基于回歸算法的裝備健康度預(yù)測方法

呂婷婷，王清，柏林元

(陸軍工程大學(xué) 野戰(zhàn)工程學(xué)院，江蘇 南京 210007)

隨著裝備信息化水平的不斷提高，其維修保障和作戰(zhàn)訓(xùn)練的難度也在持續(xù)增加，為保證裝備戰(zhàn)斗力持續(xù)生成，在裝備的使用與維護(hù)中，其健康度的預(yù)測精準(zhǔn)度對于是否能順利完成任務(wù)至關(guān)重要。近年來諸多學(xué)者在健康預(yù)測方面進(jìn)行了深入研究，文獻(xiàn)[1]針對齒輪箱健康狀態(tài)的好壞，提出了相對健康度的評價(jià)模型，將齒輪箱的健康度劃分到0-1的范圍，實(shí)現(xiàn)了齒輪箱健康狀態(tài)的量化評估。文獻(xiàn)[2]針對風(fēng)機(jī)葉片開裂的問題，使用了機(jī)器學(xué)習(xí)的兩種方法對其進(jìn)行健康預(yù)測，為風(fēng)機(jī)葉片的健康狀況的檢測提供了參考標(biāo)準(zhǔn)。文獻(xiàn)[3]使用機(jī)器學(xué)習(xí)中邏輯回歸、支持向量機(jī)和深度神經(jīng)網(wǎng)絡(luò)對哮喘早期預(yù)測均有明顯優(yōu)勢，其預(yù)測的準(zhǔn)確性也大大提高。大部分裝備健康度主要停留在定性分析與評估層面[4]，雖然能一定程度上解決裝備健康度等級劃分的問題，但是仍然存在分類標(biāo)準(zhǔn)不統(tǒng)一、評估結(jié)果粗糙、主觀性較大、準(zhǔn)確性較低等問題，對裝備缺乏精細(xì)化管理。針對當(dāng)前裝備健康度預(yù)測現(xiàn)狀，在原有裝備科學(xué)分類的基礎(chǔ)上，結(jié)合裝備結(jié)構(gòu)本身特點(diǎn)及運(yùn)行機(jī)制，以一種定量的方法對裝備健康度進(jìn)行細(xì)化管理，即建立一種可以進(jìn)行連續(xù)值輸出的裝備健康度回歸預(yù)測模型，從而實(shí)現(xiàn)根據(jù)現(xiàn)有裝備健康狀況預(yù)測未來裝備的健康狀態(tài)。

1 裝備健康度預(yù)測指標(biāo)體系構(gòu)建

1.1 指標(biāo)體系分析

裝備的結(jié)構(gòu)組成復(fù)雜，不同的零部件和子系統(tǒng)都具有不同的健康運(yùn)行狀態(tài)，在對裝備進(jìn)行健康度預(yù)測前應(yīng)建立裝備健康度評估指標(biāo)體系，確定其預(yù)測指標(biāo)，統(tǒng)一預(yù)測標(biāo)準(zhǔn)，方可得到準(zhǔn)確的預(yù)測結(jié)果。影響裝備健康度預(yù)測的因素較多，這些因素從不同角度、不同層次反映了裝備運(yùn)行情況的好壞。在裝備健康度預(yù)測指標(biāo)體系中，指標(biāo)選取的并非越多越好，而是從基于預(yù)測指標(biāo)的代表性出發(fā)，即盡量選擇最能反映裝備健康狀態(tài)好壞的典型指標(biāo)，剔除相對次要的指標(biāo)，并且保證每個(gè)指標(biāo)的可測性、完備性、獨(dú)立性、客觀性、靈敏性及一致性[5]。筆者綜合考慮裝備壽命、使用維修情況、裝備及其子系統(tǒng)健康狀況的特點(diǎn)，構(gòu)建了裝備健康度預(yù)測指標(biāo)體系，并將其分為兩大類，分別是裝備總體健康度和裝備子系統(tǒng)健康度，具體指標(biāo)體系如圖1所示。

表1 裝備健康度預(yù)測指標(biāo)體系

1.2 裝備健康狀態(tài)等級劃分

在以往的裝備健康狀態(tài)等級劃分中，一般將裝備的綜合健康度分成優(yōu)、良、中、差、故障5個(gè)類別，為區(qū)分同一健康等級下裝備的具體健康度，采取更加精細(xì)化的連續(xù)分值表示。基于此，建立裝備健康度回歸預(yù)測模型，將簡單的裝備健康度的分類分級評估轉(zhuǎn)為實(shí)數(shù)回歸，結(jié)合客觀評估規(guī)則和專家評判法最終確定裝備健康度[6]，以0～100分值表示，具體劃分范圍如表2所示。

表2 裝備健康狀態(tài)劃分范圍

2 基于回歸算法的裝備健康度預(yù)測模型

機(jī)器學(xué)習(xí)回歸算法是一種有監(jiān)督的算法，用來構(gòu)建自變量和應(yīng)變量之間的關(guān)系，從而實(shí)現(xiàn)對數(shù)據(jù)的連續(xù)預(yù)測。常用的回歸算法有線性回歸(LR)[7]、K近鄰分類算法(KNN)[8]、支持向量機(jī)(SVM)[9]、決策樹(DT)[8]、隨機(jī)森林(RF)[8, 10]、梯度提升決策樹(GBDT)[11]、Adaboost算法[12]、Bagging算法[13]和極端隨機(jī)樹(ET)[14]等。由于各類算法在同一應(yīng)用場景下效果不一，為論證機(jī)器學(xué)習(xí)回歸算法在本問題研究中的實(shí)際運(yùn)用情況，筆者基于以上典型回歸算法構(gòu)建裝備健康度預(yù)測模型。

根據(jù)前文分析，裝備健康度中子指標(biāo)機(jī)器健康度的計(jì)算方法基本一致，因此可采集不同種類裝備的健康運(yùn)行數(shù)據(jù)構(gòu)建數(shù)據(jù)集，將其作為原始數(shù)據(jù)集用于后續(xù)回歸預(yù)測，以提高模型準(zhǔn)確性。

裝備健康度預(yù)測是對裝備的綜合健康度進(jìn)行預(yù)測，筆者所建立的基于回歸算法的裝備健康度預(yù)測模型具體步驟如下：

1)根據(jù)裝備健康度評估指標(biāo)體系進(jìn)行裝備的健康狀態(tài)監(jiān)測，從而獲取健康數(shù)據(jù)，得到數(shù)據(jù)集樣本特征值。

2)使用表2中的客觀評估規(guī)則和基于主觀描述的專家打分，對裝備健康度進(jìn)行實(shí)數(shù)打分，得到數(shù)據(jù)集樣本標(biāo)簽。

2018年度第五屆法國INNODESIGN PRIZE國際創(chuàng)新設(shè)計(jì)大獎(jiǎng)?lì)C獎(jiǎng)典禮于11月7日在法國梅斯隆重舉行。活動得到了法國梅斯市政廳、法國創(chuàng)意與設(shè)計(jì)專業(yè)委員會及中國駐斯特拉斯堡總領(lǐng)館的大力支持。今年大獎(jiǎng)注重設(shè)計(jì)與生態(tài)、科技、環(huán)保、商業(yè)相結(jié)合，堅(jiān)持多元與融合的審核標(biāo)準(zhǔn)下，法國INNODESIGN PRIZE國際創(chuàng)新設(shè)計(jì)大獎(jiǎng)專業(yè)評審團(tuán)共收到各國參賽設(shè)計(jì)作品1607套，其中中方（含港澳臺地區(qū)）設(shè)計(jì)師成果豐碩，獲得提名作品162套，在平面設(shè)計(jì)、產(chǎn)品設(shè)計(jì)、空間設(shè)計(jì)類等方面獲獎(jiǎng)作品36套。

3)對劃分后的健康度數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，得到數(shù)據(jù)集T。

4)將數(shù)據(jù)集T劃分為訓(xùn)練集D和測試集S，并且D、S中各健康等級的樣本比例保持基本一致。

5)基于機(jī)器學(xué)習(xí)中的典型回歸算法構(gòu)建裝備健康度回歸預(yù)測模型，使用訓(xùn)練集訓(xùn)練模型(使用交叉驗(yàn)證)并用測試集預(yù)測。

6)重復(fù)步驟4和5共100次，得到預(yù)測結(jié)果，取平均值。

7)將預(yù)測結(jié)果與真實(shí)專家評分結(jié)果進(jìn)行對比分析，驗(yàn)證裝備健康度預(yù)測方法的有效性。

基于回歸算法的裝備健康度預(yù)測模型如圖1所示。

3 實(shí)驗(yàn)分析

3.1 數(shù)據(jù)集

為驗(yàn)證模型效果，選取3 285臺裝備健康度作為數(shù)據(jù)集樣本，其裝備健康度評估類別分布如圖2所示。

根據(jù)裝備健康度預(yù)測指標(biāo)體系得到裝備健康狀態(tài)的各項(xiàng)指標(biāo)值，以及使用客觀評估規(guī)則結(jié)合專家打分法得到裝備健康度的實(shí)數(shù)評分，如表3所示。

表3 裝備健康度評估采集部分?jǐn)?shù)據(jù)示例表

3.2 預(yù)測模型評估指標(biāo)

由于各類不確定因素影響，實(shí)驗(yàn)結(jié)果不可避免存在預(yù)測誤差，預(yù)測誤差是指預(yù)測值與實(shí)際值之間的差距。常用的評價(jià)標(biāo)準(zhǔn)如以下所示：

1)平均平方誤差，就是對誤差的平方和取平均值，可表示為

(1)

式中：n為樣本量；yt為實(shí)際值；ytp為預(yù)測值。

2)平均絕對誤差，可表示為

(2)

3)均方根誤差，可表示為

(3)

4)模型解釋度R2，可表示為

(4)

MSE值越大，證明真實(shí)值與模型預(yù)測值差值越大，誤差越大；從MAE表達(dá)式中絕對值可以看出，其損失函數(shù)有不可導(dǎo)點(diǎn)，因此，其目標(biāo)函數(shù)不能被優(yōu)化，不利于模型的評估，并且該指標(biāo)對離群點(diǎn)以及噪點(diǎn)都不敏感；RMSE表示模型誤差的標(biāo)準(zhǔn)差，其值越小則模型的性能越好；R2表示的是評估模型的擬合優(yōu)度，反應(yīng)回歸算法中自變量對因變量波動的可解釋程度，該值在0～1之間，其評估參數(shù)值越接近1，模型的回歸效果越好，可解釋性就越強(qiáng)。

3.3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證所建模型的有效性，將機(jī)器學(xué)習(xí)中常用的Adaboost、Bagging、ExtraTree、DT、GBDT、KNN、LR、RF、SVM共9種回歸算法代入到模型中進(jìn)行實(shí)驗(yàn)。

數(shù)據(jù)集按照7∶3劃分訓(xùn)練集和測試集，采集交叉驗(yàn)證的方法，并且保證每份中各類類別所占比例一樣，為避免結(jié)果隨機(jī)性的影響，將各算法對應(yīng)的回歸模型均運(yùn)行100次，評估指標(biāo)采用前述MSE、RMSE、R2來進(jìn)行評估，并獲取其最大值、最小值和均值，分析結(jié)果如表4所示。

表4 回歸預(yù)測模型的評估指標(biāo)

3.3.1 模型有效性分析

從表4中的R2指標(biāo)可以看出，模型對數(shù)據(jù)的擬合優(yōu)度可達(dá)到0.98以上，即使擬合效果最差的KNN算法也達(dá)到0.86以上，說明基于機(jī)器學(xué)習(xí)回歸算法所構(gòu)建的裝備健康度預(yù)測模型能較好的擬合專家評分結(jié)果，可有效拓展到實(shí)際運(yùn)用中。

3.3.2 模型算法優(yōu)選策略分析

根據(jù)最優(yōu)化理論中的“沒有免費(fèi)的午餐”定理，機(jī)器學(xué)習(xí)在不同應(yīng)用場景或特征下各回歸算法優(yōu)劣性不一，針對筆者提出的裝備健康度預(yù)測評估指標(biāo)體系，表4展示了筆者選用的9種常見回歸算法實(shí)驗(yàn)結(jié)果優(yōu)劣。

Bagging、RF、GBDT和DT算法都是集成算法，綜合考量了多個(gè)分類器的預(yù)測效果，泛化能力較強(qiáng)，表現(xiàn)總體較好；Adaboost的弱學(xué)習(xí)器數(shù)目難以確定，相比其他集成辦法，其預(yù)測精度下降；SVM、LR、KNN容易被異常值所影響，而采取專家打分法的裝備健康度標(biāo)簽具有一定的人為影響，難以完全避免異常值出現(xiàn)，因此效果不太理想。綜上所述，Bagging算法的實(shí)驗(yàn)結(jié)果最理想，其次是RF、GBDT和DT，因此在后續(xù)裝備健康度預(yù)測研究中，若采取與本文類似的裝備健康度預(yù)測指標(biāo)體系，可優(yōu)選以上4種算法構(gòu)建回歸預(yù)測模型。

3.3.3 結(jié)果可視化

為進(jìn)一步驗(yàn)證算法的性能，取測試集中的前100項(xiàng)數(shù)據(jù)樣本，對Bagging、RF、GBDT和DT這4種算法構(gòu)建模型的預(yù)測結(jié)果與真實(shí)值進(jìn)行繪圖對比，結(jié)果如圖3所示。

由圖3可知，Bagging、RF、GBDT和DT這4種算法對裝備健康度的擬合效果較好，未出現(xiàn)明顯的過擬合與欠擬合現(xiàn)象，進(jìn)一步說明了其對應(yīng)的模型具備較高的實(shí)用價(jià)值。

4 結(jié)束語

為克服傳統(tǒng)裝備健康度評估粗糙的缺陷，筆者以通用裝備為研究對象，針對裝備的健康度預(yù)測，結(jié)合裝備的結(jié)構(gòu)特點(diǎn)和運(yùn)行機(jī)制，提出了裝備健康度預(yù)測指標(biāo)體系，構(gòu)建了基于常見機(jī)器學(xué)習(xí)回歸算法的裝備健康度預(yù)測模型，通過實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了所建模型的有效性，并經(jīng)過數(shù)據(jù)分析給出了模型對選用算法的優(yōu)選策略，提高了未來裝備健康度預(yù)測效率，為裝備健康度科學(xué)預(yù)測和裝備的視情維修提供了依據(jù)，同時(shí)也在任務(wù)裝備優(yōu)選及平時(shí)裝備優(yōu)化保障方面具備一定參考價(jià)值。