基于多模型融合的工業(yè)工件剩余壽命預(yù)測*

王建成 蔡延光

（廣東工業(yè)大學(xué)自動化學(xué)院，廣東 廣州 510006）

關(guān)鍵字：LightGBM；ridge；GBDT；XGBoost；模型融合；工件剩余壽命預(yù)測

0 引言

預(yù)測性維護在工業(yè)互聯(lián)網(wǎng)的應(yīng)用中被稱為“皇冠上的明珠”，實現(xiàn)預(yù)測性維護的關(guān)鍵是對設(shè)備系統(tǒng)或核心部件的壽命進行有效預(yù)測。對設(shè)備系統(tǒng)或核心耗損性部件的剩余壽命進行預(yù)測，并據(jù)此對相關(guān)部件進行提前維護或更換，可減少整套設(shè)備非計劃停機時間避免整個生產(chǎn)現(xiàn)場其他正常配套設(shè)備因等待故障設(shè)備部件修復(fù)[1-2]，而造成經(jīng)濟損失。

工業(yè)上采集的數(shù)據(jù)集中存在較多干擾數(shù)據(jù)，而傳統(tǒng)線性模型的抗干擾能力弱，預(yù)測精度較低，增加了工業(yè)設(shè)備維護的成本。為此，本文提出一種雙模型的加權(quán)融合方法進行工業(yè)工件剩余壽命預(yù)測，通過4種機器學(xué)習(xí)算法及3種雙模型融合的方法，建立工業(yè)工件的剩余壽命預(yù)測模型，并進行比較分析。在一定程度上，提供了設(shè)備提前維護的數(shù)據(jù)支持，同時挖掘影響機器設(shè)備壽命的關(guān)鍵因素。

1 相關(guān)算法

1.1 ridge算法

線性回歸的損失函數(shù)J(w)通常定義為

式中，xi是具有m個特征的樣本；yi為真實值；為預(yù)測值。

對式(2)w求偏導(dǎo)，并令可得到

為防止過擬合，學(xué)者對線性回歸進行優(yōu)化，產(chǎn)生了ridge回歸[3]。ridge回歸在線性回歸損失函數(shù)的基礎(chǔ)上增加一個正則項則有

同樣對式(4)中w求偏導(dǎo)，并令可得到

出現(xiàn)過擬合時，模型幾乎完全匹配訓(xùn)練集，但在測試集上效果較差，說明該模型具有低偏差高方差的特點，可能在較小的區(qū)間內(nèi)波動性較大，即模型的導(dǎo)數(shù)值較大。模型階數(shù)和自變量值對導(dǎo)數(shù)影響較小，只有自變量系數(shù)較大才可能導(dǎo)致過擬合，所以增加正則項對大系數(shù)進行懲罰，使系數(shù)更為平滑，可緩解模型過擬合。

本文工件預(yù)測壽命樣本達90維以上，為防止模型出現(xiàn)過擬合，采用ridge模型作為實驗仿真對象。

1.2 GBDT 算法

GBDT（Gradient Boosting Decision Tree）是一種迭代的決策樹算法[4,10-11]，又叫 MART（Multiple Additive Regression Tree)，它通過構(gòu)造一組弱學(xué)習(xí)器（樹），并把多棵決策樹的結(jié)果累加起來作為最終預(yù)測輸出。該算法將決策樹與集成思想有效結(jié)合。設(shè)數(shù)據(jù)集D= {(xi,yi) ：i= 1,2,… ,n,xi∈Rq,yi∈R} ，其中n為數(shù)據(jù)樣本數(shù)量，每個數(shù)據(jù)樣本有q個特征。設(shè)損失函數(shù)為L(y,f(x) )，輸出回歸樹x)，GBDT算法實施具體步驟如下：

1） 初始化弱分類器，估計使損失函數(shù)極小化的一個常數(shù)值，此時樹僅有一個根結(jié)點；

2） 對迭代次數(shù)i= 1 ,2,… ,N，計算損失函數(shù)的負梯度值在當前模型的值，并將它作為殘差估計，即

對于平方損失函數(shù)，是通常所說的殘差；對于一般損失函數(shù)，是殘差的近似值。

對rmi擬合一個回歸樹，得到第m棵樹的葉節(jié)點區(qū)域Rmj,j= 1 ,2,… ,J，計算

即利用線性搜索估計葉節(jié)點區(qū)域的值，使損失函數(shù)極小化。

3） 更新回歸樹

得到輸出的最終模型為

1.3 XGBoost 算法

華盛頓大學(xué)陳天奇博士開發(fā)的 XGBoost（eXtreme Gradient Boosting）基于C++通過多線程實現(xiàn)了回歸樹的并行構(gòu)建，并在原有Gradient Boosting算法的基礎(chǔ)上加以改進，較大地提升了模型訓(xùn)練速度和預(yù)測精度。傳統(tǒng)的GBDT算法只利用一階的導(dǎo)數(shù)信息，XGBoost[5]則對損失函數(shù)做了二階的泰勒展開，并在目標函數(shù)之外加入正則項，整體求最優(yōu)解，避免過擬合，提高了模型的求解效率，其步驟如下：

1）數(shù)據(jù)集D = {(xi,yi) ：i= 1,2,… ,n,xi∈Rq,yi∈R} ，假定k(k= 1 ,2,… ,K)個回歸樹；xi為第i個數(shù)據(jù)點的特征向量；fk為一個回歸樹，F(xiàn)為回歸樹的集合空間，則可把一個迭代后集成的模型表示為

2） 目標函數(shù)為

式中，yi表示真實值；表示預(yù)測值；第一部分是訓(xùn)練損失，如平方損失或Logistic Loss等；第二部分是每棵樹的復(fù)雜度之和；第k棵樹的復(fù)雜度用 Ω (fk)表示，其中T和w分別為樹葉子節(jié)點數(shù)目和葉子權(quán)重值，γ為葉子懲罰系數(shù)，λ為葉子權(quán)重懲罰系數(shù)。

3） 采用additive training方式，即每次迭代生成一棵新的回歸樹，從而使預(yù)測值不斷逼近真實值。每次保留原來的模型不變，加入一個新的函數(shù)f到模型里，XGBoost迭代方式如下：

4） 將式(12)代入式(11)，可得

泰勒展開一般表達式為

用泰勒展開式近似目標函數(shù)（式(14)），首先定義

那么，式(14)可得到

由式(16)可知，若移除常數(shù)項，該目標函數(shù)僅依賴每個數(shù)據(jù)點在誤差函數(shù)上的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。

1.4 LightGBM算法

LightGBM算法是微軟2015年提出的boosting框架模型[6-7]，其基于傳統(tǒng)的GBDT引入了梯度單邊采樣和獨立特征合并技術(shù)（exclusive feature bundling，EFB）。數(shù)據(jù)通常是幾十萬維的稀疏數(shù)據(jù)，對不同維度的數(shù)據(jù)合并使一個稀疏矩陣變成稠密矩陣，獨立特征合并技術(shù)實現(xiàn)了互斥特征捆綁，以減少特征數(shù)量。LightGBM算法對于樹的生長采用了Leaf-wise，而不是Level-wise。Leaf-wise能夠追求更高的精度，讓更高精度的節(jié)點分裂，這樣可能產(chǎn)生過擬合，因此利用max_depth來控制其最大高度。LightGBM 做數(shù)據(jù)合并、Histogram Algorithm和GOSS等操作時，都有正則化作用，所以使用Leaf-wise提高精度是一個較好的選擇[11-12]。LightGBM使用histogram直方圖算法[15]替換Pre-Sorted，減少了內(nèi)存消耗。

2 建模流程

2.1 工件剩余壽命預(yù)測建模流程

工件剩余壽命預(yù)測建模流程如圖1所示，采用的訓(xùn)練數(shù)據(jù)集是工件的全壽命數(shù)據(jù)。

圖1 工件剩余壽命預(yù)測建模流程

首先對工件全壽命數(shù)據(jù)進行預(yù)處理，包括異常數(shù)據(jù)刪除、缺失值數(shù)據(jù)處理和數(shù)據(jù)歸一化等；然后通過切分訓(xùn)練數(shù)據(jù)集構(gòu)建訓(xùn)練集和測試集；最后使用python語言建立ridge模型、GBDT模型、XGBoost模型和LightGBM模型，并采用貝葉斯優(yōu)化[8]進行參數(shù)自動尋優(yōu)，再對XGBoost模型，LightGBM模型和GBDT模型兩兩融合，對比預(yù)測精度RMSE，確定最優(yōu)預(yù)測模型。

2.2 工件全壽命數(shù)據(jù)描述及預(yù)處理

本文采用的數(shù)據(jù)源于2019工程機械核心部件壽命預(yù)測挑戰(zhàn)賽的數(shù)據(jù)集，其中每個文件對應(yīng)一個該類部件的全壽命物聯(lián)網(wǎng)采樣數(shù)據(jù)，即部件從安裝到更換這段時間采樣的對應(yīng)指標數(shù)據(jù)，形式為多維時間序列。字段“部件工作時長”的最大值（通常為最后一行記錄）即為該部件的實際壽命。具體特征如下：

1） 數(shù)值型字段包括：部件工作時長、累積量參數(shù)1、累積量參數(shù)2、轉(zhuǎn)速信號1、轉(zhuǎn)速信號2、壓力信號1、壓力信號2、溫度信號、流量信號和電流信號；

2） 開關(guān)量字段（0或1）包括：開關(guān)1信號、開關(guān)2信號和告警信號1；

3） 字符串型字段：設(shè)備類型。

基于一個該類部件一段時間內(nèi)的物聯(lián)網(wǎng)采樣數(shù)據(jù)，預(yù)測該部件此后的剩余壽命。

首先對數(shù)據(jù)集的負值采用絕對值處理，刪掉具有數(shù)值極度跳躍的數(shù)據(jù)樣本；然后通過數(shù)據(jù)集切分構(gòu)造特征和預(yù)測目標，本文數(shù)據(jù)集共有916個數(shù)據(jù)樣本，采用數(shù)據(jù)集切分比例依次為0.25，0.36，0.42，0.46，0.55，0.63，0.77，0.86和0.91；其次對切分得到的數(shù)據(jù)進行統(tǒng)計，如均值、中位數(shù)、最大值、最小值、一階差分和二階差分等；最后通過劃分和統(tǒng)計特征，得到94個特征和8244個數(shù)據(jù)樣本，部分特征如表1所示。

表1 數(shù)據(jù)集部分特征

訓(xùn)練集的壽命分布圖如圖2所示；歸一化的壽命分布圖如圖3所示。

由圖2、圖3可知，歸一化處理后，壽命分布圖更接近正太分布，數(shù)據(jù)分布更加合理，有利于提高模型的預(yù)測精度。

特征間的相關(guān)性可用相關(guān)系數(shù)來評估[9]，相關(guān)系數(shù)的絕對值大于0.6，則確定這2個特征具有強線性相關(guān)性。將強線性相關(guān)性的特征，只保留一個特征，即可保證模型的精度和運行速度。因特征數(shù)量較多，無法全部顯示，部分特征的相關(guān)系數(shù)如表2所示。

圖2 歸一化之前的壽命分布圖

表2 部分特征的相關(guān)系數(shù)

2.3 模型評價標準

實驗仿真采用均方根誤差[14]（root mean square error, RMSE）度量預(yù)測模型的精確度。RMSE值越小，表明預(yù)測越精準。

式中，n為樣本個數(shù)；為第i個樣本預(yù)測值；yi為第i個樣本真實值。

2.4 建模過程和結(jié)果分析

本文仿真環(huán)境為Intel 酷睿i7 8700 CPU，16 GB內(nèi)存；操作系統(tǒng)為Ubuntu 16.04；采用python3.6編程語言進行建模分析；建模過程中主要使用的機器學(xué)習(xí)庫有pandas，numpy，matplotlib，joblib，tsfresh，sklearn，Multiprogressing，XGBoost和 LightGBM 等。

進行ridge模型、GBDT模型、XGBoost模型和LightGBM模型建模分析時，參數(shù)的選擇對模型預(yù)測結(jié)果有較大影響，因此需要對模型參數(shù)進行一定程度的調(diào)優(yōu)。ridge模型回歸只需對正則項的λ進行調(diào)優(yōu)；GBDT模型主要對迭代次數(shù)、學(xué)習(xí)率和樹的最大深度及最大葉子節(jié)點數(shù)4個參數(shù)進行調(diào)優(yōu)[15]；LightGBM模型和XGBoost模型主要對學(xué)習(xí)率、葉節(jié)點數(shù)、迭代次數(shù)以及樹的最大深度4個主要參數(shù)進行調(diào)優(yōu)。本文利用貝葉斯優(yōu)化進行參數(shù)調(diào)優(yōu)，相比于傳統(tǒng)的網(wǎng)格搜索法，具有精度高、速度快的特點。

利用ridge模型、GBDT模型、LightGBM模型和XGBoost模型擬合數(shù)據(jù)，可得到各模型的特征重要性排序。ridge模型通過模型內(nèi)置函數(shù)coef_輸出特征重要性；GBDT模型、LightGBM模型和XGBoost模型通過模型內(nèi)置函數(shù)feature_ importances輸出特征重要性[16]，如圖4所示。

圖4(a) ridge模型重要性前十的特征

圖4(b) GBDT模型重要性前十的特征

圖4(c) LightGBM模型重要性前十的特征

圖4(d) XGBoost模型重要性前十的特征

由圖5可知，4種模型選出的重要性前十的特征有一定差異，且同一模型的不同特征相對權(quán)重也有一定差異性，這種差異性體現(xiàn)了各個模型學(xué)習(xí)的特征具有不同的趨勢，為提高模型融合精度提供了一定依據(jù)。

利用貝葉斯優(yōu)化進行參數(shù)調(diào)優(yōu)時，輸入值是連續(xù)的，得到的最優(yōu)參數(shù)需根據(jù)參數(shù)的物理含義進行取整，4種模型的最優(yōu)參數(shù)如表3所示。

表3 模型主要參數(shù)的最優(yōu)值

為保證算法的泛化性和實驗的可移植性，將數(shù)據(jù)集隨機抽樣5對訓(xùn)練集和測試集，分別放入模型中進行訓(xùn)練；然后在測試集進行預(yù)測；最后用預(yù)測值和真實值計算RMSE，訓(xùn)練集和測試集的RMSE如圖5所示。

圖5(a) ridge模型預(yù)測精度RMSE

圖5(b) GBDT模型預(yù)測精度RMSE

圖5(e) XGBoost和LightGBM模型平均加權(quán)融合預(yù)測精度RMSE

圖5(c) LightGBM模型預(yù)測精度RMSE

圖5(f) XGBoost和GBDT模型平均加權(quán)融合預(yù)測精度RMSE

圖5(d) XGBoost模型預(yù)測精度RMSE

圖5(g) LightGBM和GBDT模型平均加權(quán)融合預(yù)測精度RMSE

圖5(h) 各個模型在訓(xùn)練集和測試集上的均值RMSE

由表3中模型輸出特征的重要性可知，不同特征對不同模型的重要性有一定差異，如LightGBM模型最重要特征是流量信號0.25；XGBoost模型最重要特征是累積量參數(shù) 2_std；GBDT模型最重要特征是累積量參數(shù)2_std；ridge模型最重要特征是部件工作時長_std。另外，在重要性前十的特征里，LightGBM模型學(xué)習(xí)了告警1_sum，而其他模型沒有。模型學(xué)習(xí)特征上的差異性，也為提高模型融合預(yù)測精度提供了依據(jù)。

從圖5(a)、圖5(b)、圖5(c)和圖5(d)可以看出，在高噪聲環(huán)境下，3種樹模型（GBDT模型、XGBoost模型和LightGBM模型）的抗干擾性比線性模型ridge好。從RMSE評估性能上看，XGBoost模型和GBDT模型在數(shù)據(jù)集 1～數(shù)據(jù)集 5，RMSE相差不多；LightGBM模型和ridge模型的RMSE比樹模型差很多，因此本文不對ridge模型和樹模型進行融合。從圖5(e)、圖5(f)、圖5(g)和圖5(h)可以看出，樹模型的加權(quán)平均融合，可提升預(yù)測精度。在本文數(shù)據(jù)集上，XGBoost模型和GBDT模型的加權(quán)平均融合，提升效果最佳，相比于最佳單模型的XGBoost和GBDT的RMSE降低1%，這樣可較大提升設(shè)備的使用效率；XGBoost模型和LightGBM模型的加權(quán)平均融合，相比于最佳單模型的 XGBoost模型和 GBDT模型的RMSE降低了0.3%；LightGBM模型和GBDT模型的加權(quán)模型融合，相比于最佳單模型的XGBoost模型和GBDT模型的RMSE降低了0.5%，相比于單模型的LightGBM模型降低了0.2%，相比于單模型的GBDT模型降低了0.5%。

3 結(jié)語

本文使用ridge模型、XGBoost模型、LightGBM模型和GBDT模型及同時將3種樹模型進行兩兩加權(quán)平均融合預(yù)測工件的剩余壽命。從實驗仿真的效果來看，樹模型比線性ridge模型的預(yù)測精度高，可以看出樹模型的抗干擾性較強。在樹模型中，XGBoost模型和GBDT模型預(yù)測精度差不多，但比LightGBM模型預(yù)測精度高。采用模型加權(quán)平均融合的方式，對單模型來說，可提高模型的預(yù)測精度。本文XGBoost模型和 GBDT模型的融合效果較好，RMSE降低了1%；XGBoost模型和LightGBM模型融合RMSE降低了0.3%，但LightGBM模型和GBDT模型融合，RMSE降低了0.5%。因此，LightGBM模型、GBDT模型和XGBoost模型兩兩加權(quán)平均融合時，可提高工業(yè)工件剩余壽命的預(yù)測精度。