《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：A hybrid deep learning framework for reliable and interpretable remaining life estimation in turbofan Engines: Focusing on Robustness, Generalization, and Sensor-Level interpretability
编辑推荐：
Y?ld?r?m ?züpak摘要准确预测涡轮风扇引擎的剩余使用寿命对于优化维护计划和提升运行安全至关重要。本研究基于NASA C-MAPSS基准数据集，提出了一种混合卷积神经网络-门控循环单元框架用于预测分析。卷积神经网络层用于从多变量传感器数据中提取与老化相关的局部特征，而门
Y?ld?r?m ?züpak
摘要
准确预测涡轮风扇引擎的剩余使用寿命对于优化维护计划和提升运行安全至关重要。本研究基于NASA C-MAPSS基准数据集，提出了一种混合卷积神经网络-门控循环单元框架用于预测分析。卷积神经网络层用于从多变量传感器数据中提取与老化相关的局部特征，而门控循环单元则能捕捉长期运行过程中的老化趋势。除了传统的以准确性为核心的评估方法外，该框架还通过以可靠性为导向的实验策略，注重模型的稳健性、可重复性和可解释性。研究通过与传统单独的卷积神经网络和门控循环单元模型对比，以及组件级消融实验和多次训练来评估统计稳定性。此外，还运用SHAP和LIME方法对模型行为和传感器的重要性进行全局及局部解释。在FD001–FD004子数据集上的实验验证表明，这种混合卷积神经网络-门控循环单元模型在不同运行条件和故障场景下仍能保持较高的预测精度和一致性。可解释性分析进一步显示，模型结果在很大程度上依赖于对老化敏感的热力学传感器信号。总体而言，该框架为航空引擎剩余使用寿命预测提供了一种可解释且可重复的深度学习方法，同时也指出了其在实际工业应用中的局限性。
引言
在现代工业系统中，设备意外故障会带来严重的安全问题和财务风险，尤其是在航空工程这类对安全性要求极高的领域。此类故障可能导致严重的安全后果、高昂的维护成本以及运营延误。因此，那些能够监测系统健康状况、及早发现老化迹象并在问题发生前做出预警的预测性维护系统越来越受到重视。预测性维护的一个主要目标就是准确估算剩余使用寿命，即系统在出现故障前还能运行的周期数[1]。
由于老化过程十分复杂且具有随机性，预测剩余使用寿命本身就极具难度。在现实环境中，系统需要通过带有噪声的高维传感器数据进行监测，要在不同条件下运行，并且初始磨损程度也各不相同。正是由于这些特点，剩余使用寿命的估算成为一项极具挑战性的学习任务，因为它们会产生高度非线性和非平稳的时间序列数据[2]。此外，由于老化模式通常同时包含短期局部波动和长期时间关联，因此需要能够同时捕捉不同时间尺度的模型[3]。
尽管过去已有研究探讨过混合卷积神经网络-门控循环单元架构，但其评估大多仅限于以准确性为核心的比较[4]。本研究的新颖之处在于将可解释性、可重复性和可靠性分析整合到同一个框架中，而非架构本身。具体而言，本研究通过以下方式填补了该领域的空白：(i)通过多次独立运行进行统计稳健性评估；(ii)结合SHAP和LIME方法进行可解释性分析；(iii)对所学特征进行面向工程的解读。
早期预测剩余使用寿命的方法依赖基于物理的模型或随机森林、支持向量机之类的传统机器学习方法[5]。虽然这些技术在受控环境中表现良好，但往往需要大量的特征工程处理，且难以推广到其他运行环境[6]。而深度学习技术能够自动从未经处理的传感器数据中学习特征，因此近年来逐渐成为更有效的替代方案[7]。虽然循环神经网络，如长短期记忆网络和门控循环单元网络，表现出良好的模拟长期时间依赖关系的能力，但卷积神经网络也被广泛用于提取局部老化特征[8]。
即便有了这些进展，现有方法仍存在明显缺陷。循环型模型可能容易受到传感器噪声的影响，且缺乏明确的局部特征抽象机制，而基于卷积神经网络的模型则常常难以捕捉长距离的时间相关性[9]。虽然近期有研究探讨过结合卷积和循环组件的混合架构，但这些研究大多只关注预测精度，很少考虑多次训练过程中的稳健性、系统的定性分析或模型的可解释性[10]。这样的不足会阻碍这类技术在安全关键型应用中的实际应用，因为决策者除了需要准确的预测结果外，还需要可靠且易于理解的模型[11]。
虽然以往有关剩余使用寿命的研究也曾探讨过混合卷积神经网络-门控循环单元架构，但其评估往往仅限于在最简单的基准数据集上进行的单次运行精度比较。而本研究并非要提出一种全新的网络结构，而是注重方法的严谨性。因此，其主要贡献在于构建了一个更为可靠的实验框架，用于基于混合卷积神经网络-门控循环单元的剩余使用寿命预测，该框架采用了面向工程的特性解读、可控的基准测试、经过优化的消融实验、多次运行下的稳健性分析，以及针对FD001–FD004子数据集的交叉验证。
本研究的主要创新点不在于提出一种全新的神经网络架构，而在于建立了一个经过严格评估的、以可靠性为导向的混合深度学习剩余使用寿命预测框架。与许多仅侧重于单次运行预测精度的现有卷积神经网络-门控循环单元研究不同，所提出的框架将多次运行的统计稳健性分析、基于可解释性的解读、可控的消融实验、跨子数据集验证以及面向工程的老化特征解读整合到了一个统一的实验流程中。
综上，本研究的主要贡献可总结如下：
- •
构建了一个标准化且可重复的实验框架，使得在相同的数据预处理、训练配置、优化策略和评估标准下，能够对卷积神经网络、门控循环单元以及混合卷积神经网络-门控循环单元架构进行一致性的比较；
- •
在NASA C-MAPSS的四个子数据集（FD001–FD004）上对所提出的预测框架进行了系统性验证，从而全面评估了该模型在不同运行条件和故障场景下的泛化能力；
- •
设计了一种基于组件的消融策略，在控制严格且配置一致的前提下对模型结构进行修改，从而减少因模型设置不一致而产生的偏差；
- •
通过多次实验运行来研究预测的稳健性和训练的稳定性，结果采用均值和标准差等统计指标进行呈现，而非仅仅依赖单次运行的性能指标；
为进一步阐明本研究在方法论方面的贡献，表1总结了本研究与典型基于卷积神经网络-门控循环单元的剩余使用寿命预测研究之间的主要差异。与许多仅关注在FD001数据集上单次运行预测精度的现有研究不同，所提出的框架将稳健性分析、可解释性评估、可控的基准测试以及面向工程的解读整合到了一个统一的以可靠性为导向的评估体系中。
如表1所示，本研究更注重方法的可靠性、可解释性以及以稳健性为导向的评估，而非推出一种全新的神经网络架构。
本文的其余部分结构如下：第2节回顾了剩余使用寿命预测及相关深度学习预测方法的研究现状；第3节介绍了数据集、所提出的模型以及实验方法；第4节展示了实验结果及分析；第5节讨论了研究结论及其意义；第6节则对未来研究方向进行了展望。
章节要点
文献综述
在预测性维护研究中，准确预测剩余使用寿命的重要性日益凸显，尤其是对于在安全关键场景下运行的涡轮风扇引擎。以往的研究大多采用传统的、基于物理原理的机器学习技术，而这些方法往往难以捕捉复杂的非线性老化现象[12]。随着多变量传感器技术的发展，深度学习技术凭借其能够自动从原始时间序列数据中提取与老化相关特征的优势，越来越受到关注。
材料与方法
本节介绍了用于涡轮风扇引擎剩余使用寿命预测的数据集、模型架构以及实验方法。研究使用了来自NASA C-MAPSS基准数据集的多变量时间序列传感器数据，对三种深度学习模型——卷积神经网络、门控循环单元以及混合卷积神经网络-门控循环单元架构进行了分析。所提出的方法包括数据预处理、剩余使用寿命标注、模型训练，以及利用传统回归指标进行性能评估，所有这些均属于该方法体系的一部分。对于那些对安全性要求极高的预测应用而言，
实验结果
本节利用NASA C-MAPSS数据集，评估了卷积神经网络、门控循环单元以及混合卷积神经网络-门控循环单元模型在涡轮风扇引擎剩余使用寿命预测方面的性能。实验主要在FD001子数据集上进行，以确保与现有的基准研究结果具有一致性。模型性能通过定量指标、学习行为、预测轨迹、对比基准分析、消融实验以及可解释性评估等方式进行综合分析。
讨论
本节分析了基于所提出的混合卷积神经网络-门控循环单元框架在涡轮风扇引擎剩余使用寿命预测方面所得到的实验结果。通过对比独立使用的卷积神经网络和门控循环单元架构，从预测精度、稳定性、稳健性以及可解释性等方面对结果进行了分析。此外，还从工程实践和实际维护的角度，对可解释性分析的结果进行了进一步探讨。
结论
本研究利用NASA C-MAPSS基准数据集，提出了一种混合卷积神经网络-门控循环单元框架，用于预测涡轮风扇引擎的剩余使用寿命。该框架通过结合门控循环单元的时间序列学习能力与卷积神经网络的特征提取能力，能够同时捕捉长期的运行依赖关系和局部的老化特征。研究重点采用了以稳健性分析为基础的可靠性导向评估方法，
CRediT作者贡献说明
Y?ld?r?m ?züpak：撰写——审阅与编辑，撰写——初稿，指导，方法设计。
利益冲突声明
作者声明自己不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
