基于數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)研究

李江龍 郭超然 崔駿夫

DOI：10.16661/j.cnki.1672-3791.2112-5042-4434

摘要：該文針對(duì)目前聯(lián)合作戰(zhàn)數(shù)據(jù)工程的建設(shè)不斷推進(jìn)，為共享作戰(zhàn)數(shù)據(jù)建設(shè)成果，推進(jìn)裝備維修保障的能力和效率，借助近期大數(shù)據(jù)技術(shù)的發(fā)展優(yōu)勢(shì)，闡述實(shí)現(xiàn)基于數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)的優(yōu)勢(shì)和可行性。系統(tǒng)總結(jié)了目前剩余壽命預(yù)測(cè)主要方法和適用條件，重點(diǎn)介紹了基于數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)一般技術(shù)框架圖和系統(tǒng)組成，論述了利用多源數(shù)據(jù)實(shí)現(xiàn)基于數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)的一般過程，提出了未來(lái)裝備剩余壽命預(yù)測(cè)的發(fā)展期望。

關(guān)鍵詞：數(shù)據(jù)驅(qū)動(dòng) ?大數(shù)據(jù) ?剩余壽命預(yù)測(cè) ?性能退化

中圖分類號(hào)：TP18 ???文獻(xiàn)標(biāo)識(shí)碼：A ??文章編號(hào)：1672-3791（2022）04（b）-0000-00

Research on Residual Life Prediction Based on Data Driven

LI Jianglong?GUO Chaoran?CUI Junfu

（Qingdao Campus of Naval Aviation University， Qingdao， Shandong?Province，?266041?China）

Abstract：?This paper aims at the continuous advancement of the current joint operations data engineering construction， in order to share the results of the operation data construction， promote the capability and efficiency of equipment maintenance support， and use the advantages of recent development of big data technology to explain the advantages of achieving data-driven remaining life prediction and feasibility. The system summarizes the main methods and applicable conditions of the current remaining life prediction， focusing on the general technical framework diagram and system composition of the data-driven remaining life prediction， and discusses the general process of using multi-source data to realize the data-driven remaining life prediction. The development expectation for the prediction of the remaining life of the equipment in the future.

Key Words： Data-driven; Big data; Remaining life prediction; Performance degradation

隨著科學(xué)技術(shù)的發(fā)展和現(xiàn)代工業(yè)技術(shù)的提高，武器裝備系統(tǒng)的更新不斷進(jìn)行，功能和性能提升的同時(shí)伴隨著系統(tǒng)不斷提高，武器系統(tǒng)中各組成部分關(guān)聯(lián)性也越來(lái)越密切，所有的這些都給裝備的質(zhì)量管理帶來(lái)了極大的挑戰(zhàn)，一個(gè)組成部分的故障不僅會(huì)帶來(lái)巨額的維修花費(fèi)，往往還會(huì)影響整個(gè)系統(tǒng)功能，甚至極大降低作戰(zhàn)體系效能。此外，武器系統(tǒng)中多技術(shù)、多專業(yè)的高度融合，給維修保障工作帶來(lái)了巨大的挑戰(zhàn)。近年來(lái)，各國(guó)都在研究采用多源信息融合技術(shù)，收集各種可利用的數(shù)據(jù)，研究裝備故障診斷和壽命預(yù)測(cè)技術(shù)，實(shí)現(xiàn)基于事后維修或定期檢查策略向基于狀態(tài)的視情維修轉(zhuǎn)變。該文將結(jié)合目前武器系統(tǒng)裝備維修保障特點(diǎn)，總結(jié)現(xiàn)有剩余壽命預(yù)測(cè)方法的基礎(chǔ)上，研究基于數(shù)據(jù)驅(qū)動(dòng)的裝備剩余壽命預(yù)測(cè)方法，旨在提高裝備的可靠性、安全性，降低維修保障費(fèi)用，提高裝備系統(tǒng)的作戰(zhàn)效能。

1剩余壽命預(yù)測(cè)方法

預(yù)測(cè)裝備的剩余壽命就需要收集裝備使用過程中的各種各樣的數(shù)據(jù)，結(jié)合積累維修保障過程中的各種經(jīng)驗(yàn)，大致可以分為基于經(jīng)驗(yàn)的預(yù)測(cè)、基于物理模型的預(yù)測(cè)、基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)三種主流方法。其中，基于經(jīng)驗(yàn)的方法是比較傳統(tǒng)的統(tǒng)計(jì)方法。然而這種基于歷史數(shù)據(jù)和經(jīng)驗(yàn)的統(tǒng)計(jì)方法適用于評(píng)估裝備系統(tǒng)、子系統(tǒng)或者某一種設(shè)備整體的通用質(zhì)量特性時(shí)具體進(jìn)行到某個(gè)系統(tǒng)或設(shè)備的壽命預(yù)測(cè)時(shí)，往往誤差較大，精確度不是很高，只能作為制訂定時(shí)維修計(jì)劃的參考依據(jù)?；谖锢砟Ｐ偷念A(yù)測(cè)方法，跟基于經(jīng)驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)方法相比，原理要復(fù)雜得多。這種預(yù)測(cè)方法一般適用于研究疲勞失效、機(jī)械磨損、結(jié)構(gòu)腐蝕等問題，在其他方面由于物理失效的過程復(fù)雜或關(guān)聯(lián)因素過多，導(dǎo)致失效建模比較困難，所以限制其應(yīng)用范圍。目前，由于信息技術(shù)的快速發(fā)展和人工智能技術(shù)的大規(guī)模應(yīng)用，基于數(shù)據(jù)驅(qū)動(dòng)技術(shù)的剩余壽命預(yù)測(cè)技術(shù)也得到了不斷的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)方法能夠結(jié)合多源信息融合技術(shù)，綜合考慮到影響裝備使用壽命的各種因素如磨損、外部沖擊、負(fù)載及運(yùn)行環(huán)境的變化等，掌握性能退化過程，從而預(yù)測(cè)剩余壽命，其建模相對(duì)簡(jiǎn)單，通用性也較好。

2基于數(shù)據(jù)驅(qū)動(dòng)的壽命預(yù)測(cè)

數(shù)據(jù)驅(qū)動(dòng)的主要是依靠提取跟裝備同類型的歷史數(shù)據(jù)庫(kù)中的各種輸入和輸出數(shù)據(jù)，建立裝備的性能退化和失效模型，掌握性能退化過程，然后結(jié)合自身裝備傳感器實(shí)時(shí)采集數(shù)據(jù)，進(jìn)行性能退化特征提取和模式識(shí)別，根據(jù)能退化和失效模式，預(yù)測(cè)裝備的剩余壽命。

2.1基于數(shù)據(jù)驅(qū)動(dòng)的系統(tǒng)搭建

2.1.1數(shù)據(jù)采集系統(tǒng)設(shè)計(jì)

要實(shí)時(shí)掌握裝備系統(tǒng)的狀態(tài)，必須借助傳感器，將位移、振動(dòng)、聲音、圖像速度、溫濕度、流量等信號(hào)轉(zhuǎn)換為電信號(hào)，從而實(shí)現(xiàn)狀態(tài)信息的實(shí)時(shí)采集，通過信息系統(tǒng)傳輸給數(shù)據(jù)管理和處理系統(tǒng)。在一些較早生產(chǎn)的裝備系統(tǒng)由于前期進(jìn)行設(shè)計(jì)生產(chǎn)的時(shí)候未考慮到后期要進(jìn)行數(shù)據(jù)采集需求，而采用在后期使用過程中加改裝的方法，不僅給裝備的結(jié)構(gòu)造成影響，也消耗了大量的人力、物力和財(cái)力，而且有些關(guān)鍵部位仍無(wú)法實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)。所以，在前期進(jìn)行方案論證和設(shè)計(jì)時(shí)就應(yīng)該將數(shù)據(jù)采集系統(tǒng)的設(shè)計(jì)納入到整體系統(tǒng)設(shè)計(jì)中。從功能需求為出發(fā)點(diǎn)，梳理各類數(shù)據(jù)采集需求，根據(jù)數(shù)據(jù)需求布局各種傳感器，結(jié)合裝備結(jié)構(gòu)和功能特點(diǎn)，同時(shí)考慮系統(tǒng)的可靠性、性價(jià)比、開發(fā)周期等因素進(jìn)行設(shè)計(jì)，采集需要的數(shù)據(jù)。

數(shù)據(jù)采集系統(tǒng)設(shè)計(jì)要堅(jiān)持以下原則：盡可能采用“以軟代硬”的原則，增加系統(tǒng)的柔性，方便以后的升級(jí);設(shè)計(jì)過程中，要按照設(shè)計(jì)方案由系統(tǒng)到設(shè)備，逐層分解到模塊和單元，保證采集系統(tǒng)能夠達(dá)到規(guī)定的性能指標(biāo)，比如采樣分辨率、采樣頻率和系統(tǒng)分辨率等指標(biāo);數(shù)據(jù)采集系統(tǒng)要安全可靠，不能給使用人員和操作人員帶來(lái)傷害，同時(shí)要具有很強(qiáng)的抗干擾能力;數(shù)據(jù)采集系統(tǒng)要盡量采用集成式、模塊化設(shè)計(jì)，便于以后的維護(hù)和維修。

2.1.2數(shù)據(jù)管理與處理系統(tǒng)

基于數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)的核心是以大數(shù)據(jù)技術(shù)為依托的數(shù)據(jù)管理與處理系統(tǒng)，主要是實(shí)現(xiàn)數(shù)據(jù)管理和處理。

物理層主要是整體系統(tǒng)的基礎(chǔ)設(shè)施，包括硬件的支持系統(tǒng)、數(shù)據(jù)采集和處理模塊、信息傳輸網(wǎng)絡(luò)組成，實(shí)現(xiàn)狀態(tài)監(jiān)測(cè)數(shù)據(jù)的從采集端傳輸至數(shù)據(jù)庫(kù)和應(yīng)用端，保證數(shù)據(jù)采集、轉(zhuǎn)換過程的安全性。

數(shù)據(jù)層是系統(tǒng)的主要部分。應(yīng)用大數(shù)據(jù)技術(shù)，主要實(shí)現(xiàn)數(shù)據(jù)的從采集完成到輸出到應(yīng)用層的整個(gè)過程數(shù)據(jù)管理和處理。

應(yīng)用層主要是為了滿足功能需求。能夠根據(jù)功能需求提供剩余壽命預(yù)測(cè)的結(jié)果數(shù)據(jù)和狀態(tài)信息多形式地展示，同時(shí)滿足維修決策優(yōu)化處理和材料備件管理等業(yè)務(wù)需求。

2.2基于數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)過程

由數(shù)據(jù)采集平臺(tái)采集的數(shù)據(jù)，通過狀態(tài)監(jiān)測(cè)和數(shù)據(jù)采集系統(tǒng)的狀態(tài)數(shù)據(jù)，進(jìn)行預(yù)處理，識(shí)別特征值，并將特征數(shù)據(jù)傳輸給數(shù)據(jù)倉(cāng)庫(kù)，同時(shí)歷史數(shù)據(jù)庫(kù)中的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)通過數(shù)據(jù)預(yù)處理后，作為原始數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)倉(cāng)庫(kù)，數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)經(jīng)過積累，不斷完善性能退化和失效模型。經(jīng)過采集平臺(tái)的數(shù)據(jù)處理的特征數(shù)據(jù)進(jìn)入分布式數(shù)據(jù)庫(kù)，作為輸入值，利用神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)等智能方法，經(jīng)過計(jì)算模型輸出性能退化數(shù)據(jù)，經(jīng)過權(quán)重模型計(jì)算即可得到分布參數(shù)和剩余壽命?；跀?shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)，有五個(gè)階段。

2.2.1采集和調(diào)用數(shù)據(jù)

剩余壽命預(yù)測(cè)系統(tǒng)中，數(shù)據(jù)是實(shí)時(shí)采集的多源大數(shù)據(jù)集，一般考慮設(shè)計(jì)花費(fèi)、硬件支持和處理速度，通常會(huì)對(duì)這一部分?jǐn)?shù)據(jù)進(jìn)行處理之后存儲(chǔ)到數(shù)據(jù)倉(cāng)庫(kù)中。

2.2.2數(shù)據(jù)預(yù)處理

存儲(chǔ)在歷史數(shù)據(jù)庫(kù)中的性能退化和失效數(shù)據(jù)，格式可能為非結(jié)構(gòu)和結(jié)構(gòu)化的，很難直接用于分析模型計(jì)算。所以，多源的數(shù)據(jù)在應(yīng)用之前要進(jìn)行預(yù)處理。數(shù)據(jù)預(yù)處理是對(duì)來(lái)自傳感器收集的數(shù)據(jù)進(jìn)行去偽存真，剔除一些異常值，去除采集噪聲。為了避免影響分析結(jié)果，還要將去除異常值的空白區(qū)域采用插值計(jì)的方式補(bǔ)上，因?yàn)閿?shù)據(jù)來(lái)自不同的傳感器，還要按照特定的時(shí)間格式對(duì)數(shù)據(jù)進(jìn)行融合處理。歷史數(shù)據(jù)庫(kù)中的原始數(shù)據(jù)，在預(yù)處理過程中可以將數(shù)據(jù)進(jìn)行抽取、轉(zhuǎn)換、加載等操作。

2.2.3提取特征

應(yīng)用大數(shù)據(jù)技術(shù)建立性能退化和失效模型，并不能直接將大數(shù)據(jù)集輸入到神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)模型中，為了提高效率和找出主要影響因素，一般采用特征提取辦法，這些提取出來(lái)的特征會(huì)捕捉大數(shù)據(jù)集中更高層次的信息。提取特征值存儲(chǔ)到數(shù)據(jù)倉(cāng)庫(kù)并進(jìn)行處理運(yùn)算是必不可少的一步。

2.2.4建立模型

通過特征數(shù)據(jù)和性能退化數(shù)據(jù)，訓(xùn)練失效模型，此過程需要采用不斷迭代的辦法，不斷完善。一般將性能退化過程認(rèn)為是一種隨機(jī)過程，采用性能監(jiān)測(cè)數(shù)據(jù)和歷史退化數(shù)據(jù)、采用機(jī)器學(xué)習(xí)建立的隨機(jī)過程退化模型，并確定的失效閾值，剩余壽命值能夠根據(jù)實(shí)時(shí)提取的特征數(shù)據(jù)實(shí)時(shí)更新。

2.2.5部署模型

在數(shù)據(jù)庫(kù)中，利用原始數(shù)據(jù)采用機(jī)器學(xué)習(xí)訓(xùn)練完善的預(yù)測(cè)模型，需要能夠部署到轉(zhuǎn)換成嵌入式程序更新到設(shè)備中，同時(shí)特征提取模型能夠根據(jù)機(jī)器學(xué)習(xí)的結(jié)果實(shí)時(shí)更新到傳感器數(shù)據(jù)處理模塊中。

3展望

基于數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)理論雖然已經(jīng)有了不少的分析方法，但是由于模型的建立過程依靠大量的歷史性能退化過程數(shù)據(jù)和失效數(shù)據(jù)，而現(xiàn)代武器系統(tǒng)的更細(xì)速度太快，很難積累到大量的有效數(shù)據(jù)，大部分的分析都采用仿真數(shù)據(jù)來(lái)修正完善模型，這與真實(shí)的工作載荷和環(huán)境應(yīng)力有較大的差異。此外，隨著基礎(chǔ)學(xué)科建設(shè)的不斷加強(qiáng)，基于物理失效模型的研究不斷深入，基于數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)方法如果能將基于物理失效模型數(shù)據(jù)納入其中進(jìn)行分析，將會(huì)很大程度上提高分析精度。相信隨著大數(shù)據(jù)技術(shù)的不斷發(fā)展，以及聯(lián)合作戰(zhàn)數(shù)據(jù)的不斷積累、多源數(shù)據(jù)的不斷融合，結(jié)合各種預(yù)測(cè)模型的優(yōu)勢(shì)，將會(huì)實(shí)現(xiàn)準(zhǔn)確的剩余壽命預(yù)測(cè)，并極大程度上避免由于裝備故障降低作戰(zhàn)效能，提高維修保障的效率和精準(zhǔn)質(zhì)量管理。

參考文獻(xiàn)

[1] 朱霖，寧芊，雷印杰，等.基于遺傳算法選優(yōu)的集成手段與時(shí)序卷積網(wǎng)絡(luò)的渦扇發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用，2020，40（12）：3534-3540.

[2] 車暢暢，王華偉，倪曉梅，等.基于深度學(xué)習(xí)的航空發(fā)動(dòng)機(jī)故障融合診斷[J].北京航空航天大學(xué)學(xué)報(bào)，2018，44（3）：621-628.

[3] ZHAI Q Q，YE Z-S.RUL Prediction of Deteriorating Products Using an Adaptive Wiener Process Model[J].IEEE Transactions on Industrial Informatics，2017，13（6）：2911-2921.

[4] 劉月峰，張小燕，郭威，等.基于優(yōu)化混合模型的航空發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)方法[J/OL].計(jì)算機(jī)應(yīng)用：1-11[2022-03-17].http：//kns.cnki.net/kcms/detail/51.1307.TP.20211026.1413.002.html.

[5] HONG C W，LEE C M，LEE KWANGSUK，et al.Remaining Useful Life Prognosis for Turbofan Engine Using Explainable Deep Neural Networks with Dimensionality Reduction.[J]. Sensors （Basel， Switzerland），2020，20（22）：1-19.

[6] 姬鵬飛，侯凡博，張修太，等.基于改進(jìn)KPCA方法的非線性過程故障診斷研究[J].安陽(yáng)工學(xué)院學(xué)報(bào)，2018，17（4）：14-17.

作者簡(jiǎn)介：李江龍（1989—），男，碩士，講師，研究方向?yàn)橘|(zhì)量管理、數(shù)據(jù)統(tǒng)計(jì)、信息管理。

郭超然（1987—），女，碩士，講師，研究方向?yàn)橘|(zhì)量管理、信息安全。

崔駿夫（1992—），男，碩士，講師，研究方向?yàn)橘|(zhì)量管理、數(shù)據(jù)統(tǒng)計(jì)、信息管理。