基于考虑记忆效应的自适应退化建模的噪声条件下剩余使用寿命预测

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Remaining useful life prediction under noisy conditions via adaptive degradation modeling incorporating memory effects

【字体: 大 中 小 】 时间:2026年09月20日 来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 10.2

编辑推荐:

   ## 摘要 精确建模退化过程是实现机械系统剩余使用寿命(RUL)可靠预测的基础。然而,实际的退化过程往往受到测量不确定性、非马尔可夫退化特征以及退化机制演变的影响,这可能限制现有方法的预测性能。为应对这些挑战,本文提出了一种自适应退化建模框架,综合考虑测量不确定性、记忆效应

  

## 摘要

精确建模退化过程是实现机械系统剩余使用寿命(RUL)可靠预测的基础。然而,实际的退化过程往往受到测量不确定性、非马尔可夫退化特征以及退化机制演变的影响,这可能限制现有方法的预测性能。为应对这些挑战,本文提出了一种自适应退化建模框架,综合考虑测量不确定性、记忆效应以及在线模型自适应。所提方法首先利用训练单元构建初始退化模型,并通过最大似然估计(MLE)估计模型参数。随后,采用改进的累积和(CUSUM)方法,通过将模型预测与在线监测数据进行比较来检测结构变点。一旦检测到结构变化,退化模型将利用新可用的观测数据进行自适应更新,同时保留随机退化结构。采用改进的粒子滤波(PF)算法递归估计潜在的退化状态。对于RUL预测,采用首达时(FHT)概念,基于自适应更新的退化模型推导近似概率密度函数(PDF)。在内部数据划分策略和官方C-MAPSS训练/测试协议下获得的实验结果表明,所提框架相比基准方法取得了更优的预测性能。

## 引言

许多机械系统被设计为在长时间的服务期内可靠运行,同时满足严格的性能和安全要求。然而,在实际运行过程中,系统性能不可避免地会因材料老化、运行条件变化和环境不确定性而随时间退化,最终导致功能失效。机械退化的随机性和演变特性使得准确评估系统健康状况和预测剩余使用寿命(RUL)变得复杂。在此背景下,预测与健康管理(PHM)已成为提高运行安全性和实现基于状态的决策制定的一种有效框架,其中RUL预测是维护规划、资源分配和风险缓解的基石[1]、[2]、[3]。在过去几十年中,人们开发了广泛的预测方法,可大致分为基于物理模型的方法、数据驱动方法和混合方法[4]、[5]。随着传感和状态监测技术的快速发展,大量退化数据日益可用,从而加速了数据驱动预测方法的发展[6]。在这些方法中,统计数据驱动方法引起了越来越多的关注,因为它们显式地刻画了随机退化演化,并自然地提供了带有不确定性量化的RUL预测。然而,在实际运行环境中,退化测量不可避免地受到噪声和不确定性的污染,同时退化动态可能随时间演变并表现出非马尔可夫特征。这些因素大大增加了准确退化建模和可靠概率性RUL预测的难度。

在随机退化建模中,退化测量的质量在确定RUL预测的准确性和可靠性方面起着关键作用。在实际工程应用中,监测数据不可避免地受到由不完美的传感器、变化的运行条件和环境干扰引起的测量噪声污染。此类噪声不仅降低预测准确性,还通过膨胀预测方差和扭曲预测RUL的概率分布来显著影响RUL不确定性量化。为应对噪声观测带来的挑战,Si等人将测量噪声定义为测量变异来源,并开发了一种基于维纳过程(WP)的退化模型,该模型同时考虑了单元间变异和时间变异,并在不同场景下推导了对应RUL分布的解析表达式[7]。在此基础上,后续研究通过先进的滤波技术、贝叶斯推断和基于优化的参数估计方法进一步提高了预测性能[8]、[9]、[10]。除WP框架外,其他随机过程模型,包括Gamma过程[11]、[12]、逆高斯过程[13]及其扩展[14]、[15],也将测量噪声纳入了退化建模,从而提供了更可靠的不确定性量化和概率性RUL预测。这些研究表明,显式纳入测量噪声不仅是提高预测准确性的关键,也是通过适当的不确定性量化实现可靠概率性RUL预测的关键。然而,尽管在建模测量不确定性方面已取得了相当大的进展,但大多数现有随机退化模型仍然依赖马尔可夫假设来描述退化演化。对于实际机械系统而言,由于其退化过程往往表现出明显的记忆效应,该假设可能不再充分。

在许多机械系统中,退化演化由于累积损伤、材料老化和加载历史而表现出明显的记忆效应。因此,未来的退化状态不仅取决于当前状况,还取决于历史退化演化,从而违反了具有独立增量的许多经典随机退化模型所采用的马尔可夫假设[16]。为捕获这些特征,近年来开发了一系列非马尔可夫随机退化模型。代表性示例包括基于分数布朗运动(FBM)的退化模型和基于核函数的随机公式[17]、[18]。通过允许退化的随机演化依赖于历史信息,这些模型比传统的马尔可夫模型更真实地描述了具有记忆效应的退化过程。因此,它们在刻画复杂退化动态方面提供了更高的灵活性,并提高了概率性RUL预测的准确性。此外,通过同时考虑记忆效应和测量不确定性,这些方法在各种工程应用中展现了优越的描述能力和预测性能[19]、[20]。总体而言,这些研究表明,显式建模记忆效应对于可靠的RUL预测至关重要,因为退化演化的历史依赖性直接影响预测RUL的随机特征和概率分布。然而,大多数现有非马尔可夫退化模型是在退化模型结构在整个退化过程中保持不变这一假设下建立的。然而在实际中,单元间变异和退化机制的渐进演变都可能改变潜在的退化特征,导致初始建立的模型结构与实际退化过程不一致。因此,具有固定结构的退化模型逐渐失去描述能力,导致RUL预测精度下降。

大多数现有RUL预测方法基于具有预定义固定结构的退化模型开发,其参数通过离线方式估计或利用新可用的监测数据在线递归更新。当退化机制保持相对稳定且短期预测为主要目标时,这些方法通常能取得令人满意的性能。特别是,基于自适应滤波的方法递归更新模型参数以跟踪渐进的退化演化,通常在贝叶斯滤波框架内假设高斯分布的模型系数[21]、[22]、[23]、[24]。然而,当退化过程表现出明显的阶段依赖特征或在运行过程中经历结构转变时,仅参数自适应往往不足以准确刻画不断演变的退化行为[25]。为应对这一局限,多阶段退化建模策略通过在检测到的变点处划分退化轨迹并为各个退化阶段构建单独的随机模型而提出[26]、[27]、[28]、[29]。这些方法改善了对阶段依赖退化特征的表示,并能够推导出在已识别退化阶段条件下的RUL概率分布。然而,它们通常严重依赖历史观测和准确的变点检测,并且通常假设连续阶段之间的独立性,从而限制了其持续融入新监测信息的能力。为进一步改善在线适应性,模型校准技术得以开发,以根据新获取的监测数据调整模型参数以及必要时调整退化模型结构[30]、[31]、[32]。此类方法通过持续减少退化模型与实际系统行为之间的不匹配,在时变运行条件和演变退化机制下提高了预测准确性。总体而言,这些研究代表了向自适应RUL预测迈出的重要一步,缓解了固定结构退化模型的局限性。然而,开发一种能够同时容纳测量不确定性、捕获记忆效应并适应演变退化机制的自适应随机退化建模框架仍然是一个开放挑战。

基于上述讨论,测量不确定性、记忆效应和演变退化机制是影响RUL预测准确性的三大因素。现有的随机退化模型未能同时充分解决这些挑战,从而限制了其在实际机械系统中的应用。为克服这些局限,本文提出了一种用于RUL预测的自适应随机退化建模框架。所提框架首先利用训练数据建立初始退化模型,其中退化演化由FBM描述以捕获记忆效应,同时测量过程显式考虑测量不确定性。未知模型参数通过最大似然估计(MLE)进行估计。随着新监测数据的可用,采用改进的累积和(CUSUM)方法来检测退化过程中的结构变化。一旦识别出结构变化,退化模型进行自适应更新,并通过MLE估计相应模型参数。随后,采用改进的粒子滤波(PF)来联合估计潜在的退化状态并自适应更新漂移系数。最后,基于首达时(FHT)概念,在自适应更新的退化模型下推导RUL概率密度函数(PDF)的近似解析表达式。

本研究的主要贡献总结如下:

(1)开发了一种自适应随机退化建模框架,用于表征具有演变退化机制的退化过程。所提模型通过统一的随机公式显式纳入测量不确定性和记忆效应,从而克服了具有固定结构和马尔可夫假设的传统退化模型的局限性。

(2)提出了一种集成变化检测、结构校准和参数更新的在线模型自适应策略。采用改进的CUSUM方法来识别退化过程中的结构变化,使退化模型能够持续适应新可用的监测数据。

(3)建立了基于FHT概念的分析概率性RUL预测框架。通过在自适应更新的退化模型下推导RUL PDF的可处理近似表达式,所提框架使具有记忆效应的退化过程能够实现高效的不确定性量化和概率性RUL预测。

本文其余部分组织如下:第2节通过分析机械系统中常见的退化特征来阐述本研究的动机。第3节介绍了所提的自适应随机退化建模框架。第4节基于所提退化模型开发了RUL预测方法。第5节介绍了模型参数估计、在线模型自适应和潜在状态推断的程序。第6节在C-MAPSS航空发动机数据集上评估了所提方法,涵盖内部数据划分策略和官方评估协议。最后,第7节对论文进行总结并讨论了未来研究方向。

## 2 动机

机械部件的典型失效机制包括疲劳裂纹扩展、表面磨损和材料老化。由于这些潜在的退化过程在运行期间通常难以直接观测,因此通常使用可测量的状态监测信号(如振动、压力和温度)来构建退化指标[33]。对于NASA C-MAPSS航空发动机数据集,传感器s7对应于高压压缩机(HPC)出口总压。

## 3 自适应退化建模

根据第2节,机械部件的实际监测数据可能包含测量误差。因此,模型将真实退化状态视为潜在状态。具体而言,真实退化过程表示为{(0)X(t), t≥0},其中上标(?)表示经连续结构校准后的退化模型,(0)表示初始退化模型。考虑到系统的记忆效应,(0)X(t)定义为(0)X(t) = x0 + λ0∫?? γ...

## 4 RUL预测

基于第3节建立的退化模型,逐步开发概率性RUL预测框架。为清晰起见,推导过程通过依次纳入影响RUL预测的四个实际因素来呈现:(I) 退化过程中的记忆效应;(II) 测量不确定性;(III) 针对演变退化机制的结构校准;(IV) 估计漂移参数的不确定性。这一渐进式公式阐明了...

## 5 参数识别与模型校准

本节介绍了所提退化模型的参数识别和模型校准程序。目标是利用观测退化数据估计初始模型参数,并在退化过程中发生结构变化时进一步表征和校准预测误差。具体而言,我们首先介绍基于历史观测的初始退化模型参数估计方法。然后开发一种策略以...

## 6 实验验证

本节使用NASA C-MAPSS涡轮风扇发动机数据集[34]评估所提自适应退化建模框架的有效性。进行了两个互补实验。

在第一个实验中,将FD001训练子集中的所有退化轨迹随机划分为训练集和测试集,比例为9:1。训练集用于建立初始退化模型,而其余数据单元用于评估在线...

结论:为了应对复杂机械系统中测量不确定性、时变退化机制以及非马尔可夫退化特性所带来的挑战,本文提出了一种自适应退化建模与剩余使用寿命(RUL)预测框架。所提框架同时考虑了测量不确定性、退化记忆效应以及由演化的退化行为引起的结构差异。首先利用历史数据建立初始退化模型...

CRediT作者贡献声明:Xiangyu Wang:论文撰写(初稿)、软件、方法论、形式分析、数据整理。Xiaosheng Si:论文审阅与编辑、指导、方法论、概念构思。Xiaopeng Xi:论文审阅与编辑、方法论、数据整理。Donghua Zhou:论文审阅与编辑、指导、方法论。

代码可用性:所提框架的核心源代码可在合理请求下通过电子邮件向通讯作者获取。

利益冲突声明:作者声明不存在可能影响本文工作的已知竞争性经济利益或个人关系。

致谢:本工作部分由中国国家自然科学基金资助,资助编号为62527805、62233012和62233017。

Xiangyu Wang | Xiaosheng Si | Xiaopeng Xi | Donghua Zhou
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号