源自：自動(dòng)化學(xué)報(bào)作者：李天梅 司小勝 劉翔 裴洪

摘要

面向大數(shù)據(jù)背景下隨機(jī)退化設(shè)備剩余壽命(Remaining useful life, RUL)預(yù)測(cè)的現(xiàn)實(shí)需求, 結(jié)合隨機(jī)退化設(shè)備監(jiān)測(cè)大數(shù)據(jù)特點(diǎn)及剩余壽命預(yù)測(cè)不確定性量化這一核心問(wèn)題, 深入分析了機(jī)理模型與數(shù)據(jù)混合驅(qū)動(dòng)的剩余壽命預(yù)測(cè)技術(shù)、基于機(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)技術(shù)、統(tǒng)計(jì)數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)技術(shù)以及機(jī)器學(xué)習(xí)和統(tǒng)計(jì)數(shù)據(jù)驅(qū)動(dòng)相結(jié)合的剩余壽命預(yù)測(cè)技術(shù)的基本研究思想和發(fā)展動(dòng)態(tài), 剖析了當(dāng)前研究存在的局限性和共性難題. 針對(duì)存在的局限性和共性難題, 以多源傳感監(jiān)測(cè)大數(shù)據(jù)下剩余壽命預(yù)測(cè)問(wèn)題為例, 提出了一種數(shù)模聯(lián)動(dòng)的大數(shù)據(jù)下隨機(jī)退化設(shè)備剩余壽命預(yù)測(cè)解決思路, 并通過(guò)航空發(fā)動(dòng)機(jī)多源監(jiān)測(cè)數(shù)據(jù)初步驗(yàn)證了該思路的可行性和有效性. 最后, 借鑒數(shù)模聯(lián)動(dòng)思路, 綜合考慮機(jī)器學(xué)習(xí)方法和統(tǒng)計(jì)數(shù)據(jù)驅(qū)動(dòng)方法的優(yōu)勢(shì), 緊緊扭住大數(shù)據(jù)背景下隨機(jī)退化設(shè)備剩余壽命預(yù)測(cè)不確定性量化問(wèn)題, 提出了大數(shù)據(jù)背景下深度學(xué)習(xí)與隨機(jī)退化建模交互聯(lián)動(dòng)、監(jiān)測(cè)大數(shù)據(jù)與剩余壽命及其預(yù)測(cè)不確定性映射機(jī)制、非理想大數(shù)據(jù)下的剩余壽命預(yù)測(cè)等亟待解決的關(guān)鍵科學(xué)問(wèn)題.

關(guān)鍵詞

大數(shù)據(jù)/ 剩余壽命預(yù)測(cè)/ 數(shù)模聯(lián)動(dòng)/ 深度學(xué)習(xí)/ 隨機(jī)退化建模

高速列車、航空航天裝備、導(dǎo)彈武器、風(fēng)電裝備、工業(yè)機(jī)器人、石化裝備等現(xiàn)代裝備在功能不斷提升的同時(shí), 正逐漸趨于大型化、多元化和集成化, 這類裝備多是由機(jī)械傳動(dòng)系統(tǒng)、電磁驅(qū)動(dòng)系統(tǒng)、運(yùn)動(dòng)控制系統(tǒng)、信息傳感系統(tǒng)等耦合組成的復(fù)雜系統(tǒng), 其服役過(guò)程受變環(huán)境、變載荷、變工況、大擾動(dòng)和強(qiáng)沖擊等因素影響, 整體及關(guān)鍵部件性能將發(fā)生不可避免的退化, 一旦因設(shè)備性能退化造成最終失效, 將會(huì)造成巨大的人員傷亡和財(cái)產(chǎn)損失. 例如, 2014年8月2日發(fā)生在我國(guó)江蘇省昆山市的重大鋁粉塵爆炸事故, 共造成97人死亡、163人受傷, 直接經(jīng)濟(jì)損失達(dá)到3.51億元, 事后調(diào)查表明: 除塵器維護(hù)不足而造成集塵桶銹蝕退化破損是主要技術(shù)原因. 2017年7月發(fā)生在美國(guó)密西西比州的美國(guó)海軍陸戰(zhàn)隊(duì)KC-130運(yùn)輸機(jī)墜毀事件, 造成機(jī)上16名軍人全部遇難, 該事故的調(diào)查結(jié)果表明發(fā)動(dòng)機(jī)螺旋槳性能退化是造成飛機(jī)墜毀的主要原因. 因此, 若能在設(shè)備性能退化初期, 尤其在尚未造成重大危害時(shí), 根據(jù)狀態(tài)監(jiān)測(cè)信息, 及時(shí)發(fā)現(xiàn)異?；蚨吭u(píng)價(jià)設(shè)備健康狀態(tài)并預(yù)測(cè)其剩余壽命(Remaining useful life, RUL), 據(jù)此對(duì)設(shè)備實(shí)施健康管理, 對(duì)于切實(shí)保障復(fù)雜設(shè)備的運(yùn)行安全性、可靠性與經(jīng)濟(jì)性具有重要意義. 其中, 剩余壽命預(yù)測(cè)是連接系統(tǒng)運(yùn)行狀態(tài)信息感知與基于運(yùn)行狀態(tài)實(shí)現(xiàn)個(gè)性化精準(zhǔn)健康管理的紐帶和關(guān)鍵, 在過(guò)去十余年得到了長(zhǎng)足的發(fā)展, 主要技術(shù)方法包括失效機(jī)理分析方法、數(shù)據(jù)驅(qū)動(dòng)的方法、機(jī)理模型和數(shù)據(jù)混合驅(qū)動(dòng)方法, 如圖1所示. 基于失效機(jī)理分析的方法主要通過(guò)構(gòu)建描述設(shè)備失效機(jī)理的數(shù)學(xué)模型, 結(jié)合特定設(shè)備的經(jīng)驗(yàn)知識(shí)和缺陷增長(zhǎng)方程實(shí)現(xiàn)設(shè)備的剩余壽命預(yù)測(cè). 由于實(shí)際工程設(shè)備本身的復(fù)雜性、任務(wù)與運(yùn)行環(huán)境的多樣性,其健康狀態(tài)演化規(guī)律通常難以物理機(jī)理建?；蛘攉@得失效機(jī)理模型的代價(jià)過(guò)高, 導(dǎo)致失效機(jī)理方法及機(jī)理模型和數(shù)據(jù)混合驅(qū)動(dòng)方法存在推廣應(yīng)用難的問(wèn)題. 因此, 數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)技術(shù)已成為國(guó)際上可靠性工程和自動(dòng)化技術(shù)領(lǐng)域的研究前沿, 過(guò)去十余年中得到了長(zhǎng)足發(fā)展, 在航空航天、軍事、工業(yè)制造等領(lǐng)域具有極其重要的應(yīng)用.

圖1剩余壽命預(yù)測(cè)方法體系

伴隨著先進(jìn)傳感技術(shù)的快速發(fā)展, 工程設(shè)備健康狀態(tài)感知手段日益豐富, 為設(shè)備運(yùn)行監(jiān)測(cè)大數(shù)據(jù)的獲取提供了更多的可能. 因此, 數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)技術(shù)發(fā)展迎來(lái)了新的契機(jī), 針對(duì)大數(shù)據(jù)處理的隨機(jī)退化設(shè)備剩余壽命預(yù)測(cè)問(wèn)題得到了大量學(xué)者的關(guān)注, 相關(guān)技術(shù)蓬勃發(fā)展. 在此背景下, 本文的主要目的在于面向大數(shù)據(jù)背景下隨機(jī)退化設(shè)備剩余壽命預(yù)測(cè)的現(xiàn)實(shí)需求, 通過(guò)分析當(dāng)前剩余壽命預(yù)測(cè)技術(shù)的發(fā)展動(dòng)態(tài), 旨在探究該領(lǐng)域亟待解決的關(guān)鍵問(wèn)題和新的發(fā)展方向. 為此, 第1節(jié)首先結(jié)合數(shù)據(jù)特點(diǎn)對(duì)大數(shù)據(jù)下剩余壽命預(yù)測(cè)的研究背景、主要方法及思路、核心問(wèn)題等進(jìn)行了概述. 第2 ~ 5節(jié)分別分析了機(jī)理模型與數(shù)據(jù)混合驅(qū)動(dòng)的剩余壽命預(yù)測(cè)技術(shù)、基于機(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)技術(shù)、統(tǒng)計(jì)數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)技術(shù)以及機(jī)器學(xué)習(xí)和統(tǒng)計(jì)數(shù)據(jù)驅(qū)動(dòng)相結(jié)合的剩余壽命預(yù)測(cè)技術(shù)的基本研究思想和發(fā)展動(dòng)態(tài), 同時(shí)結(jié)合隨機(jī)退化設(shè)備監(jiān)測(cè)大數(shù)據(jù)特點(diǎn)以及剩余壽命預(yù)測(cè)不確定性量化這一核心問(wèn)題, 深入剖析了當(dāng)前研究存在的局限性和共性難題. 第6節(jié)針對(duì)當(dāng)前研究存在的局限性, 提出了一種多源傳感監(jiān)測(cè)大數(shù)據(jù)下數(shù)模聯(lián)動(dòng)的隨機(jī)退化設(shè)備剩余壽命預(yù)測(cè)問(wèn)題解決思路(簡(jiǎn)稱為數(shù)模聯(lián)動(dòng), 這里需要說(shuō)明的是, “數(shù)”是指數(shù)據(jù)退化特征提取, “?！笔侵杆崛⊥嘶卣鲿r(shí)變演化過(guò)程隨機(jī)建模), 通過(guò)構(gòu)建優(yōu)化目標(biāo)函數(shù)實(shí)現(xiàn)數(shù)據(jù)特征提取與所提取特征時(shí)變演化過(guò)程隨機(jī)建模的“聯(lián)動(dòng)”, 并通過(guò)航空發(fā)動(dòng)機(jī)多源監(jiān)測(cè)數(shù)據(jù)初步驗(yàn)證了該思路的可行性和有效性. 第7節(jié)借鑒數(shù)模聯(lián)動(dòng)思路, 圍繞大數(shù)據(jù)背景下隨機(jī)退化設(shè)備剩余壽命預(yù)測(cè)不確定性量化這一核心問(wèn)題, 探討并提出了大數(shù)據(jù)背景下深度學(xué)習(xí)與隨機(jī)退化建模交互聯(lián)動(dòng)、監(jiān)測(cè)大數(shù)據(jù)與剩余壽命及其預(yù)測(cè)不確定性映射機(jī)制、非理想大數(shù)據(jù)下的剩余壽命預(yù)測(cè)等亟待解決的關(guān)鍵科學(xué)問(wèn)題. 第8節(jié)總結(jié)全文.

1.大數(shù)據(jù)下剩余壽命預(yù)測(cè)問(wèn)題概述

近年來(lái), 隨著無(wú)線傳感、物聯(lián)網(wǎng)等技術(shù)快速興起與普及, 各式傳感器猶如一張龐大的神經(jīng)網(wǎng)絡(luò)密布在裝備內(nèi)部, 實(shí)時(shí)感知裝備的一舉一動(dòng), 推動(dòng)剩余壽命預(yù)測(cè)進(jìn)入“大數(shù)據(jù)” 時(shí)代. 例如, 軍事裝備在國(guó)家戰(zhàn)略安全中具有不可替代的特殊地位, 其各子系統(tǒng)的安全可靠運(yùn)行舉足輕重, 必須依靠狀態(tài)監(jiān)測(cè)、剩余壽命預(yù)測(cè)以及預(yù)測(cè)維護(hù)等理論與方法保駕護(hù)航. 由于需要監(jiān)測(cè)的軍事裝備群規(guī)模大、每個(gè)裝備需監(jiān)測(cè)參量多、數(shù)據(jù)采樣頻率高、服役時(shí)間長(zhǎng), 所以獲取了海量監(jiān)測(cè)數(shù)據(jù): 一個(gè)現(xiàn)代航空發(fā)動(dòng)機(jī), 每10毫秒就能生成幾百個(gè)傳感器信息, 每次飛行能產(chǎn)生TB級(jí)的運(yùn)行監(jiān)測(cè)數(shù)據(jù); 現(xiàn)代化工業(yè)制造生產(chǎn)線安裝有數(shù)以萬(wàn)計(jì)的各型傳感器來(lái)監(jiān)測(cè)工業(yè)裝備的運(yùn)行過(guò)程信息及產(chǎn)品質(zhì)量信息, 比如大型工業(yè)機(jī)器人制造商利用云平臺(tái)監(jiān)控著百萬(wàn)臺(tái)工業(yè)機(jī)器人, 實(shí)時(shí)獲取機(jī)器人每個(gè)運(yùn)動(dòng)關(guān)節(jié)的轉(zhuǎn)速、角度、位置、溫度、振動(dòng)等信號(hào), 每天需要對(duì)TB級(jí)以上的數(shù)據(jù)進(jìn)行處理. 然而, 這些監(jiān)測(cè)大數(shù)據(jù)在為設(shè)備健康狀態(tài)感知及剩余壽命預(yù)測(cè)提供豐富信息的同時(shí), 由于設(shè)備工況多變、多源信號(hào)差異大、采樣策略形式多、信息之間相互耦合、數(shù)據(jù)價(jià)值密度低, 導(dǎo)致數(shù)據(jù)質(zhì)量參差不齊, 狀態(tài)監(jiān)測(cè)大數(shù)據(jù)呈現(xiàn)不同的統(tǒng)計(jì)特性. 根據(jù)監(jiān)測(cè)數(shù)據(jù)呈現(xiàn)的特點(diǎn),圖2給出了完整監(jiān)測(cè)大數(shù)據(jù)和非完整監(jiān)測(cè)大數(shù)據(jù)(具有碎片化、分段的、稀疏性等特征)的示例.

圖2完整的、碎片化的、稀疏的監(jiān)測(cè)大數(shù)據(jù)示例

這里完整監(jiān)測(cè)大數(shù)據(jù)主要針對(duì)運(yùn)行模式比較固定的隨機(jī)退化設(shè)備(如軸承、齒輪等), 能夠?qū)崿F(xiàn)不間斷連續(xù)監(jiān)測(cè), 監(jiān)測(cè)大數(shù)據(jù)涵蓋了設(shè)備從開(kāi)始運(yùn)行到失效比較完整的狀態(tài)數(shù)據(jù), 而非完整監(jiān)測(cè)大數(shù)據(jù)主要針對(duì)受經(jīng)濟(jì)條件及現(xiàn)實(shí)監(jiān)測(cè)條件限制的隨機(jī)退化設(shè)備(如航空發(fā)動(dòng)機(jī)、渦輪泵、配電電池等), 對(duì)這類設(shè)備進(jìn)行連續(xù)監(jiān)測(cè)采樣是不現(xiàn)實(shí)的, 只能間歇性地對(duì)其監(jiān)測(cè), 得到的狀態(tài)監(jiān)測(cè)大數(shù)據(jù)表現(xiàn)出一定的“碎片化、分段、稀疏”等特點(diǎn). 因此, 當(dāng)剩余壽命預(yù)測(cè)進(jìn)入大數(shù)據(jù)時(shí)代, 如何根據(jù)監(jiān)測(cè)大數(shù)據(jù)呈現(xiàn)出的不同特點(diǎn), 充分分析利用豐富的監(jiān)測(cè)大數(shù)據(jù)資源, 從浩如煙海的數(shù)據(jù)中進(jìn)行“沙里淘金”, 深度挖掘出反映設(shè)備健康狀態(tài)的信息并據(jù)此進(jìn)行剩余壽命預(yù)測(cè), 是隨機(jī)退化設(shè)備剩余壽命預(yù)測(cè)領(lǐng)域亟需解決的關(guān)鍵問(wèn)題.

數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)方法基于設(shè)備運(yùn)行監(jiān)測(cè)數(shù)據(jù), 通過(guò)擬合設(shè)備性能變量演化規(guī)律并外推到失效閾值, 或建立監(jiān)測(cè)數(shù)據(jù)與失效時(shí)間的映射關(guān)系, 以實(shí)現(xiàn)剩余壽命預(yù)測(cè), 為大數(shù)據(jù)背景下隨機(jī)退化設(shè)備剩余壽命預(yù)測(cè)提供了可行的技術(shù)思路. 然而, 剩余壽命指當(dāng)前時(shí)刻到系統(tǒng)失效時(shí)刻的有效時(shí)間間隔, 因此剩余壽命預(yù)測(cè)實(shí)際上是根據(jù)當(dāng)前得到的監(jiān)測(cè)信息, 對(duì)系統(tǒng)將來(lái)失效事件的預(yù)測(cè), 其預(yù)測(cè)結(jié)果不可避免的具有不確定性. van Asselt等從哲學(xué)和認(rèn)識(shí)論的角度討論了預(yù)測(cè)的不確定性處理問(wèn)題, 指出預(yù)測(cè)結(jié)果具有不確定性是學(xué)術(shù)界的共識(shí), 也是當(dāng)今時(shí)代的特征. 聯(lián)合攻擊機(jī)F-35項(xiàng)目組研究人員Hess等和Smith等、壽命預(yù)測(cè)領(lǐng)域代表性學(xué)者馬里蘭大學(xué)先進(jìn)生命周期工程中心Pecht教授等、可靠性領(lǐng)域知名期刊Quality and Reliability Engineering International主編Brombacher教授通過(guò)各種事例強(qiáng)調(diào)了預(yù)測(cè)不確定性的量化是剩余壽命預(yù)測(cè)從理論到應(yīng)用轉(zhuǎn)化的核心. 美國(guó)國(guó)家航空航天局(National Aeronautics and Space Administration, NASA)預(yù)測(cè)與健康管理中心研究規(guī)劃中也將剩余壽命預(yù)測(cè)不確定性的管理列為了中心發(fā)展路線圖的重要研究?jī)?nèi)容. 由此可見(jiàn), 預(yù)測(cè)不確定性的量化是數(shù)據(jù)驅(qū)動(dòng)隨機(jī)退化設(shè)備剩余壽命預(yù)測(cè)領(lǐng)域的一個(gè)核心問(wèn)題, 也是解決“敢用、能用” 剩余壽命預(yù)測(cè)理論技術(shù)實(shí)現(xiàn)實(shí)際工程設(shè)備個(gè)性化精準(zhǔn)健康管理、保障設(shè)備長(zhǎng)周期安全可靠運(yùn)行的關(guān)鍵所在.

隨著信息技術(shù)和傳感器技術(shù)的迅猛發(fā)展, 數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)技術(shù)由于適用范圍廣、容易實(shí)現(xiàn)、無(wú)需深入專業(yè)機(jī)理知識(shí)等優(yōu)點(diǎn), 作為其中典型代表的機(jī)器學(xué)習(xí)方法和統(tǒng)計(jì)數(shù)據(jù)驅(qū)動(dòng)方法已獲得了大量研究和蓬勃發(fā)展, 得到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注, 相關(guān)技術(shù)已經(jīng)在導(dǎo)彈武器、航空航天、風(fēng)力發(fā)電、工業(yè)制造等領(lǐng)域產(chǎn)生了重要應(yīng)用[14-16]. 盡管以機(jī)器學(xué)習(xí)方法和統(tǒng)計(jì)數(shù)據(jù)驅(qū)動(dòng)方法為典型代表的數(shù)據(jù)驅(qū)動(dòng)隨機(jī)退化設(shè)備剩余壽命預(yù)測(cè)已獲得了大量研究和蓬勃發(fā)展, 但已有理論與方法在大數(shù)據(jù)背景下隨機(jī)退化設(shè)備剩余壽命預(yù)測(cè)及其預(yù)測(cè)不確定性量化這一核心問(wèn)題上, 仍然沒(méi)有系統(tǒng)有效的解決方法, 主要體現(xiàn)在統(tǒng)計(jì)數(shù)據(jù)驅(qū)動(dòng)方法處理大數(shù)據(jù)能力不足, 而機(jī)器學(xué)習(xí)方法量化預(yù)測(cè)不確定性能力不足. 因此, 通過(guò)對(duì)大數(shù)據(jù)背景下剩余壽命預(yù)測(cè)研究發(fā)展脈絡(luò)的探究, 深入剖析當(dāng)前研究存在的瓶頸問(wèn)題, 對(duì)于促進(jìn)隨機(jī)退化設(shè)備剩余壽命預(yù)測(cè)技術(shù)的發(fā)展具有重要意義. 在第2 ~ 5節(jié), 將針對(duì)當(dāng)前大數(shù)據(jù)背景下剩余壽命預(yù)測(cè)典型解決思路的研究動(dòng)態(tài)和存在的問(wèn)題進(jìn)行具體的分析.

2.機(jī)理模型與數(shù)據(jù)混合驅(qū)動(dòng)的剩余壽命預(yù)測(cè)

基于機(jī)理模型的方法主要是依據(jù)失效機(jī)理構(gòu)建描述設(shè)備退化過(guò)程的參數(shù)化數(shù)學(xué)模型, 結(jié)合設(shè)備的設(shè)計(jì)試驗(yàn)數(shù)據(jù)或經(jīng)驗(yàn)知識(shí)辨識(shí)數(shù)學(xué)模型參數(shù), 進(jìn)而基于狀態(tài)監(jiān)測(cè)數(shù)據(jù)更新機(jī)理模型參數(shù)實(shí)現(xiàn)設(shè)備的剩余壽命預(yù)測(cè). 典型的參數(shù)識(shí)別與更新方法包括: 卡爾曼濾波[17-19]、粒子濾波[20-21]和貝葉斯方法[22-23]等. 常見(jiàn)的用于剩余壽命預(yù)測(cè)的機(jī)理模型包括: Paris模型、Forman模型以及在其基礎(chǔ)上的各種改進(jìn)和擴(kuò)展模型, 主要用以描述裂紋擴(kuò)展和層裂增長(zhǎng)[24-25]. 例如, Li等[26-27]基于Paris模型, 建立了缺陷增長(zhǎng)率與缺陷面積及材料常數(shù)的映射關(guān)系, 以預(yù)測(cè)滾動(dòng)軸承的剩余壽命; Li等[28]提出了Paris裂紋擴(kuò)展模型, 根據(jù)裂紋尺寸和動(dòng)態(tài)載荷預(yù)測(cè)齒輪的剩余使用壽命; Liang等[29]研究了基于Paris模型的滾珠軸承剩余使用壽命自適應(yīng)預(yù)測(cè)方法, 即使在缺乏先驗(yàn)信息且缺陷增長(zhǎng)為時(shí)變的情況下, 也能獲得可靠的預(yù)測(cè)結(jié)果. Oppenheimer等[30]利用線彈性斷裂力學(xué), 對(duì)轉(zhuǎn)軸建立了基于Forman裂紋擴(kuò)展的壽命模型; 針對(duì)層裂增長(zhǎng)故障, Marble等[31]開(kāi)發(fā)了一種渦輪發(fā)動(dòng)機(jī)軸承的層裂增長(zhǎng)預(yù)測(cè)模型, 能夠根據(jù)工況估計(jì)層裂增長(zhǎng)軌跡和故障時(shí)間, 并利用診斷反饋進(jìn)行自調(diào)整, 降低了預(yù)測(cè)不確定性; Choi等[32]考慮了由于裂紋形成和磨粒磨損引起的層裂增長(zhǎng)現(xiàn)象, 提出了滾動(dòng)接觸的層裂增長(zhǎng)壽命模型. 在充分理解失效機(jī)理并得到準(zhǔn)確的模型估計(jì)參數(shù)后, 基于機(jī)理模型的方法能夠?qū)崿F(xiàn)對(duì)剩余使用壽命的精確預(yù)測(cè). 然而, 以上現(xiàn)有基于機(jī)理模型的剩余壽命預(yù)測(cè)方法未能結(jié)合實(shí)際運(yùn)行設(shè)備的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù), 難以準(zhǔn)確反映設(shè)備當(dāng)前運(yùn)行的實(shí)際狀態(tài), 特別是在設(shè)備運(yùn)行環(huán)境、運(yùn)行工況發(fā)生變化時(shí), 若不能利用實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)對(duì)模型進(jìn)行更新, 將產(chǎn)生較大的預(yù)測(cè)偏差.

為了使得機(jī)理模型能夠更好地建模實(shí)際服役個(gè)體設(shè)備的性能演變過(guò)程, 將設(shè)備實(shí)時(shí)運(yùn)行監(jiān)測(cè)數(shù)據(jù)與機(jī)理模型進(jìn)行混合, 將有助于實(shí)現(xiàn)剩余壽命預(yù)測(cè)準(zhǔn)確性的提升. 因此, 機(jī)理模型與數(shù)據(jù)混合驅(qū)動(dòng)的剩余壽命預(yù)測(cè)方法也得到了較多的關(guān)注和發(fā)展[4]. 最近該方面的研究包括Liao等[33]、Wang等[34]的論文, 這些研究分別針對(duì)鋰電池系統(tǒng)和旋轉(zhuǎn)機(jī)械設(shè)備, 提出了機(jī)理模型與數(shù)據(jù)混合驅(qū)動(dòng)的剩余壽命預(yù)測(cè)方法. 根據(jù)機(jī)理模型與數(shù)據(jù)混合驅(qū)動(dòng)實(shí)現(xiàn)方式不同, 可將這類混合驅(qū)動(dòng)的剩余壽命預(yù)測(cè)方法分為兩大類: 1)基于監(jiān)測(cè)數(shù)據(jù)構(gòu)建機(jī)理模型所刻畫(huà)退化狀態(tài)的測(cè)量模型, 運(yùn)用卡爾曼濾波、粒子濾波等方法估計(jì)退化狀態(tài)和機(jī)理模型參數(shù), 然后通過(guò)機(jī)理模型預(yù)測(cè)設(shè)備的剩余壽命[12,35]; 2)首先分別基于數(shù)據(jù)和機(jī)理模型進(jìn)行設(shè)備的剩余壽命預(yù)測(cè), 然后利用決策層融合方法實(shí)現(xiàn)集成基于數(shù)據(jù)和基于機(jī)理模型的剩余壽命預(yù)測(cè)[36-37]. 以上兩類機(jī)理模型與數(shù)據(jù)混合驅(qū)動(dòng)實(shí)現(xiàn)剩余壽命預(yù)測(cè)的方式各具優(yōu)勢(shì): 第1種方式能夠充分考慮退化狀態(tài)難以直接測(cè)量的實(shí)際, 在考慮監(jiān)測(cè)數(shù)據(jù)中測(cè)量噪聲的情況下, 可實(shí)現(xiàn)隱含退化狀態(tài)的估計(jì)和機(jī)理模型參數(shù)的更新, 使得最終的預(yù)測(cè)結(jié)果能夠更準(zhǔn)確地反映設(shè)備當(dāng)前的實(shí)際狀態(tài); 第2種方式實(shí)現(xiàn)過(guò)程相對(duì)簡(jiǎn)單獨(dú)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(shì), 有助于提升預(yù)測(cè)結(jié)果的魯棒性.

雖然基于機(jī)理模型的方法和機(jī)理模型與數(shù)據(jù)混合驅(qū)動(dòng)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(jī)理模型. 隨著當(dāng)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(jī)理建?；蛘攉@得失效機(jī)理模型的成本過(guò)高. 現(xiàn)有研究中通過(guò)物理機(jī)理分析、理化分析、實(shí)驗(yàn)分析等手段獲取的機(jī)理模型主要針對(duì)特定材料或?qū)ο? 這一點(diǎn)也可以通過(guò)當(dāng)前機(jī)理模型的種類相當(dāng)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(guò)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(dòng)的剩余壽命預(yù)測(cè)方法成為當(dāng)前的主流和研究的焦點(diǎn).

3.基于機(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)

基于機(jī)器學(xué)習(xí)的設(shè)備剩余壽命預(yù)測(cè)主要思路是通過(guò)機(jī)器學(xué)習(xí)擬合性能變量演化規(guī)律并通過(guò)滾動(dòng)外推到失效閾值以預(yù)測(cè)失效時(shí)間, 或直接建立監(jiān)測(cè)數(shù)據(jù)與失效時(shí)間的映射關(guān)系實(shí)現(xiàn)端到端的預(yù)測(cè), 基于此通過(guò)預(yù)測(cè)的失效時(shí)間減去當(dāng)前運(yùn)行時(shí)間得到剩余壽命的預(yù)測(cè)值. 裴洪等[38]和Khan等[39]分別綜述了機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法在剩余壽命預(yù)測(cè)與健康管理領(lǐng)域的研究應(yīng)用現(xiàn)狀. 為區(qū)別于以上綜述中介紹的工作, 本文重點(diǎn)結(jié)合最新的研究進(jìn)展和大數(shù)據(jù)下剩余壽命預(yù)測(cè)的現(xiàn)實(shí)需求, 對(duì)基于機(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)技術(shù)發(fā)展動(dòng)態(tài)和存在的問(wèn)題進(jìn)行分析. 根據(jù)機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型結(jié)構(gòu)特點(diǎn), 這類方法主要分為基于淺層機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法.

3.1

基于淺層機(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)

基于淺層機(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)方法中的典型代表為神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等, 具體發(fā)展動(dòng)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(jī)制的學(xué)習(xí)網(wǎng)絡(luò), 主要由輸入層、隱層和輸出層組成[40]. 神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織、自適應(yīng)以及強(qiáng)非線性映射擬合能力等優(yōu)點(diǎn)[41-42], 因而在設(shè)備剩余壽命預(yù)測(cè)領(lǐng)域受到了學(xué)者們的廣泛關(guān)注[43-45]. 早在2004年, Gebraeel等[46]就將單隱層前饋神經(jīng)網(wǎng)絡(luò)用于機(jī)械設(shè)備振動(dòng)信號(hào)建模, 通過(guò)外推至失效閾值實(shí)現(xiàn)剩余壽命預(yù)測(cè). Mahamad等[47]通過(guò)改進(jìn)前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法, 將改進(jìn)后的網(wǎng)絡(luò)用于旋轉(zhuǎn)機(jī)械的壽命預(yù)測(cè). Lim等[48]采用特征時(shí)序直方圖法從多源監(jiān)測(cè)數(shù)據(jù)中提取了具有局部趨勢(shì)性的退化指標(biāo), 然后將這些退化指標(biāo)輸入到多層感知機(jī)中去預(yù)測(cè)航空發(fā)動(dòng)機(jī)的剩余壽命. Drouillet等[49]將單隱層前饋神經(jīng)網(wǎng)絡(luò)用于高速銑刀剩余壽命預(yù)測(cè). Ahmadzadeh[50]等使用多層感知機(jī)去預(yù)測(cè)研磨機(jī)剩余壽命. Zhang等[51]基于小波包分解、快速傅里葉變換和反向傳播神經(jīng)網(wǎng)絡(luò)構(gòu)建了鼓風(fēng)機(jī)剩余壽命預(yù)測(cè)模型. 徐東輝[52]提出了多類神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)的方法, 利用改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)和非線性自回歸神經(jīng)網(wǎng)絡(luò)兩個(gè)單項(xiàng)預(yù)測(cè)模型進(jìn)行預(yù)測(cè), 并且借助于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對(duì)兩個(gè)單項(xiàng)模型的預(yù)測(cè)值進(jìn)行非線性組合, 實(shí)現(xiàn)了剩余壽命預(yù)測(cè). 楊洋[53]研究了一種基于自回歸移動(dòng)平均和后向傳播神經(jīng)網(wǎng)絡(luò)組合模型的鋰電池壽命預(yù)測(cè)方法, 有效結(jié)合了兩者在短期預(yù)測(cè)方面與非線性擬合方面的優(yōu)勢(shì). 在最新的研究中, Bektas等[54]通過(guò)引入傳感器選擇、數(shù)據(jù)歸一化、特征提取等數(shù)據(jù)預(yù)處理技術(shù), 將預(yù)處理后的數(shù)據(jù)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò), 提出了一種基于神經(jīng)網(wǎng)絡(luò)和相似性的剩余壽命預(yù)測(cè)方法. Li等[55]利用監(jiān)測(cè)數(shù)據(jù)訓(xùn)練了多個(gè)神經(jīng)網(wǎng)絡(luò), 基于加權(quán)平均思想提出了一種基于集成網(wǎng)絡(luò)的剩余壽命預(yù)測(cè)方法.

2)支持向量機(jī)

支持向量機(jī)是由Cortes[56]和Vapnik[57]于1995年首次提出的, 在小樣本和高維數(shù)據(jù)機(jī)器學(xué)習(xí)領(lǐng)域受到廣泛關(guān)注, 主要原理是首先通過(guò)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(lái)實(shí)現(xiàn)樣本分類或回歸. 由于支持向量機(jī)能夠有效避免“維數(shù)災(zāi)難”問(wèn)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(cè)中[58-61]. 例如, Soualhi等[62]利用Hilbert-Huang變換構(gòu)建了滾動(dòng)軸承的敏感退化指標(biāo), 然后將這些退化指標(biāo)輸入到支持向量機(jī)中實(shí)現(xiàn)了旋轉(zhuǎn)軸承的剩余壽命預(yù)測(cè); Sun等[63]構(gòu)建了貝葉斯最小二乘法支持向量機(jī)預(yù)測(cè)模型, 并將其用于微波器件的剩余壽命預(yù)測(cè); Nieto等[64]將支持向量機(jī)應(yīng)用到了航空發(fā)動(dòng)機(jī)的剩余壽命預(yù)測(cè)中; Khelif等[65]研究提出了一種不需要建立健康指標(biāo)、故障狀態(tài)等直接基于支持向量回歸模型建立監(jiān)測(cè)數(shù)據(jù)與設(shè)備壽命的擬合關(guān)系, 進(jìn)而實(shí)現(xiàn)了剩余壽命預(yù)測(cè). Huang等[66]對(duì)基于支持向量機(jī)的剩余壽命預(yù)測(cè)方法研究現(xiàn)狀、應(yīng)用領(lǐng)域及發(fā)展趨勢(shì)進(jìn)行了系統(tǒng)地梳理和分析.

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(jī)器學(xué)習(xí)模型也被應(yīng)用到裝備的剩余壽命預(yù)測(cè)中, 如極限學(xué)習(xí)機(jī)[67]、貝葉斯網(wǎng)絡(luò)[68]、隨機(jī)森林[69]、梯度提升決策樹(shù)[70]、基于案例的學(xué)習(xí)方法[71]、基于案例的推理方法[72]等. 文獻(xiàn)[38]對(duì)基于淺層機(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)方法進(jìn)行了詳細(xì)綜述, 本文不再贅述.

通過(guò)文獻(xiàn)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(duì)比較容易, 基于淺層機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)設(shè)備剩余壽命預(yù)測(cè)的研究具有較長(zhǎng)的歷史, 但這類方法中采用的網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、預(yù)測(cè)性能較多地依賴于專家先驗(yàn)知識(shí)與信號(hào)處理技術(shù), 且難于量化剩余壽命預(yù)測(cè)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(yàn)與知識(shí)預(yù)先提取監(jiān)測(cè)數(shù)據(jù)中的關(guān)鍵信息并構(gòu)建退化指標(biāo), 因此退化指標(biāo)的好壞將很大程度上決定淺層神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能. 在大數(shù)據(jù)時(shí)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(diǎn), 淺層機(jī)器學(xué)習(xí)算法自學(xué)習(xí)能力較弱, 難以自動(dòng)處理和分析海量監(jiān)測(cè)數(shù)據(jù). 因此, 大數(shù)據(jù)下剩余壽命預(yù)測(cè)的智能學(xué)習(xí)模型由“淺”入“深”、勢(shì)在必行.

3.2

基于深度學(xué)習(xí)的剩余壽命預(yù)測(cè)

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(guò)程, 構(gòu)建深度模型, 通過(guò)海量數(shù)據(jù)學(xué)習(xí)特征, 刻畫(huà)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)自從2006年在Science上首次提出便掀起了學(xué)術(shù)界和工業(yè)界的研究浪潮, 如雨后春筍, 以其強(qiáng)大的海量數(shù)據(jù)處理能力在諸多領(lǐng)域的大數(shù)據(jù)分析中方興未艾. 經(jīng)過(guò)了十余年的探索, 深度學(xué)習(xí)當(dāng)前已成功應(yīng)用于許多工程領(lǐng)域, 如圖像識(shí)別[73]、自然語(yǔ)言處理[74]、語(yǔ)音識(shí)別[75]、故障診斷[76]等, 同時(shí)在剩余壽命預(yù)測(cè)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(wú)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(cè)試數(shù)據(jù)與剩余壽命標(biāo)簽或退化標(biāo)簽之間的潛在關(guān)系. 下面針對(duì)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(cè)時(shí)的研究動(dòng)態(tài)并分析當(dāng)前研究存在的問(wèn)題.

1)深度自編碼網(wǎng)絡(luò)

深度自編碼網(wǎng)絡(luò)是由多個(gè)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(cè)通過(guò)提取出原始數(shù)據(jù)的深層次特征, 然后通過(guò)邏輯回歸層或全連接層實(shí)現(xiàn)機(jī)械裝備的剩余壽命預(yù)測(cè)[77-80]. 由于自編碼器是以重構(gòu)原始輸入為學(xué)習(xí)目標(biāo), 因而其學(xué)習(xí)到的特征對(duì)數(shù)據(jù)有更本質(zhì)的刻畫(huà), 有利于提高預(yù)測(cè)精度, 且深度自編碼網(wǎng)絡(luò)能夠以無(wú)監(jiān)督學(xué)習(xí)方式逐層對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)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(cè)領(lǐng)域得到了廣泛的應(yīng)用[81-85]. 例如, Xia等[79]提出了一種基于深度自編碼網(wǎng)絡(luò)的兩階段剩余壽命預(yù)測(cè)方法, 首先運(yùn)用深度降噪自編碼器網(wǎng)絡(luò)對(duì)監(jiān)測(cè)大數(shù)據(jù)進(jìn)行階段劃分, 然后訓(xùn)練深度自編碼網(wǎng)絡(luò)得到每個(gè)階段的退化特征, 最后通過(guò)回歸方法分析各階段特征實(shí)現(xiàn)剩余壽命預(yù)測(cè). 然而, 深度自編碼網(wǎng)絡(luò)在處理力信號(hào)、振動(dòng)信號(hào)、聲發(fā)射信號(hào)、光信號(hào)等高維原始監(jiān)測(cè)數(shù)據(jù)時(shí), 其仍需要借助各類信號(hào)處理技術(shù)來(lái)提取設(shè)備的退化指標(biāo).

2)深度置信網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)主要是由多個(gè)受限波爾茲曼機(jī)堆疊與一個(gè)分類層或回歸層組合形成的深度網(wǎng)絡(luò), 通過(guò)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(wèn)題, 不僅能實(shí)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. 例如, Jiao等[86]提出了一種基于深度置信網(wǎng)絡(luò)的健康指標(biāo)構(gòu)建方法用于裝備的剩余壽命預(yù)測(cè), 該方法采用無(wú)監(jiān)督學(xué)習(xí)的策略融合多個(gè)傳感器監(jiān)測(cè)數(shù)據(jù)對(duì)裝備健康狀態(tài)進(jìn)行評(píng)估, 得到描述其退化程度的健康指標(biāo)用于剩余壽命預(yù)測(cè). 需要注意的是, 深度置信網(wǎng)絡(luò)在實(shí)際中的應(yīng)用主要集中在深層次特征提取方面, 單純利用深度置信網(wǎng)絡(luò)實(shí)現(xiàn)剩余壽命預(yù)測(cè)的研究還相當(dāng)有限, 需要與其他網(wǎng)絡(luò)混合進(jìn)行才能進(jìn)行剩余壽命預(yù)測(cè).

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[87]首次提出并用于解決圖像處理問(wèn)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(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別等領(lǐng)域應(yīng)用十分廣泛. 針對(duì)設(shè)備性能監(jiān)測(cè)大數(shù)據(jù)的特點(diǎn), 先后發(fā)展出了多種用于剩余壽命預(yù)測(cè)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)[88]、多層可分離卷積神經(jīng)網(wǎng)絡(luò)[89]、多尺度卷積神經(jīng)網(wǎng)絡(luò)[90]、聯(lián)合損失卷積神經(jīng)網(wǎng)絡(luò)[91]等. Babu等[92]首次將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于剩余壽命預(yù)測(cè)領(lǐng)域, 采用兩個(gè)卷積層和兩個(gè)池化層提取原始信號(hào)特征, 同時(shí)結(jié)合多層感知器實(shí)現(xiàn)剩余壽命的預(yù)測(cè). 最近, Yang等[93]提出了一種基于兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)的剩余壽命預(yù)測(cè)方法, 其中一個(gè)是分類網(wǎng)絡(luò)用于監(jiān)測(cè)性能退化的初始時(shí)刻, 另一個(gè)是回歸網(wǎng)絡(luò)用于預(yù)測(cè)剩余壽命. 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(hào)、振動(dòng)信號(hào)、聲發(fā)射信號(hào)、光信號(hào)等高維原始數(shù)據(jù), 可實(shí)現(xiàn)從監(jiān)測(cè)數(shù)據(jù)中自動(dòng)提取退化特征信息, 適合處理監(jiān)測(cè)大數(shù)據(jù)且具有降噪的功能, 同時(shí)其網(wǎng)絡(luò)參數(shù)量相對(duì)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(jī)退化設(shè)備的監(jiān)測(cè)數(shù)據(jù)蘊(yùn)含的健康特征往往是時(shí)序相關(guān)的, 而卷積神經(jīng)網(wǎng)絡(luò)在應(yīng)對(duì)大數(shù)據(jù)下時(shí)序特征提取能力不足, 容易造成重要時(shí)序特征的丟失, 這對(duì)于剩余壽命預(yù)測(cè)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(cè)時(shí)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(cè)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(shí)刻的狀態(tài)信息, 目前已經(jīng)在剩余壽命預(yù)測(cè)領(lǐng)域得到廣泛的關(guān)注, 被應(yīng)用于鋰電池系統(tǒng)[94]、風(fēng)力發(fā)電設(shè)備[95]、航空發(fā)動(dòng)機(jī)[96]等. 為解決循環(huán)神經(jīng)網(wǎng)絡(luò)通常存在“記憶衰退”進(jìn)而導(dǎo)致預(yù)測(cè)偏差較大這一問(wèn)題, 學(xué)者們對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了改進(jìn), 提出了一種長(zhǎng)短期記憶(Long short term memory, LSTM)模型, 門(mén)結(jié)構(gòu)作為L(zhǎng)STM的獨(dú)特結(jié)構(gòu), 能夠在最優(yōu)條件下確定出所通過(guò)信息特征, 在剩余壽命預(yù)測(cè)領(lǐng)域獲得了廣泛的應(yīng)用[97-98]. 例如: 為解決運(yùn)行和環(huán)境擾動(dòng)引起的不確定性問(wèn)題, Elsheikh等[99]對(duì)LSTM的結(jié)構(gòu)分別進(jìn)行了改進(jìn), 提出了基于雙向LSTM的剩余壽命預(yù)測(cè)方法. 雖然循環(huán)神經(jīng)網(wǎng)絡(luò)在隨機(jī)退化設(shè)備退化過(guò)程建模方面具有先天優(yōu)勢(shì), 但當(dāng)處理長(zhǎng)期依賴型退化數(shù)據(jù)時(shí), 循環(huán)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中也經(jīng)常面臨梯度消失或爆炸問(wèn)題. 同時(shí), 以上基于循環(huán)神經(jīng)網(wǎng)絡(luò)的剩余壽命預(yù)測(cè)研究中都未考慮預(yù)測(cè)結(jié)果不確定性的量化問(wèn)題, 只能輸出一個(gè)剩余壽命的點(diǎn)估計(jì), 難以評(píng)估預(yù)測(cè)結(jié)果的置信度.

最近, 針對(duì)剩余壽命預(yù)測(cè)不確定性量化問(wèn)題, Zhang等[100]在假定退化數(shù)據(jù)服從正態(tài)分布的前提下利用Monte Carlo方法從退化數(shù)據(jù)中隨機(jī)采樣, 通過(guò)改變LSTM網(wǎng)絡(luò)輸入, 在不同網(wǎng)絡(luò)輸入下得到不同的剩余壽命預(yù)測(cè)值, 由此構(gòu)造剩余壽命的數(shù)值分布, 試圖量化預(yù)測(cè)不確定性. Huang等[101]利用雙向LSTM網(wǎng)絡(luò)預(yù)測(cè)剩余壽命輸出的均方根誤差構(gòu)建剩余壽命預(yù)測(cè)的誤差帶, 以區(qū)間的形式表示預(yù)測(cè)不確定性. Yu等[102]對(duì)退化監(jiān)測(cè)數(shù)據(jù)進(jìn)行劃分、以退化量為標(biāo)簽, 建立了多個(gè)基于LSTM網(wǎng)絡(luò)的退化量預(yù)測(cè)模型, 然后通過(guò)滾動(dòng)預(yù)測(cè)的思想將預(yù)測(cè)值作為模型輸入迭代預(yù)測(cè)至退化量超過(guò)失效預(yù)測(cè)的時(shí)刻, 由此確定設(shè)備的剩余壽命預(yù)測(cè)值. 進(jìn)一步, 為綜合多個(gè)LSTM網(wǎng)絡(luò)預(yù)測(cè)值, 引入Bayesian模型平均方法, 估計(jì)各個(gè)模型的后驗(yàn)概率, 由此可以確定最終的剩余壽命預(yù)測(cè)值和預(yù)測(cè)置信區(qū)間, 有效提高了剩余壽命預(yù)測(cè)精度的同時(shí)以置信區(qū)間的形式表示了預(yù)測(cè)不確定性. 以上思路在基于機(jī)器學(xué)習(xí)方法的剩余壽命預(yù)測(cè)不確定性量化方面做出了有益的嘗試, 然而無(wú)論是改變輸入條件構(gòu)建數(shù)值分布、基于均方根誤差構(gòu)建誤差帶, 還是構(gòu)建多個(gè)預(yù)測(cè)模型通過(guò)Bayesian模型平均構(gòu)建置信區(qū)間, 都更多地反映了網(wǎng)絡(luò)訓(xùn)練的效果而不能全面反映設(shè)備性能退化固有的時(shí)變隨機(jī)性和動(dòng)態(tài)特性.

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(gè)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(bǔ)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)[103]、受限玻爾茲曼機(jī) + LSTM網(wǎng)絡(luò)[104]、LSTM網(wǎng)絡(luò) + 卷積神經(jīng)網(wǎng)絡(luò)[105]、LSTM網(wǎng)絡(luò) + 編碼?解碼模型[106]、循環(huán)神經(jīng)網(wǎng)絡(luò) + 自編碼器[107]、多損失編碼器 + 兩階段卷積神經(jīng)網(wǎng)絡(luò)[108]等. 這類方法主要通過(guò)繼承不同深度學(xué)習(xí)模型的優(yōu)勢(shì), 進(jìn)而期望實(shí)現(xiàn)取長(zhǎng)補(bǔ)短、改善剩余壽命預(yù)測(cè)的效果. 例如: Ren等[109]提出了一種堆棧自編碼器與前饋神經(jīng)網(wǎng)絡(luò)組合的軸承剩壽命預(yù)測(cè)方法, 該方法能夠有效利用堆棧自編碼器在特征表示方面的優(yōu)勢(shì), 同時(shí)將其引入至前饋神經(jīng)網(wǎng)絡(luò)可有效避免訓(xùn)練過(guò)程中的局部最優(yōu)問(wèn)題; Deutsch等[104]提出了一種融合深度置信網(wǎng)絡(luò)與前饋神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)設(shè)備剩余壽命預(yù)測(cè)方法, 這是基于深度置信網(wǎng)絡(luò)方法的改進(jìn)和拓展, 能夠有效結(jié)合深度置信網(wǎng)絡(luò)特征提取能力與前饋神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能. 雖然通過(guò)混合深度網(wǎng)絡(luò)進(jìn)行剩余壽命預(yù)測(cè)有助于產(chǎn)生互補(bǔ)效應(yīng), 但混合多種深度網(wǎng)絡(luò)將不可避免地導(dǎo)致剩余壽命預(yù)測(cè)模型的訓(xùn)練復(fù)雜化, 而且混合方式的選擇基本上是啟發(fā)式的, 缺乏公認(rèn)統(tǒng)一的形式. 因此, 發(fā)展剩余壽命預(yù)測(cè)相關(guān)性能要求牽引下的混合深度網(wǎng)絡(luò)構(gòu)建方式以提高混合方式的可解釋性仍有待深入研究.

需要說(shuō)明的是, 基于深度學(xué)習(xí)的剩余壽命預(yù)測(cè)研究正在蓬勃發(fā)展, 以上介紹到的文獻(xiàn)僅是冰山一角. 通過(guò)對(duì)當(dāng)前相關(guān)研究發(fā)展動(dòng)態(tài)的分析不難發(fā)現(xiàn), 無(wú)論是傳統(tǒng)的基于淺層機(jī)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(cè)研究, 基本上都可以歸結(jié)到兩種思路, 即基于退化量滾動(dòng)預(yù)測(cè)和基于學(xué)習(xí)網(wǎng)絡(luò)建立監(jiān)測(cè)數(shù)據(jù)與失效時(shí)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(cè)方法研究快速發(fā)展, 且都屬于數(shù)據(jù)驅(qū)動(dòng)的方法, 但當(dāng)前研究面對(duì)剩余壽命預(yù)測(cè)現(xiàn)實(shí)需求時(shí)主要存在以下有待解決的問(wèn)題:

1)目前這些基于機(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)研究, 基本上都是將其他領(lǐng)域應(yīng)用需求驅(qū)動(dòng)下提出并發(fā)展起來(lái)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(cè)值, 很難得到能夠量化剩余壽命預(yù)測(cè)不確定性的概率分布. 正如第1節(jié)所討論的, 剩余壽命預(yù)測(cè)針對(duì)的是設(shè)備將來(lái)的失效事件, 而設(shè)備性能退化在預(yù)測(cè)區(qū)間內(nèi)受到環(huán)境、負(fù)載等多重隨機(jī)因素影響, 導(dǎo)致剩余壽命預(yù)測(cè)結(jié)果不可避免地具有不確定性, 因此剩余壽命預(yù)測(cè)不確定性的量化表征是該領(lǐng)域的一個(gè)核心問(wèn)題. 然而, 目前基于機(jī)器學(xué)習(xí)的方法對(duì)這方面重視不夠, 在預(yù)測(cè)不確定性量化能力上存在不足. 無(wú)法量化預(yù)測(cè)不確定性也意味著無(wú)法量化預(yù)測(cè)結(jié)果帶來(lái)的風(fēng)險(xiǎn), 由此導(dǎo)致難以滿足以最小化運(yùn)行風(fēng)險(xiǎn)或最小化費(fèi)用為目標(biāo)的健康管理相關(guān)決策(如維護(hù)決策、備件訂購(gòu)等)對(duì)運(yùn)行風(fēng)險(xiǎn)定量評(píng)估的應(yīng)用需求[39]. 造成以上問(wèn)題的根本原因在于所采用的學(xué)習(xí)網(wǎng)絡(luò)并不是針對(duì)剩余壽命預(yù)測(cè)的核心需求設(shè)計(jì)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(lái)的學(xué)習(xí)網(wǎng)絡(luò). 因此, 如何設(shè)計(jì)并發(fā)展面向剩余壽命預(yù)測(cè)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(cè)數(shù)據(jù)中學(xué)習(xí)到反映預(yù)測(cè)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(jià)值的研究方向.

2)現(xiàn)有研究中通過(guò)學(xué)習(xí)網(wǎng)絡(luò)建立監(jiān)測(cè)數(shù)據(jù)與失效時(shí)間端到端映射以預(yù)測(cè)剩余壽命的思路, 其成功實(shí)現(xiàn)的前提是能夠獲取充分的同類設(shè)備失效時(shí)間數(shù)據(jù)以制作訓(xùn)練標(biāo)簽. 然而, 在工程實(shí)際中, 由于受到安全性與經(jīng)濟(jì)性等因素的限制, 設(shè)備運(yùn)行至失效狀態(tài)是極其危險(xiǎn)的, 一般在失效前對(duì)設(shè)備進(jìn)行替換. 在該情況下, 所能獲取的更多的是設(shè)備在服役過(guò)程中積累的大量狀態(tài)監(jiān)測(cè)數(shù)據(jù), 關(guān)于設(shè)備失效時(shí)間的數(shù)據(jù)幾乎沒(méi)有, 因而這類狀態(tài)監(jiān)測(cè)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(jī)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(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)方法中所需的壽命標(biāo)簽難以制作(即零壽命標(biāo)簽問(wèn)題), 由此為構(gòu)建監(jiān)測(cè)數(shù)據(jù)與剩余壽命之間端到端的映射關(guān)系帶來(lái)了極大的挑戰(zhàn). 與此同時(shí), 基于退化量滾動(dòng)預(yù)測(cè)的思路以退化量為標(biāo)簽構(gòu)建預(yù)測(cè)模型, 能夠減少對(duì)壽命標(biāo)簽數(shù)據(jù)的依賴, 但在實(shí)現(xiàn)過(guò)程中將本身存在誤差的退化量預(yù)測(cè)值作為預(yù)測(cè)模型輸入進(jìn)行滾動(dòng)預(yù)測(cè), 容易造成預(yù)測(cè)誤差的累積, 進(jìn)而影響剩余壽命預(yù)測(cè)的準(zhǔn)確性. 此外, 目前基于以上思路的剩余壽命預(yù)測(cè)研究主要針對(duì)完整監(jiān)測(cè)數(shù)據(jù), 而對(duì)于圖2所示的“碎片化、分段的、稀疏的”非完整監(jiān)測(cè)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(biāo)簽情形下如何通過(guò)非完整監(jiān)測(cè)大數(shù)據(jù)構(gòu)建隨機(jī)退化設(shè)備剩余壽命預(yù)測(cè)模型, 發(fā)展剩余壽命預(yù)測(cè)研究的新范式仍有待解決.

3)如前所述, 剩余壽命預(yù)測(cè)是銜接設(shè)備健康狀態(tài)感知與基于狀態(tài)感知信息實(shí)現(xiàn)設(shè)備的個(gè)性化精準(zhǔn)健康管理的橋梁, 因此剩余壽命預(yù)測(cè)方法的可解釋性對(duì)于將預(yù)測(cè)結(jié)果用于設(shè)備的健康管理(如預(yù)測(cè)維護(hù)、備件訂購(gòu)等)至關(guān)重要. 然而, 現(xiàn)有基于機(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)方法通過(guò)學(xué)習(xí)網(wǎng)絡(luò)建立監(jiān)測(cè)數(shù)據(jù)與剩余壽命之間的映射關(guān)系, 監(jiān)測(cè)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(diǎn), 難以解釋設(shè)備退化失效機(jī)理. 此外, 當(dāng)前的研究較多地關(guān)注了剩余壽命預(yù)測(cè)的準(zhǔn)確性, 但機(jī)器學(xué)習(xí)模型中超參數(shù)的選擇對(duì)預(yù)測(cè)結(jié)果的準(zhǔn)確性和魯棒性具有重要影響, 預(yù)測(cè)的效果對(duì)調(diào)參技巧和經(jīng)驗(yàn)有較大的依賴, 而如何合理有效地選擇機(jī)器學(xué)習(xí)模型的超參數(shù)在機(jī)器學(xué)習(xí)領(lǐng)域本身就是一個(gè)極具挑戰(zhàn)性的問(wèn)題. 綜合以上兩個(gè)方面可見(jiàn), 發(fā)展具有可解釋性的基于機(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)方法, 將有助于打通當(dāng)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(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)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(jì)中考慮設(shè)備退化失效的機(jī)理知識(shí)、基于學(xué)習(xí)網(wǎng)絡(luò)從監(jiān)測(cè)數(shù)據(jù)中提取退化特征時(shí)將特征的趨勢(shì)性或單調(diào)性作為約束條件考慮、將超參數(shù)的選擇問(wèn)題轉(zhuǎn)化為提升預(yù)測(cè)效果的優(yōu)化問(wèn)題納入模型訓(xùn)練過(guò)程等.

審核編輯 黃昊宇