基于模糊粒计算技术的鲁棒随机配置网络集成

《Expert Systems with Applications》：Robust Stochastic Configuration Networks Ensemble with Fuzzy Granular Computing

剩余寿命预测 模糊C-均值聚类 随机配置网络 集成学习 重尾噪声鲁棒性

　　

张成龙|廖子豪|戴世成|谢源|张大卫|侯海伟

香港中文大学深圳分校数据科学学院，中国广东省518172

摘要

如今，随机配置网络（SCNs）作为一种具有监督机制的随机神经网络，在各种剩余使用寿命（RUL）预测任务中表现良好。然而，RUL预测模型的泛化性能容易受到传感器数据中的多模态重叠和重尾噪声的影响。为了解决这些问题，本文提出了一种基于模糊粒度计算的鲁棒随机配置网络集成模型，称为RSCNE–FGC。首先，我们使用模糊C均值（FCM）聚类将原始特征空间划分为多个信息颗粒，这些颗粒作为基础学习器的输入。随后，引入了一种基于成员一致性的门控聚合策略来集成基础学习器。此外，为了提高基础学习器的鲁棒性，我们开发了一种结合了广义最大互信息准则和?_2,1结构稀疏正则化的模态回归随机配置网络，以减少异常值的影响。在C-MAPSS和NC-MAPSS基准测试中的实验结果表明，RSCNE–FGC在鲁棒性和准确性方面均优于现有的随机和深度学习基线模型，并且在重尾噪声下保持了较低的方差。

引言

准确的剩余使用寿命（RUL）预测对于航空发动机至关重要，因为它们是高价值且安全关键的资产（Du, Fang, Zuo, Zhao, 2025; Fu, Jia, Lin, Suo, Guo, Zhang, Liu, 2025; Shan, Xiao, Fang, 2025）。近年来，深度学习在RUL预测方面取得了显著的成功，推动了深度神经架构的设计，进一步增强了预测能力（Alsuwian, Ansari, Mohd Zainuri, Ayob, Hussain, Lipu, Alhawari, Almawgani, Almasabi, Hindi, 2024; Wen, Ren, Zhao, Zhai, Chen, 2024）。然而，这些模型通常会带来较大的计算开销，并且容易过拟合，尤其是在训练数据稀缺和测量数据噪声较大时，泛化能力会下降。在小规模数据回归方面，这仍然是许多实际应用中的一个基本挑战（Zhang, Zhang, Wang, Zhou, & Zhang, 2025c）。对于航空发动机的RUL预测，从运行到故障的轨迹是有限的，而且模型更新往往需要在实时约束下进行，这就需要能够高效训练和更新的学习框架，同时保持良好的泛化能力和鲁棒性（Ansari, Mohd Zainuri, Ayob, Lipu, Rahman, Ibrahim, Hannan, 2024; Siebra, Kurpicz-Briki, Wac, 2024; Tama, Vania, Lee, et al., 2023）。

相比之下，具有随机权重的神经网络（NNRWs）由于训练效率高和计算成本低而在工业预测建模中受到了越来越多的关注（Chen, Liu, 2018; Pao, Park, Sobajic, 1994; Wang, Li, 2017b）。其中，随机配置网络（SCNs）采用数据依赖的监督机制来逐步构建网络架构，实现了快速训练和有竞争力的泛化能力（Wang & Li, 2017b）。因此，SCNs已成功应用于工业过程建模、非线性回归和各种预测任务（Hu, Yan, 2026; Liu, Li, Huang, Ding, Jiang, 2024a; Wang, Wang, Chen, Zhang, 2022; Wang, Liu, Zhang, He, Sun, 2026）。在实际的RUL预测场景中，由于复杂的运行条件和传感器故障，训练数据通常包含噪声或异常值，导致RUL估计出现偏差或不稳定。

为了解决这些挑战，已经开发了几种鲁棒的SCN版本（Li, Huang, Wang, 2019; Wang, Li, 2017a; Zhang, Cheng, Xue, Wu, Zhang, 2025a; Zhang, Guo, Wang, Ding, Wu, Zhang, 2025b）。传统的鲁棒SCNs通常使用加权最小二乘损失来确定输出权重，其中最大互信息准则（MCC）（Li et al., 2019）和核密度估计（KDE）（Wang & Li, 2017a）被用来减少异常样本的影响。此外，由于集成学习可以进一步提高鲁棒SCN的泛化性能（Zhang, Wang, & Zhang, 2024; Zhang et al., 2025a）提出了一种基于图直觉模糊方法的新型深度集成随机配置网络，该方法利用直觉模糊理论来计算样本的成员和非成员值。同时，（Zhang et al., 2024）通过加权负相关学习引入了鲁棒的去相关随机配置网络集成，结合了加权负相关学习和?₁正则化来增强噪声下的回归性能。

然而，鲁棒随机配置网络集成模型在小规模RUL预测任务中仍存在两个关键限制：（1）大多数集成模型缺乏细粒度的粒度信息，难以明确捕捉局部异质性和处理多模态运行条件下的重叠退化模式；（2）基础学习器的鲁棒性需要进一步提高，以应对实际场景中的重尾噪声。基于模糊C均值（FCM）聚类的模糊粒度计算（FGC）为集成学习建立了一个结构化、层次化的框架，包括三个连贯的层次：（1）软粒度化，其中数据点被分配到多个颗粒中以捕捉局部相似性和跨模式不确定性；（2）局部专家构建，每个颗粒训练一个专门的基础学习器来模拟特定区域的模式；（3）模糊集成学习，其中成员度指导所有专家预测的加权融合。因此，在存在异常值和重尾噪声的情况下进行可靠的RUL预测仍然是一个具有挑战性的任务。

为了解决这些问题，我们提出了一种基于模糊粒度计算的鲁棒随机配置网络集成模型，称为RSCNE–FGC。具体来说，我们首先使用模糊C均值（FCM）作为软聚类方法来获得成员度和聚类中心，生成多个信息颗粒用于基础学习器的训练（Gao, Wang, Xie, Pan, 2022; Hashemi, Gholian-Jouybari, Hajiaghaei-Keshteli, 2023）。此外，利用成员信息进行高置信度颗粒构建和集成学习中的成员一致性门控聚合。对于每个颗粒，我们构建了结合了广义最大互信息准则（Liu, Liu, Chen, Wang, 2024b; Wang, et al., 2020; Zhao, Lu, Chen, 2025）的鲁棒基础学习器，即模态回归随机配置网络。同时，引入了?_2,1结构稀疏正则化来减少高维冗余（Qiao, Chen, Wang et al., 2025）。

本文的主要贡献总结如下：

我们提出了一种基于模糊粒度计算的鲁棒随机配置网络集成模型，用于航空发动机的RUL预测，称为RSCNE–FGC。

我们使用模糊C均值（FCM）来获得基础学习器的成员度和信息颗粒，并进行基于成员一致性的集成学习。

我们开发了一种结合了模态回归、广义最大互信息准则和?_2,1结构稀疏正则化的鲁棒基础学习器，以减少重尾噪声的影响。

在多种噪声场景下的C-MAPSS和NC-MAPSS实验验证了所提出框架的有效性。

本文的其余部分组织如下：第2节介绍随机配置网络、模糊粒度计算和模态回归的初步知识。第3节详细介绍了所提出的RSCNE–FGC框架。第4节报告了广泛的实验结果和分析。最后，第5节总结了本文并讨论了未来研究的潜在方向。

随机配置网络

随机配置网络（SCNs）是一类具有通用逼近性质（UAP）的随机神经网络（Wang & Li, 2017b）。其中，SCNs使用监督机制来确定输入参数并逐步构建网络架构。

算法的主要过程可以如下说明：

设$X\in R^{N\times D}$表示输入矩阵，$T\in R^N$表示目标向量。给定一个目标函数$f:R^D\to R^m$，假设我们构建了一个具有$L?1$个隐藏节点的SCN模型。

问题与动机

在实际的航空发动机RUL预测中，传感器测量数据通常表现出多模态非平稳性和模态重叠，导致许多样本位于模糊模态界面附近，因此在多个信息颗粒之间具有模糊的成员关系。同时，现实世界的数据经常受到传感器故障和偶然干扰引起的噪声和异常值的影响。因此，在本节中，我们提出了一种基于模糊粒度的鲁棒随机配置网络集成模型。

实验结果与分析

所有实验都在配备了Intel? Core^TM i5-6300HQ CPU（2.30 GHz）的Windows 10系统上进行，主要使用MATLAB R2022a作为实现平台。

结论

对于在多模态重叠和重尾噪声下的鲁棒航空发动机剩余使用寿命（RUL）预测，本文提出了一种基于模糊粒度的鲁棒随机配置网络集成模型，称为RSCNE-FGC。首先，我们使用模糊C均值（FCM）获得软成员度和聚类原型，这些原型定义了多个信息颗粒并通过提高局部同质性来减轻模态重叠。接下来，在每个颗粒内，我们开发了一种鲁棒的模态回归模型。

CRediT作者贡献声明

张成龙：撰写——原始草稿，概念化，方法论，软件。廖子豪：数据整理，撰写——原始草稿，软件。戴世成：数据整理，可视化，调查。谢源：数据整理，撰写——审阅与编辑。张大卫：撰写——审阅与编辑，监督，形式分析。侯海伟：撰写——审阅与编辑，可视化，监督。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。