基于数据驱动的剩余寿命预测研究

李江龙 郭超然 崔骏夫

DOI：10.16661/j.cnki.1672-3791.2112-5042-4434

摘要：该文针对目前联合作战数据工程的建设不断推进，为共享作战数据建设成果，推进装备维修保障的能力和效率，借助近期大数据技术的发展优势，阐述实现基于数据驱动的剩余寿命预测的优势和可行性。系统总结了目前剩余寿命预测主要方法和适用条件，重点介绍了基于数据驱动的剩余寿命预测一般技术框架图和系统组成，论述了利用多源数据实现基于数据驱动的剩余寿命预测的一般过程，提出了未来装备剩余寿命预测的发展期望。

关键词：数据驱动  大数据  剩余寿命预测  性能退化

中图分类号：TP18    文献标识码：A   文章编号：1672-3791（2022）04（b）-0000-00

Research on Residual Life Prediction Based on Data Driven

LI Jianglong GUO Chaoran CUI Junfu

（Qingdao Campus of Naval Aviation University， Qingdao， Shandong Province， 266041 China）

Abstract： This paper aims at the continuous advancement of the current joint operations data engineering construction， in order to share the results of the operation data construction， promote the capability and efficiency of equipment maintenance support， and use the advantages of recent development of big data technology to explain the advantages of achieving data-driven remaining life prediction and feasibility. The system summarizes the main methods and applicable conditions of the current remaining life prediction， focusing on the general technical framework diagram and system composition of the data-driven remaining life prediction， and discusses the general process of using multi-source data to realize the data-driven remaining life prediction. The development expectation for the prediction of the remaining life of the equipment in the future.

Key Words： Data-driven; Big data; Remaining life prediction; Performance degradation

随着科学技术的发展和现代工业技术的提高，武器装备系统的更新不断进行，功能和性能提升的同时伴随着系统不断提高，武器系统中各组成部分关联性也越来越密切，所有的这些都给装备的质量管理带来了极大的挑战，一个组成部分的故障不仅会带来巨额的维修花费，往往还会影响整个系统功能，甚至极大降低作战体系效能。此外，武器系统中多技术、多专业的高度融合，给维修保障工作带来了巨大的挑战。近年来，各国都在研究采用多源信息融合技术，收集各种可利用的数据，研究装备故障诊断和寿命预测技术，实现基于事后维修或定期检查策略向基于状态的视情维修转变。该文将结合目前武器系统装备维修保障特点，总结现有剩余寿命预测方法的基础上，研究基于数据驱动的装备剩余寿命预测方法，旨在提高装备的可靠性、安全性，降低维修保障费用，提高装备系统的作战效能。

1剩余寿命预测方法

预测装备的剩余寿命就需要收集装备使用过程中的各种各样的数据，结合积累维修保障过程中的各种经验，大致可以分为基于经验的预测、基于物理模型的预测、基于数据驱动的预测三種主流方法。其中，基于经验的方法是比较传统的统计方法。然而这种基于历史数据和经验的统计方法适用于评估装备系统、子系统或者某一种设备整体的通用质量特性时具体进行到某个系统或设备的寿命预测时，往往误差较大，精确度不是很高，只能作为制订定时维修计划的参考依据。基于物理模型的预测方法，跟基于经验模型的预测方法相比，原理要复杂得多。这种预测方法一般适用于研究疲劳失效、机械磨损、结构腐蚀等问题，在其他方面由于物理失效的过程复杂或关联因素过多，导致失效建模比较困难，所以限制其应用范围。目前，由于信息技术的快速发展和人工智能技术的大规模应用，基于数据驱动技术的剩余寿命预测技术也得到了不断的发展，基于数据驱动的剩余寿命预测方法能够结合多源信息融合技术，综合考虑到影响装备使用寿命的各种因素如磨损、外部冲击、负载及运行环境的变化等，掌握性能退化过程，从而预测剩余寿命，其建模相对简单，通用性也较好。

2基于数据驱动的寿命预测

数据驱动的主要是依靠提取跟装备同类型的历史数据库中的各种输入和输出数据，建立装备的性能退化和失效模型，掌握性能退化过程，然后结合自身装备传感器实时采集数据，进行性能退化特征提取和模式识别，根据能退化和失效模式，预测装备的剩余寿命。

2.1基于数据驱动的系统搭建

2.1.1数据采集系统设计

要实时掌握装备系统的状态，必须借助传感器，将位移、振动、声音、图像速度、温湿度、流量等信号转换为电信号，从而实现状态信息的实时采集，通过信息系统传输给数据管理和处理系统。在一些较早生产的装备系统由于前期进行设计生产的时候未考虑到后期要进行数据采集需求，而采用在后期使用过程中加改装的方法，不仅给装备的结构造成影响，也消耗了大量的人力、物力和财力，而且有些关键部位仍无法实现实时监测。所以，在前期进行方案论证和设计时就应该将数据采集系统的设计纳入到整体系统设计中。从功能需求为出发点，梳理各类数据采集需求，根据数据需求布局各种传感器，结合装备结构和功能特点，同时考虑系统的可靠性、性价比、开发周期等因素进行设计，采集需要的数据。

数据采集系统设计要坚持以下原则：尽可能采用“以软代硬”的原则，增加系统的柔性，方便以后的升级;设计过程中，要按照设计方案由系统到设备，逐层分解到模块和单元，保证采集系统能够达到規定的性能指标，比如采样分辨率、采样频率和系统分辨率等指标;数据采集系统要安全可靠，不能给使用人员和操作人员带来伤害，同时要具有很强的抗干扰能力;数据采集系统要尽量采用集成式、模块化设计，便于以后的维护和维修。

2.1.2数据管理与处理系统

基于数据驱动的剩余寿命预测的核心是以大数据技术为依托的数据管理与处理系统，主要是实现数据管理和处理。

物理层主要是整体系统的基础设施，包括硬件的支持系统、数据采集和处理模块、信息传输网络组成，实现状态监测数据的从采集端传输至数据库和应用端，保证数据采集、转换过程的安全性。

数据层是系统的主要部分。应用大数据技术，主要实现数据的从采集完成到输出到应用层的整个过程数据管理和处理。

应用层主要是为了满足功能需求。能够根据功能需求提供剩余寿命预测的结果数据和状态信息多形式地展示，同时满足维修决策优化处理和材料备件管理等业务需求。

2.2基于数据驱动的剩余寿命预测过程

由数据采集平台采集的数据，通过状态监测和数据采集系统的状态数据，进行预处理，识别特征值，并将特征数据传输给数据仓库，同时历史数据库中的结构化和非结构化数据通过数据预处理后，作为原始数据存储在数据仓库，数据仓库数据经过积累，不断完善性能退化和失效模型。经过采集平台的数据处理的特征数据进入分布式数据库，作为输入值，利用神经网络、机器学习等智能方法，经过计算模型输出性能退化数据，经过权重模型计算即可得到分布参数和剩余寿命。基于数据驱动的剩余寿命预测，有五个阶段。

2.2.1采集和调用数据

剩余寿命预测系统中，数据是实时采集的多源大数据集，一般考虑设计花费、硬件支持和处理速度，通常会对这一部分数据进行处理之后存储到数据仓库中。

2.2.2数据预处理

存储在历史数据库中的性能退化和失效数据，格式可能为非结构和结构化的，很难直接用于分析模型计算。所以，多源的数据在应用之前要进行预处理。数据预处理是对来自传感器收集的数据进行去伪存真，剔除一些异常值，去除采集噪声。为了避免影响分析结果，还要将去除异常值的空白区域采用插值计的方式补上，因为数据来自不同的传感器，还要按照特定的时间格式对数据进行融合处理。历史数据库中的原始数据，在预处理过程中可以将数据进行抽取、转换、加载等操作。

2.2.3提取特征

应用大数据技术建立性能退化和失效模型，并不能直接将大数据集输入到神经网络和机器学习模型中，为了提高效率和找出主要影响因素，一般采用特征提取办法，这些提取出来的特征会捕捉大数据集中更高层次的信息。提取特征值存储到数据仓库并进行处理运算是必不可少的一步。

2.2.4建立模型

通过特征数据和性能退化数据，训练失效模型，此过程需要采用不断迭代的办法，不断完善。一般将性能退化过程认为是一种随机过程，采用性能监测数据和历史退化数据、采用机器学习建立的随机过程退化模型，并确定的失效阈值，剩余寿命值能够根据实时提取的特征数据实时更新。

2.2.5部署模型

在数据库中，利用原始数据采用机器学习训练完善的预测模型，需要能够部署到转换成嵌入式程序更新到设备中，同时特征提取模型能够根据机器学习的结果实时更新到传感器数据处理模块中。

3展望

基于数据驱动的剩余寿命预测理论虽然已经有了不少的分析方法，但是由于模型的建立过程依靠大量的历史性能退化过程数据和失效数据，而现代武器系统的更细速度太快，很难积累到大量的有效数据，大部分的分析都采用仿真数据来修正完善模型，这与真实的工作载荷和环境应力有较大的差异。此外，随着基础学科建设的不断加强，基于物理失效模型的研究不断深入，基于数据驱动的剩余寿命预测方法如果能将基于物理失效模型数据纳入其中进行分析，将会很大程度上提高分析精度。相信随着大数据技术的不断发展，以及联合作战数据的不断积累、多源数据的不断融合，结合各种预测模型的优势，将会实现准确的剩余寿命预测，并极大程度上避免由于装备故障降低作战效能，提高维修保障的效率和精准质量管理。

参考文献

[1] 朱霖，宁芊，雷印杰，等.基于遗传算法选优的集成手段与时序卷积网络的涡扇发动机剩余寿命预测[J].计算机应用，2020，40（12）：3534-3540.

[2] 车畅畅，王华伟，倪晓梅，等.基于深度学习的航空发动机故障融合诊断[J].北京航空航天大学学报，2018，44（3）：621-628.

[3] ZHAI Q Q，YE Z-S.RUL Prediction of Deteriorating Products Using an Adaptive Wiener Process Model[J].IEEE Transactions on Industrial Informatics，2017，13（6）：2911-2921.

[4] 刘月峰，张小燕，郭威，等.基于优化混合模型的航空发动机剩余寿命预测方法[J/OL].计算机应用：1-11[2022-03-17].http：//kns.cnki.net/kcms/detail/51.1307.TP.20211026.1413.002.html.

[5] HONG C W，LEE C M，LEE KWANGSUK，et al.Remaining Useful Life Prognosis for Turbofan Engine Using Explainable Deep Neural Networks with Dimensionality Reduction.[J]. Sensors （Basel， Switzerland），2020，20（22）：1-19.

[6] 姬鹏飞，侯凡博，张修太，等.基于改进KPCA方法的非线性过程故障诊断研究[J].安阳工学院学报，2018，17（4）：14-17.

作者简介：李江龙（1989—），男，硕士，讲师，研究方向为质量管理、数据统计、信息管理。

郭超然（1987—），女，硕士，讲师，研究方向为质量管理、信息安全。

崔骏夫（1992—），男，硕士，讲师，研究方向为质量管理、数据统计、信息管理。