基于數據驅動的剩余壽命預測研究

李江龍 郭超然 崔駿夫

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

摘要：該文針對目前聯合作戰數據工程的建設不斷推進，為共享作戰數據建設成果，推進裝備維修保障的能力和效率，借助近期大數據技術的發展優勢，闡述實現基于數據驅動的剩余壽命預測的優勢和可行性。系統總結了目前剩余壽命預測主要方法和適用條件，重點介紹了基于數據驅動的剩余壽命預測一般技術框架圖和系統組成，論述了利用多源數據實現基于數據驅動的剩余壽命預測的一般過程，提出了未來裝備剩余壽命預測的發展期望。

關鍵詞：數據驅動 ?大數據 ?剩余壽命預測 ?性能退化

中圖分類號：TP18 ???文獻標識碼：A ??文章編號：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

隨著科學技術的發展和現代工業技術的提高，武器裝備系統的更新不斷進行，功能和性能提升的同時伴隨著系統不斷提高，武器系統中各組成部分關聯性也越來越密切，所有的這些都給裝備的質量管理帶來了極大的挑戰，一個組成部分的故障不僅會帶來巨額的維修花費，往往還會影響整個系統功能，甚至極大降低作戰體系效能。此外，武器系統中多技術、多專業的高度融合，給維修保障工作帶來了巨大的挑戰。近年來，各國都在研究采用多源信息融合技術，收集各種可利用的數據，研究裝備故障診斷和壽命預測技術，實現基于事后維修或定期檢查策略向基于狀態的視情維修轉變。該文將結合目前武器系統裝備維修保障特點，總結現有剩余壽命預測方法的基礎上，研究基于數據驅動的裝備剩余壽命預測方法，旨在提高裝備的可靠性、安全性，降低維修保障費用，提高裝備系統的作戰效能。

1剩余壽命預測方法

預測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據，結合積累維修保障過程中的各種經驗，大致可以分為基于經驗的預測、基于物理模型的預測、基于數據驅動的預測三種主流方法。其中，基于經驗的方法是比較傳統的統計方法。然而這種基于歷史數據和經驗的統計方法適用于評估裝備系統、子系統或者某一種設備整體的通用質量特性時具體進行到某個系統或設備的壽命預測時，往往誤差較大，精確度不是很高，只能作為制訂定時維修計劃的參考依據?；谖锢砟Ｐ偷念A測方法，跟基于經驗模型的預測方法相比，原理要復雜得多。這種預測方法一般適用于研究疲勞失效、機械磨損、結構腐蝕等問題，在其他方面由于物理失效的過程復雜或關聯因素過多，導致失效建模比較困難，所以限制其應用范圍。目前，由于信息技術的快速發展和人工智能技術的大規模應用，基于數據驅動技術的剩余壽命預測技術也得到了不斷的發展，基于數據驅動的剩余壽命預測方法能夠結合多源信息融合技術，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、負載及運行環境的變化等，掌握性能退化過程，從而預測剩余壽命，其建模相對簡單，通用性也較好。

2基于數據驅動的壽命預測

數據驅動的主要是依靠提取跟裝備同類型的歷史數據庫中的各種輸入和輸出數據，建立裝備的性能退化和失效模型，掌握性能退化過程，然后結合自身裝備傳感器實時采集數據，進行性能退化特征提取和模式識別，根據能退化和失效模式，預測裝備的剩余壽命。

2.1基于數據驅動的系統搭建

2.1.1數據采集系統設計

要實時掌握裝備系統的狀態，必須借助傳感器，將位移、振動、聲音、圖像速度、溫濕度、流量等信號轉換為電信號，從而實現狀態信息的實時采集，通過信息系統傳輸給數據管理和處理系統。在一些較早生產的裝備系統由于前期進行設計生產的時候未考慮到后期要進行數據采集需求，而采用在后期使用過程中加改裝的方法，不僅給裝備的結構造成影響，也消耗了大量的人力、物力和財力，而且有些關鍵部位仍無法實現實時監測。所以，在前期進行方案論證和設計時就應該將數據采集系統的設計納入到整體系統設計中。從功能需求為出發點，梳理各類數據采集需求，根據數據需求布局各種傳感器，結合裝備結構和功能特點，同時考慮系統的可靠性、性價比、開發周期等因素進行設計，采集需要的數據。

數據采集系統設計要堅持以下原則：盡可能采用“以軟代硬”的原則，增加系統的柔性，方便以后的升級;設計過程中，要按照設計方案由系統到設備，逐層分解到模塊和單元，保證采集系統能夠達到規定的性能指標，比如采樣分辨率、采樣頻率和系統分辨率等指標;數據采集系統要安全可靠，不能給使用人員和操作人員帶來傷害，同時要具有很強的抗干擾能力;數據采集系統要盡量采用集成式、模塊化設計，便于以后的維護和維修。

2.1.2數據管理與處理系統

基于數據驅動的剩余壽命預測的核心是以大數據技術為依托的數據管理與處理系統，主要是實現數據管理和處理。

物理層主要是整體系統的基礎設施，包括硬件的支持系統、數據采集和處理模塊、信息傳輸網絡組成，實現狀態監測數據的從采集端傳輸至數據庫和應用端，保證數據采集、轉換過程的安全性。

數據層是系統的主要部分。應用大數據技術，主要實現數據的從采集完成到輸出到應用層的整個過程數據管理和處理。

應用層主要是為了滿足功能需求。能夠根據功能需求提供剩余壽命預測的結果數據和狀態信息多形式地展示，同時滿足維修決策優化處理和材料備件管理等業務需求。

2.2基于數據驅動的剩余壽命預測過程

由數據采集平臺采集的數據，通過狀態監測和數據采集系統的狀態數據，進行預處理，識別特征值，并將特征數據傳輸給數據倉庫，同時歷史數據庫中的結構化和非結構化數據通過數據預處理后，作為原始數據存儲在數據倉庫，數據倉庫數據經過積累，不斷完善性能退化和失效模型。經過采集平臺的數據處理的特征數據進入分布式數據庫，作為輸入值，利用神經網絡、機器學習等智能方法，經過計算模型輸出性能退化數據，經過權重模型計算即可得到分布參數和剩余壽命?；跀祿寗拥氖Ｓ鄩勖A測，有五個階段。

2.2.1采集和調用數據

剩余壽命預測系統中，數據是實時采集的多源大數據集，一般考慮設計花費、硬件支持和處理速度，通常會對這一部分數據進行處理之后存儲到數據倉庫中。

2.2.2數據預處理

存儲在歷史數據庫中的性能退化和失效數據，格式可能為非結構和結構化的，很難直接用于分析模型計算。所以，多源的數據在應用之前要進行預處理。數據預處理是對來自傳感器收集的數據進行去偽存真，剔除一些異常值，去除采集噪聲。為了避免影響分析結果，還要將去除異常值的空白區域采用插值計的方式補上，因為數據來自不同的傳感器，還要按照特定的時間格式對數據進行融合處理。歷史數據庫中的原始數據，在預處理過程中可以將數據進行抽取、轉換、加載等操作。

2.2.3提取特征

應用大數據技術建立性能退化和失效模型，并不能直接將大數據集輸入到神經網絡和機器學習模型中，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，這些提取出來的特征會捕捉大數據集中更高層次的信息。提取特征值存儲到數據倉庫并進行處理運算是必不可少的一步。

2.2.4建立模型

通過特征數據和性能退化數據，訓練失效模型，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為是一種隨機過程，采用性能監測數據和歷史退化數據、采用機器學習建立的隨機過程退化模型，并確定的失效閾值，剩余壽命值能夠根據實時提取的特征數據實時更新。

2.2.5部署模型

在數據庫中，利用原始數據采用機器學習訓練完善的預測模型，需要能夠部署到轉換成嵌入式程序更新到設備中，同時特征提取模型能夠根據機器學習的結果實時更新到傳感器數據處理模塊中。

3展望

基于數據驅動的剩余壽命預測理論雖然已經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據和失效數據，而現代武器系統的更細速度太快，很難積累到大量的有效數據，大部分的分析都采用仿真數據來修正完善模型，這與真實的工作載荷和環境應力有較大的差異。此外，隨著基礎學科建設的不斷加強，基于物理失效模型的研究不斷深入，基于數據驅動的剩余壽命預測方法如果能將基于物理失效模型數據納入其中進行分析，將會很大程度上提高分析精度。相信隨著大數據技術的不斷發展，以及聯合作戰數據的不斷積累、多源數據的不斷融合，結合各種預測模型的優勢，將會實現準確的剩余壽命預測，并極大程度上避免由于裝備故障降低作戰效能，提高維修保障的效率和精準質量管理。

參考文獻

[1] 朱霖，寧芊，雷印杰，等.基于遺傳算法選優的集成手段與時序卷積網絡的渦扇發動機剩余壽命預測[J].計算機應用，2020，40（12）：3534-3540.

[2] 車暢暢，王華偉，倪曉梅，等.基于深度學習的航空發動機故障融合診斷[J].北京航空航天大學學報，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.基于優化混合模型的航空發動機剩余壽命預測方法[J/OL].計算機應用：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KPCA方法的非線性過程故障診斷研究[J].安陽工學院學報，2018，17（4）：14-17.

作者簡介：李江龍（1989—），男，碩士，講師，研究方向為質量管理、數據統計、信息管理。

郭超然（1987—），女，碩士，講師，研究方向為質量管理、信息安全。

崔駿夫（1992—），男，碩士，講師，研究方向為質量管理、數據統計、信息管理。