然而，現(xiàn)有基于機器學(xué)習(xí)的剩余壽命預(yù)測方法通過學(xué)習(xí)網(wǎng)絡(luò)建立監(jiān)測數(shù)據(jù)與剩余壽命之間的映射關(guān)系，監(jiān)測數(shù)據(jù)與剩余壽命之間的關(guān)系難以顯式表示，呈現(xiàn)“黑箱”特點，難以解釋設(shè)備退化失效機理。

 

此外，當前的研究較多地關(guān)注了剩余壽命預(yù)測的準確性，但機器學(xué)習(xí)模型中超參數(shù)的選擇對預(yù)測結(jié)果的準確性和魯棒性具有重要影響，預(yù)測的效果對調(diào)參技巧和經(jīng)驗有較大的依賴，而如何合理有效地選擇機器學(xué)習(xí)模型的超參數(shù)在機器學(xué)習(xí)領(lǐng)域本身就是一個極具挑戰(zhàn)性的問題。

 

綜合以上兩個方面可見，「發(fā)展具有可解釋性的基于機器學(xué)習(xí)的剩余壽命預(yù)測方法」，將有助于打通當前這類方法從理論研究到推廣應(yīng)用于設(shè)備健康管理的最后一公里。提高基于機器學(xué)習(xí)的剩余壽命預(yù)測方法的可解釋性的研究方向包括在學(xué)習(xí)網(wǎng)絡(luò)設(shè)計中考慮設(shè)備退化失效的機理知識、基于學(xué)習(xí)網(wǎng)絡(luò)從監(jiān)測數(shù)據(jù)中提取退化特征時將特征的趨勢性或單調(diào)性作為約束條件考慮、將超參數(shù)的選擇問題轉(zhuǎn)化為提升預(yù)測效果的優(yōu)化問題納入模型訓(xùn)練過程等。

 

3、 統(tǒng)計數(shù)據(jù)驅(qū)動的剩余壽命預(yù)測

 

傳統(tǒng)統(tǒng)計數(shù)據(jù)驅(qū)動的剩余壽命預(yù)測方法通過對設(shè)備失效時間數(shù)據(jù)統(tǒng)計分析, 構(gòu)造壽命T的分布函數(shù), 由此設(shè)備在t時刻的剩余壽命即為T-t|T＞t,z,其中z代表該類設(shè)備的事件數(shù)據(jù)集(主要指失效時間數(shù)據(jù)), 然后通過分布擬合得到壽命的概率分布, 再通過上述條件隨機變量的關(guān)系實現(xiàn)剩余壽命預(yù)測。

 

然而，隨著生產(chǎn)制造水平的不斷提升，設(shè)備的可靠性逐步提高，很難在短期內(nèi)（即使是加速條件下）獲得足夠多的失效數(shù)據(jù)或?qū)τ诎嘿F的設(shè)備獲取成本過高，而且這類方法沒有用到設(shè)備運行過程中的監(jiān)測數(shù)據(jù)，預(yù)測結(jié)果難以反映當前運行實際情況，由此導(dǎo)致難以實現(xiàn)個體服役設(shè)備的精準健康管理。

 

相比之下，隨著信息技術(shù)和傳感器技術(shù)的迅猛發(fā)展，通過設(shè)備性能退化變量的監(jiān)測數(shù)據(jù)，建立描述設(shè)備性能演化過程的隨機模型，便可預(yù)測設(shè)備剩余壽命，這類方法以概率統(tǒng)計理論為基礎(chǔ)，在隨機模型框架下建模性能退化變量演變規(guī)律，以概率分布的形式給出剩余壽命分布的表達式，不僅能得到剩余壽命的點估計，而且能描述預(yù)測的不確定性（方差、置信區(qū)間等各種不確定性量化指標），這對維修、替換、后勤保障等的科學(xué)決策極為重要，因而已成為國內(nèi)外研究的熱點。

 

根據(jù)建模過程中涉及的性能退化變量數(shù)目,主要分為單變量模型和多變量模型兩種情況：

 

單變量下隨機退化設(shè)備剩余壽命預(yù)測研究得到了廣泛關(guān)注和深入研究。

在工程實際中,設(shè)備存在運行工況、運行環(huán)境、運行負載多變等復(fù)雜運行模式,反映設(shè)備性能退化的變量往往不止一個且相互關(guān)聯(lián),呈現(xiàn)多性能退化變量的特點,表征設(shè)備健康狀態(tài)的性能退化指標往往并不唯一。①第1種是基于Copula函數(shù)的方法。其中,Copula函數(shù)是一種連接多維聯(lián)合分布與一維邊緣分布的特殊函數(shù),基于此函數(shù),多個相關(guān)退化量的聯(lián)合分布可以通過每個退化量的邊緣分布和Copula函數(shù)融合為一個整體分布。②第2種是基于信息融合的方法。這種方法的主要思路是在進行退化建模之前,首先根據(jù)多維數(shù)據(jù)之間的關(guān)系,通過優(yōu)化、加權(quán)、融合濾波等方式,將多維數(shù)據(jù)投影變換到一維數(shù)據(jù)上來,提取一個單變量復(fù)合性能指標,再應(yīng)用已有針對單變量的方法對此一維數(shù)據(jù)進行建模和預(yù)測。此類方法的優(yōu)點在于融合后的性能指標可以采用傳統(tǒng)針對單變量的退化建模和剩余壽命預(yù)測方法。

然而,在多維數(shù)據(jù)融合時其相互之間的關(guān)系一般難以界定,使得融合后的指標難以全面反映整個設(shè)備的退化,而且融合后的指標物理意義不明確,導(dǎo)致退化失效閾值的確定成為一個新的難題。

 

可以看出, 統(tǒng)計數(shù)據(jù)驅(qū)動方 法以概率統(tǒng)計理論為基礎(chǔ), 利用隨機模型對監(jiān)測數(shù) 據(jù)進行建模, 進而對剩余壽命進行推斷, 可以得到 剩余壽命的概率分布, 在量化剩余壽命預(yù)測不確定 性上具有天然優(yōu)勢, 且隨機模型參數(shù)與設(shè)備退化失 效過程緊密相關(guān)使得模型可解釋性較強(如反映退 化快慢的退化率參數(shù)、反映退化過程時變不確定性 的擴散系數(shù)等), 因此得到了可靠性領(lǐng)域?qū)W者的大力 推崇, 發(fā)展迅速。

 

但需要注意到的是, 無論是單變量 下還是多變量下, 這類方法主要針對圖2所示的完 整監(jiān)測數(shù)據(jù)且需要能夠從監(jiān)測數(shù)據(jù)中提取具有一定 統(tǒng)計特征的退化趨勢數(shù)據(jù)以實現(xiàn)參數(shù)化的演變軌跡建模。圖片然而, 在大數(shù)據(jù)時代, 通常采用傳感器網(wǎng)絡(luò)收 集多物理源信號以全面反映設(shè)備狀態(tài), 由于多源信 號差異大、采樣策略形式多, 數(shù)據(jù)價值密度低, 導(dǎo)致 數(shù)據(jù)質(zhì)量參差不齊, 現(xiàn)有統(tǒng)計數(shù)據(jù)驅(qū)動的方法從大 數(shù)據(jù)中提取退化特征信息如同大海撈針, 處理如 圖2所示的 “碎片化、分段的、稀疏的”監(jiān)測大數(shù)據(jù) 更是難上加難, 沒有良好統(tǒng)計特征的退化數(shù)據(jù)做輸 入, 這類方法必將迷失于浩瀚的數(shù)據(jù)海洋。

 

此外, 單變量下隨機退化設(shè)備剩余壽命預(yù)測研究試圖提取單 一特征表征設(shè)備健康狀態(tài)全貌的思路, 已與復(fù)雜運 行條件下設(shè)備健康狀態(tài)需從多維度表征的需求不相 適應(yīng), 而現(xiàn)有多變量下隨機退化設(shè)備剩余壽命預(yù)測 問題的研究基本都是試圖通過轉(zhuǎn)換為單變量情況再 來處理, 未充分考慮多性能退化變量相互耦合、相 互影響的機制, 多變量耦合導(dǎo)致的剩余壽命分布求 解難題仍未能得到有效解決。

 

因此, 針對大數(shù)據(jù)環(huán)境下隨機退化設(shè)備的剩余壽命預(yù)測問題, 發(fā)展新的理論和方法勢在必行。

 

4、 機器學(xué)習(xí)方法與統(tǒng)計數(shù)據(jù)驅(qū)動方法相結(jié)合的剩余壽命預(yù)測

 

通過第2節(jié)和第3節(jié)的文獻分析可以看出, 以深度學(xué)習(xí)為代表的機器學(xué)習(xí)方法在監(jiān)測大數(shù)據(jù)深層次特征自動提取、復(fù)雜結(jié)構(gòu)數(shù)據(jù)擬合、非線性映射等方面具有強大的處理能力, 但很難得到體現(xiàn)剩余壽命預(yù)測不確定性的概率分布, 這與其強大的數(shù)據(jù)處理能力和學(xué)習(xí)能力還不相匹配。

 

統(tǒng)計數(shù)據(jù)驅(qū)動的方法雖能得到剩余壽命的概率分布、在量化剩余壽命預(yù)測不確定性上具有天然優(yōu)勢, 但對具有多源信號差異大、采樣策略形式多、數(shù)據(jù)價值密度低、數(shù)據(jù)質(zhì)量參差不齊等特點的監(jiān)測大數(shù)據(jù)處理能力非常有限。

 

因此, 若能將機器學(xué)習(xí)方法與統(tǒng)計數(shù)據(jù)驅(qū)動方法相結(jié)合, 有望綜合兩者的優(yōu)勢、彌補各自局限性。

 

最近, 一些學(xué)者也開始了這方面的探索性研究。這些研究在做出了有益嘗試的同時, 還存在不 容忽視的局限性:

 

1)深度網(wǎng)絡(luò)用于特征提取而隨機模型用于建模特征實現(xiàn)剩余壽命的概率分布輸出, 但在實現(xiàn)過程中特征提取和模型建立是孤立進行的, 由此導(dǎo)致機器學(xué)習(xí)方法和統(tǒng)計數(shù)據(jù)驅(qū)動方法實際是簡單的組合關(guān)系, 提取的深度退化特征能否適應(yīng)并匹配所采用的隨機模型仍是問題, 因為在特征提取過程中并沒有考慮提取后采用何種形式的模型對其建模表征;

2)深度網(wǎng)絡(luò)通常可以從監(jiān)測大數(shù)據(jù)中提取深層次、多維度的退化特征，但以上方法通過指標篩選技術(shù)從多維度特征中選擇單個特征用于隨機退化建模，由此這類方法還存在第3節(jié)討論的所選單一特征難以表征設(shè)備健康狀態(tài)全貌、未考慮多變量耦合下剩余壽命分布求解等問題；

3)通過深度網(wǎng)絡(luò)從大數(shù)據(jù)中提取的退化特征實際上是虛擬退化指標, 物理意義不明確, 由此導(dǎo)致這些退化指標所對應(yīng)的失效閾值確定成為一個新的難題。

通過上述分析可見,若能綜合統(tǒng)計數(shù)據(jù)驅(qū)動方法在預(yù)測不確定性量化能力上的優(yōu)勢與機器學(xué)習(xí)方法在大數(shù)據(jù)處理能力上的優(yōu)勢,實現(xiàn)交互聯(lián)動、交叉融合、強強聯(lián)合,發(fā)展大數(shù)據(jù)環(huán)境下隨機退化設(shè)備剩余壽命預(yù)測新理論與新方法,有望為大數(shù)據(jù)時代設(shè)備剩余壽命預(yù)測與健康管理打造一把利器。

 

然而，現(xiàn)有為數(shù)不多的綜合機器學(xué)習(xí)方法和統(tǒng)計數(shù)據(jù)驅(qū)動方法的剩余壽命預(yù)測研究中，基于監(jiān)測數(shù)據(jù)的退化特征提取過程與所提取特征的隨機過程建模是孤立進行的，由此導(dǎo)致機器學(xué)習(xí)方法和統(tǒng)計數(shù)據(jù)驅(qū)動方法實際上是簡單的組合關(guān)系。此外，這些研究中提取退化特征的過程中主要關(guān)注了特征本身的特性（如單調(diào)性、趨勢性等），但如此提取的特征能否適應(yīng)并匹配所采用的隨機過程模型并不能保證。因此，「發(fā)展大數(shù)據(jù)下退化特征提取與隨機退化建模交互聯(lián)動的剩余壽命預(yù)測方法，將有助于形成大數(shù)據(jù)下剩余壽命預(yù)測研究的新模式。」

 

參考文獻：李天梅,司小勝,劉翔,等.大數(shù)據(jù)下數(shù)模聯(lián)動的隨機退化設(shè)備剩余壽命預(yù)測技術(shù)[J].自動化學(xué)報, 2022, 48(9):23.DOI:10.16383/j.aas.c201068.