生产系统中运行至失效维护预测的退化指数模型

《Scientific Reports》：A degradation index model for maintenance prediction run-to-failure in production systems

　　

在工业4.0环境中，及时的资产维护仍是一项关键挑战。预测性维护(PdM)旨在预见故障并估计剩余使用寿命(RUL)，从而降低成本和最小化生产停机时间。然而，真实工业场景常伴随噪声遥测数据、运行条件信息不完整以及弱退化信号，限制了常规数据驱动方法的有效性。研究人员提出一种在此类挑战条件下进行RUL预测的方法，利用原始传感器遥测数据而无需机器运行特性的详细信息。该方法引入一种新颖的退化指数(Degradation Index, DI)，并与健康指数(Health Index, HI)结合以更好表征退化模式。此外，应用包括Savitzky–Golay和Kalman滤波器在内的信号预处理技术以减轻噪声并改善数据质量。该方法整合统计分析、基于相似性的模式提取，以及包括卷积神经网络(CNN)和长短期记忆(LSTM)模型在内的机器学习技术，用于特征选择与预测。在真实工业数据集上的实验表明，所提方法显著提升预测性能，达到高精度并可提前至多五天预见故障。结果凸显了特征工程与信号处理在PdM应用中的重要性，表明将退化建模与深度学习结合可在噪声大、部分可观测环境中产生鲁棒且可泛化的RUL预测。

研究背景方面，工业4.0环境下资产维护面临关键挑战，预测性维护(PdM)通过预见故障与估计剩余使用寿命(RUL)来降本增效，但真实工业遥测常具高噪声、运行条件缺失、退化信号弱等特征，传统数据驱动方法受限。现有文献多聚焦工况明晰、数据洁净的场景，对部分可观测遥测的鲁棒方法存在空白。为此，研究人员开展一项面向噪声大、无机器技术参数、弱退化信号场景的RUL预测研究，最终在真实工业数据集上取得R2达0.744、准确率91.08%、可提前五天预见故障的结果，论证了退化建模与深度学习融合在Scientific Reports发表价值下的通用性意义。

关键技术方法上，研究人员采用微软Azure AI平台公开工业数据集（100台机器、逐年每小时电压/转速/压力/振动遥测及错误与维护记录）与夏威夷自然能源研究所(HNEI)电池数据集做跨域验证；以按故障切分训练测试集、100周期滑窗构造样本；设计仅依赖全局平均寿命的指数型退化指数(DI)=e^{1?cycle/mean(RUL)}，结合线性与逻辑回归融合传感器的健康指数(HI)，经主成分分析(PCA)得到HI_fitted；对遥测施以Savitzky–Golay与Kalman平滑；以固定超参的卷积神经网络(CNN, 4层Conv1D+全连接)与长短期记忆网络(LSTM, 3层)做序列回归，用R2、MAPE、RMSE等评价。

研究结果部分，背景节指出PdM四类路线（经验、物理模型、知识、数据驱动）中数据驱动为主流但受噪声制约。相关工作节比对了相似性HI、C-MAPSS、LSTM等文献，凸显本文DI不依赖阈值与完整轨迹的差异化。材料与方法节确定生存模型框架（因无工况标签无法用退化/相似性模型），给出DI公式及其对早期退化加权导数性质、HI回归式、PCA融合、滤波原理与CNN/LSTM架构细节。结果讨论节报告分阶段消融：原始遥测直接入模R2低于30%；加入DI+HI_fitted后R2升至70%–90%、RMSE缩至3–17周期；叠加Savitzky–Golay滤波再获2%–3%提升，CNN优于LSTM（LSTM: RMSE=11.409, MSE=130.159, MAE=3.159, R2=0.744, Accuracy=91.08%），Machine 75案例可交替预测两次故障且提前120周期（五天）；电池跨域验证同样成立。

讨论与结论翻译：本文证明直接将机器学习(ML)模型用于原始工业遥测常因噪声、上下文缺失和弱退化模式而致次优；研究人员通过信号平滑、DI构造、HI融合与CNN/LSTM流水线逐级增益量化，显示DI独立贡献时间单调先验、HI_fitted在特征重要性中超越原始通道、滤波进一步抑峰。结论指出该方法对机器类型模型无关，在噪声和部分可观测环境中提供鲁棒可泛化RUL预测，特征工程与信号处理是PdM核心，未来可拓展至更多域。