【《发动机剩余寿命预测相关工作理论基础概述综述》6200字】

第页共4页发动机剩余寿命预测相关工作理论基础概述目录TOC\o"1-3"\h\u19255发动机剩余寿命预测相关工作理论基础概述 1220481.1数据驱动的发动机PHM流程 1180231.1.1数据采集 2103671.1.2预测模型构建 2306231.1.3状态预测与健康管理 3162511.2航空发动机剩余寿命预测方法 3184011.1.1基于模型的剩余寿命预测 3203961.1.2数据驱动的剩余寿命预测 4211221.1.3融合预测方法 5173541.3时序数据不平衡处理方法 5269501.3.1传统处理方法 663471.3.2基于深度学习的生成方法 71.1数据驱动的发动机PHM流程在大量传感器监测数据出现的背景下，数据驱动的PHM技术表现出极大的优势，并得到广泛研究与应用。数据驱动的PHM技术是指在机械设备运行过程中采集的温度、幅度以及速度等参数的基础上，挖掘数据中隐含的设备退化状态特征信息，建立起设备总体状态、设备退化程度与检测参量之间的关联关系，并通过所建立的关联关系指导构建预测模型，实现对目标设备状态的判断，以及剩余使用寿命的预测。数据驱动的PHM技术可以精准的为相关人员提供目标设备的预估状态，以便制定全面的维护和调度规划，避免维护不足或维护过频繁的现象，提升设备的可靠性和安全性。现有的数据驱动PHM技术的实现主要分为三个阶段：数据采集、预测模型构建、状态预测与健康管理，每个阶段都可以采取多种实现方式，如图1.1所示：图1.1航空发动机数据驱动PHM流程Fig.1.1Data-drivenPHMforAeroEngineFlow1.1.1数据采集数据采集是数据驱动PHM中重要的一环，对目标设备架设足够数量的传感器是保证数据驱动PHM相对传统方法表现出优势的基础。我们只有获得高质量的传感器监测数据，才能最贴合现实情况的去拟合设备状态，指导之后在状态预测时能够参考正确的关联特征信息。目前物联网技术和专业领域内的存储技术正在蓬勃发展，传感器实现的功能趋向多样化，由以往的单一物理量检测向多源测量综合分析的方向发展。此外，传感器本身的质量也有所提升，即使在航空发动机这种高温高压强腐蚀的工作环境下，也能够持续进行稳定的检测任务。对于设备中各部件的状态检测逐渐趋于智能化、多源化。1.1.2预测模型构建预测模型的构建是数据驱动PHM的核心阶段，主要包括数据预处理和特征提取与模型构建两部分，下面对这两个部分分别进行介绍：（1）数据预处理原始的监测数据中除实际运行状态数据外，还包含部分噪声数据，以及一些电磁信号影响下的异常监测数据。为了尽可能避免复杂环境因素的影响，需要对这些原始监测数据进行数值标准化等预处理操作。此外，多源监测数据中包含了大量不同的量纲，为了消除不同量纲下数值本身的影响，还需要对不同类型的数据进行整合。常见的数据预处理手段有填充缺失值、数值归操作、降噪滤波等。（2）特征提取与RUL预测模型构建在这个部分需要对数据中隐含的设备特征进行提取，特征提取对后续的状态预测具有重要的指导意义。当前研究中对于特征的提取主要有人为设定和智能提取两种手段，人为提取是由专家依据相关领域的先验知识在各维度上设定相应特征，智能提取是通过统计或者PCA等算法的方式对检测数据进行深层次的特征挖掘。在获取相应特征之后，就要依此进行RUL预测模型构建，通过设计与预测问题相适应的算法模型，构建特征与RUL之间的对应关系，目前常用的RUL预测算法有统计方法、机器学习算法等。在对预测模型进行构建的过程中，由于最终要投入使用，还需要考虑很多适应性的设定。首先是需要制定评估的标准，保证所使用的方法能够适用于验证的系统，然后是对计算平台的评估，这环节容易被忽略但其实很重要，实验计算的硬件和软件环境都需要依托计算平台，计算平台决定着执行的效率，最后是对试验平台的评估，包括对实体进行实验或虚拟环境下的仿真，这一步骤是对预测效果的评估。1.1.3状态预测与健康管理将PHM系统嵌入到航空发动机系统之后，就可以根据飞行中的运行监测数据，对发动机的健康状态进行评估，在此基础上结合设备本身的特点，就可以及时的制定出维护策略，对飞机负责的事务进行合理调度，提升运维效率。1.2航空发动机剩余寿命预测方法剩余寿命预测是PHM技术中关键性的评估标准，主要根据设备当前航空发动机所处的退化阶段，结合飞行任务对发动机的负载需求，参照环境因素对发动机性能的影响，对航空发动机的健康状态进行评估，预测其剩余使用寿命，为航空发动机的任务规划和维护处理提供有效信息，提升整体效益。在大量研究的基础上，当前的剩余寿命预测主要可分为三种，即基于模型的预测方法[9]、数据驱动的预测方法[10]和融合预测方法[11]。1.1.1基于模型的剩余寿命预测基于模型的剩余寿命预测方法是从航空发动机系统运行机理的角度进行剩余寿命预测，在深入掌握发动机各部件之间的运行逻辑之后，构建其物理模型，这种方式对先验知识的需求较高。一般意义上的基于模型的航空发动机剩余寿命预测方法分类两种类型，首先是失效物理模型PoF，该模型对航空发动机这类机械系统的材料、负载特性进行了充分的考虑，通过对磨损、腐蚀等航空发动机中常见的导致设备自然退化的因素，以及设备运行环境如温度、湿度等因素对设备运行的影响，综合多方面因素，尽可能拟合设备的现实运行状态。其次是Yu-Harris模型，这种模型最初是由Yu等人在2001年提出，该模型研究重点考虑滚动轴承等机械设备中的应力，在感应力力场与剩余使用寿命之间建立关联特征，在大量数据分析之后，将这种关系近似为幂函数的形式。在之后的研究中，大量研究对这些原始模型进行了改进，如在2017年Yuan等人对感应力力场的特性进行研究，将其非对称特性作为影响剩余寿命预测的关键因素之一。在2018年Du等人对共载系统的模型特性进行分析，并提出针对性的退化分析方法。基于模型的方法准确度较高，但是这种优势建立在先验知识的掌握之下，在当前系统复杂化、多样化发展的趋势下，对物理模型中所需先验知识的充分获取难度增大，且在各种航空发动机系统之间不具有足够的泛化能力。1.1.2数据驱动的剩余寿命预测随着传感器技术的发展，对于航空发动机状态的监测能力有所提升，在监测种类和监测精度上都提供了大量有效数据，促进了数据驱动的剩余寿命预测方法的发展。上一节中的基于模型的剩余寿命预测方法逐渐表现出泛化能力不足的问题，而数据驱动的方法由于对航空领域先验知识的需求不高，展现出极大地优势。然而不同信息之间的关联性以及信息与预测目标之间的相关性存在差异，选择相关性较强的传感器数据进行融合对于最终预测目标的精准度较为重要。目前已经有大量的学者对数据驱动的剩余寿命预测进行研究，并且取得了可观的成果。当前数据驱动的剩余寿命预测主要有统计回归和机器学习等方法。统计回归的剩余寿命预测方法对大量历史数据进行分析，并最终得到一个回归器。相比于基于模型的方法，统计回归对多种退化模型的综合特征提取使其泛化能力有所提升，即使不完全掌握发动机本身的结构及运行方式，也可以得到较高准确度的剩余寿命预测。但是由于回归器本身逻辑复杂度并不高，对于航空发动机这种复杂机械的拟合能力有限，且算法中往往要设置大量参数，寻找最有参数的过程较为漫长，效率仍然不够高。机器学习的剩余寿命预测方法设计了更为复杂的算法模型，来解决特征提取能力不足的问题。对于传统的机器学习方法，优异的学习和泛化能力依赖于有效的特征表示。由于设备的退化过程较为复杂，需要使用高维的特征来表示系统，计算量较大，即使采用降维的方式降低运算成本，也需要花费大量的时间，且难免会混入一些主观因素。近年来，深度学习在各领域得到广泛使用，验证其有效性，在剩余寿命预测领域也有大量的研究，并取得了较高的精度。Ren等人[10]采用深度自编码器和深度神经网络估计滚动轴承的滚动寿命。Li[13]在采集到的监测信号中利用变时间序列构造卷积神经网络实现RUL预测。Liu使用递归神经网络(RNN)从先前处理的数据中跨时间步提取有用的重要信息，并将这些信息集成到当前单元状态中，从而对序列数据[14]进行建模。Cheng[22]将LSTM应用于滚动轴承失效预测，得到了令人信服的结果。Elsheikh[23]考虑多传感器数据场景，开发了一个用于RUL预测的双向握手LSTM模型。Cheng利用希尔伯特黄变换构造了新的非线性退化能量指标作为训练标记。Wang使用多尺度卷积网络对铣刀（millingcutters）的剩余寿命进行预测，并取得了较好的实验结果。Yu提出了一种基于相似性的插值算法，结合Auto-encoder和双向RNN对航空发动机剩余寿命进行预测。1.1.3融合预测方法融合预测方法的核心思想是将基于模型的方法与数据驱动方法的优势进行结合，基于模型的方法在建模过程中已经收集了大量航空领域的知识，在形成物理模型的过程中还需要依据先验知识设定一些参数，并通过调试对参数进行更新，在融合预测方法中这个重复性的过程就由数据驱动的方法完成。2017年，Jin等人将PoF模型与数据驱动的方法进行结合，并将其应用到发电机机组上，实现故障诊断与健康监测。2019年Hou等人对退化过程分析之后，选取部分有效指标通过数据驱动的方式建立剩余寿命预测架构。融合预测方法虽然在结合两种方法上取得了一定的成果，但是预测模型的建立仍然和先验知识的掌握深度关系密切，在训练模型是同样需要消耗大量计算资源，对于通过先验知识建立的部分和数据训练的部分之间的取舍仍然需要人为控制，在实际模型的建立过程中难以达到理想状态。相比之下，数据驱动的航空发动机剩余寿命预测方法仅对计算资源由一定的需求，所形成的的预测模型较为完备，可以准确预测剩余寿命。因此，当前的研究中，数据驱动的剩余寿命预测方法仍然是重点研究内容。1.3时序数据不平衡处理方法在各领域学者的广泛研究下，对于航空发动机系统的检测维护技术得到了长足的发展，然而在实际应用时仍然暴露出一些独特的问题，其中最为突出的就是数据分布不平衡问题。数据不平衡问题是由多方面的局限性导致的。首先，对于大部分系统和部件，传感器的检测数据中没有足够的故障实例。为避免物理设备和系统发生故障，一般在对其设计时会附加大量安全措施，因此发生故障的频率较小。同时故障的发生具有偶然性，受限于传感器硬件与系统性能，这类数据也很难收集。其次，当前机械系统的复杂性决定了这些系统中，存在多种潜在的故障和退化模式，显式的故障状态表现通常与特定的环境与运行条件相关联，仅凭收集的数据无法得到全面的退化逻辑。为了克服上述挑战，基于人工生成故障数据的运行状态分析方法得到了广泛研究，通过生成数据充分覆盖不同的故障模式和操作条件，并且可以通过该扩充数据应用到机器学习模型上。传统上，过采样被用来产生更多的训练样本。然而，由于过采样模型的局限性，过采样不能捕捉故障模式的复杂性，并且容易引入具有过拟合风险的不良噪声。近年来，在机器学习的启发下，也出现了一些新的数据生成方法，在采集数据的基础上，对数据集进行扩充，同时由于过程相对过采样复杂，在设计难度上也有所提升。1.3.1传统处理方法传统的不平衡数据的处理方法可以分为两类，即重采样(过采样/欠采样)和成本敏感学习，下面分别对其进行介绍。重抽样包括过采样和欠采样两种方式，该方法旨在通过对多数无故障类进行欠抽样或对少数故障类进行过抽样(或两种方式兼备)来平衡数据类别分布先验。Chawla等人提出了SMOTE过采样算法，该算法从少数类的最近邻域之间生成新的合成样本。He等人提出了一种ADASYN过抽样方法，对不同类别的样本按照学习难度大小进行加权分布。受增强算法和集成学习的成功启发，重采样技术已被集成到集成学习中。成本敏感学习方法将错误分类成本分配给故障类，而不是非故障类。张等人针对不平衡分类问题，提出了一种进化成本敏感的深度信任网络，该网络采用自适应差分进化来优化误分类代价。Jia等人利用加权Softmax损失函数，提出了一种用于机械设备不平衡故障分类的深度归一化细胞神经网络框架，以克服数据分布不均衡的问题。许多混合方法将重采样和成本敏感学习方法结合在一起，然而这两个类别都存在局限性。例如，过采样很容易引入具有过拟合风险的不良噪声，而过采样会由于数据丢失而删除有价值的信息。成本敏感学习方法需要对改进的学习算法有很好的洞察力，并精确地识别在挖掘偏态分布时失败的原因。此外具有高度倾斜类别的数据也对传统的判别算法提出了挑战，如子空间和特征表示学习。这使得即使将两种方法结合使用，在实践中也达到理想的分类精度。1.3.2基于深度学习的生成方法近年来，随着深度学习的广泛应用，通过神经网络自动生成退化数据的方法逐渐成熟，数据生成技术通过学习真实序列的数据分布来生成拟合度较高的数据，在合成数据方面是一种很有前途的解决方案。在数据生成算法中，最为突出的是2014年由加拿大蒙特利尔大学IanGoodfellow提出的生成对抗网络(GenerateAdversarialNetwork，GAN)。GAN成功地引入了一种全新的对抗性建模框架，该框架包括生成器网络和判别器网络，这两个网络构成了一个二元极小极大博弈，同时结合深度学习中原有的卷积等网络处理似然函数等计算问题。自从GAN被提出以来，在数据生成方面的优势使其在计算机视觉领域和自然语言处理领域都得到了广泛的关注和研究，并取得了不少成果。然而在时间序列生成领域，如果直接应用GAN进行数据增强，就无法保证不同时间阶段的数据之间的时序关联性，这是工业时序数据的特性。此外，工业时序数据往往是多变量的，而不是单变量的，表现出变量之间的相关性。同时在这些数据中存在一些固有的复杂性和强烈的动态性，退化过程中的多变量在每个周期内同时呈现出严重的非平稳性和长期的时间相关性。此外一些工业时间序列在本质上是周期性的，这些特性给使用当前生成高质量时间序列的方法带来了挑战。结合时间序列再生的混合剩余寿命预测模型是克服数据短缺问题的一种非破坏性、安全的方法。在近年的研究中，使用GAN生成时间序列在学术界取得了初步的成果。在特定领域的研究中，生成器通常采用真实的或上次生成的检测数据和噪声作为输入和输出，每次生成一组检测数据。这些工作通常是从网络结构和训练模式两方面改变GAN的。在近年较为相关的两篇论文中作者提出了RCGAN和TimeGAN两种生成架构。RCGAN使用递归神经网络(RNN)来生成时间序列，并在生成过程中将目标量作为条件。然而RCGAN本身并不生成目标量，并且近乎没有评估跨时间序列以及检测数据和目标量之间的相关性，实验结果显示在时序领域的数据集上，生成数据的质量很差，两种数据的分布之间差距较大。Ti