基于NARX 神经网络的设备剩余使用寿命预测研究

2021-07-28成利刚蔡燕玲

设备管理与维修 2021年12期

成利刚，蔡燕玲

（五邑大学轨道交通学院，广东江门 529000）

0 引言

随着生产制造技术的快速发展，由于各种运行因素，生产制造中复杂系统的性能和健康状态逐渐退化。如果能够在设备性能退化的初期，根据监测到的设备信息，进行设备剩余使用寿命预测，最大限度降低设备维护成本，具有重大使用价值。

神经网络是解决复杂系统预测问题有效的模型，直接对高度非线性“复杂”多维系统进行建模，挖掘数据与预测目标的映射关系，实现设备状态评估、状态预测以及剩余使用寿命预测。郭子庆等以饱和压降和结温数据为基础，构建基于BP 神经网络算法的IGBT 剩余寿命预测模型，验证本模型不同条件下在剩余寿命预测中的准确性。庞晓琼等在采用NARX 神经网络进行锂离子电池剩余使用寿命间接预测时，通过主成分分析法对观测数据进行融合，降低训练数据维度，对同类型不同电池寿命预测，其仿真结果表明，模型具有较高的预测精度。

本文采用NARX 神经网络构建设备剩余使用寿命预测模型，为降低计算复杂度，消除线性相关变量数据对建模的干扰，引入主成分分析法，对模型输入数据进行处理，强化输入数据的有效性。并在CMAPSS 数据集对模型有效性进行仿真验证。

1 NARX 神经网络

NARX 是外部输入非线性自回归神经网络，引入时延与反馈机制，增强了对历史数据的记忆能力，使其可以记录过去的输入输出状态，利用多层感知器的非线性映射，在获取过去状态的基础上，预测下一时刻的状态。NARX 是一种用于描述非线性离散系统的模型。

式（1）中，u（t），y（t）分别是该网络在t 时刻的输入和输出；Du为输入时延的最大阶数；Dy为输出时延的最大阶数；故u（t-Du），…，u（t-1）为相对于t 时刻的历史输入；y（t-Dy），…，y（t-1）为相对于t 时刻的历史输出；f｛·｝为网络拟合得到的非线性函数。

NARX 神经网络包括输入层、隐含层、输出层。输入层节点数根据输入值个数设定，输出层节点数根据预测值个数设定。通过合理设定隐含层层数和节点数，构建NARX 神经网络。

2 基于NARX 神经网络的剩余使用寿命预测模型

基于NARX 神经网络的设备剩余使用寿命预测流程，如图1 所示。

图1 剩余使用寿命预测模型

2.1 数据预处理

在进行设备状态监测过程中，由于不同传感器采集数据取值范围不同、数据的数量级不同，容易导致计算过程中出现大数吃小数的数值问题。因此，不能直接将采集数据作为模型训练的输入数据。本模型采用Min-Max 方法对数据进行归一化处理，使得数据范围在［0，1］。

2.2 主成分分析

对于复杂设备，在监测数据采集中，通常需要对多个变量的数据进行观测，收集大量数据分析其存在的某些规律。不同的监测数据能够反映设备的不同特征，多变量数据集能够更加全面反应监测设备的运行状态，但变量之间可能存在相关性，不仅增加问题分析的复杂性，而且可能对预测模型造成影响，使得模型的预测结果产生较大偏差。

主成分分析通过将特征向量转换为较少的主分量来降低特征向量的维数，去除变量间的线性相关性，通过融合多个变量来抑制噪声，能够有效降低计算的复杂度。主成分分析是将M 维特征向量映射到m 维上（m＜M），构成全新的m 维正交特征向量。Karhunen-Loeve 变换（KLT）是计算PCA 最常见的方法，可将M 维向量X 映射到m 维向量Y。

2.3 基于NARX 神经网络的剩余使用寿命预测模型

采集N 条带有时间戳的设备监测数据，每条数据包括M 个传感器数值。利用PCA 对该M 维的数据降维，根据设定阈值η的限制，获取m 维的全新主元数据作为预测模型的输入。设置时间窗为h，构造时间序列X（i），i=1，2，…，N。

通过一组X（i），利用前h 个数据预测第h+1 个数据。输入层输入样本集，每一个样本集组成一个神经元，神经元激活值通过隐含层正向传播至输出层。在学习过程中反复调整权值，直到输出的结果满足期望，结束学习过程，可进行数据预测。

2.4 评价标准

在进行性能评价中经常使用的评价函数包括偏差、均方根误差、平均绝对误差和对称平均绝对误差等，本文使用均方根误差（RSME）作为其性能评价指标。

3 仿真验证

3.1 数据集

本模型使用C-MAPSS 数据集进行仿真验证，数据集包含航空发动机从正常使用到发生系统故障的全过程，数据集可划分为4 个子集。本文以第一子集为对象，训练集中包括100 台发动机在同一工作条件下，存在一种故障模式。每条发动机数据都包含发动机编号，飞行周期以及在每个飞行周期中的24 个变量数据，分别是3 个操作条件和21 个传感器读数。

3.2 仿真验证

选择某一发动机，分别对50%、40%、30%长度，剩余使用寿命轨迹进行预测，如图2 所示，设置PCA的限定阈值为η=0.75。基于时间序列的神经网络进行发动机剩余使用寿命预测，能够较好跟踪发动机的退化过程，预测值分布在真实值附近，预测误差较小，误差均值在0.03 以内。对于不同预测长度，在预测过程中预测长度越长，预测精度越低，在对后50%的剩余使用寿命预测时，预测误差均值为-0.019 8；对后30%的剩余使用寿命预测时，预测误差均值为0.003 2，后者误差远小于前者。在对较短时段范围进行预测时，其预测精度更高。从图2中可以看出，在进行剩余使用寿命预测时，从预测点开始，较短时段内，预测精度较高，随着预测时间增长，求解精度有所下降。