基于数据驱动的小子样复杂系...使用寿命预测方法综述及展望_齐金平.pdf

综述 测控技术 年第 卷第 期收稿日期：基金项目：国家自然科学基金（）；甘肃省高等学校科研项目（，）；甘肃省重点研发计划项目（）；甘肃省教育厅优秀研究生“创新之星”项目（）引用格式：齐金平，王康基于数据驱动的小子样复杂系统剩余使用寿命预测方法综述及展望测控技术，（）：，（）：基于数据驱动的小子样复杂系统剩余使用寿命预测方法综述及展望齐金平，王 康，（兰州交通大学 机电技术研究所，甘肃 兰州；甘肃省物流及运输装备信息化工程技术研究中心，甘肃 兰州；甘肃省物流与运输装备行业技术中心，甘肃 兰州）摘要：针对小子样背景下复杂系统剩余使用寿命（）预测的工程需求，结合复杂系统失效的时间数据、监测数据特点和 预测的不确定性问题，综述了小子样数据驱动的复杂系统 的预测方法。在小子样数据驱动的寿命预测技术中，数据的真实性、连续性和完整性等问题成为制约 预测准确度的重要因素。深入分析了基于失效时间数据、性能退化数据和多源数据融合的 预测技术的基本研究方法和发展动态，最后探讨了 预测领域未来可能的研究方向。关键词：小子样；预测；数据驱动；现状；展望中图分类号：文献标志码：文章编号：（）：,(,;,;,):(),:;随着现代高精尖科技的发展和生产工艺的进步，出现了一些要求长寿命、高可靠和长期在线使用的大型复杂系统。如卫星需要空间在轨连续运行 余年甚至更长时间，高速列车、核电站和航空航天装备等也需要连续长时间高可靠运行，这些系统不仅投资规模大，而且对系统的安全可靠运行提出了非常高的要求，一旦出现问题，其后果往往是灾难性的。例如，年 月 日阿根廷一辆列车撞上铁轨尽头缓冲器并出轨，致死 人，致伤大约 人，经调查该事故的起因是由于投入不足，导致设备缺乏维护，严重老化。年发生在美国加州北部的山火造成 人遇难，过火面积达 ，经济损失超过 亿美元，事后调查发现，太平洋天然气和电力公司的设备线路老化是引发这起森林火灾的主因。因此，若在系统出现故障的苗头或趋势时，根据性能退化数据，提前对系统采取预防性的维修措施，对避免或预防灾难性事故将更加有效且代价最小。系统性能退化规律建模、剩余使用寿命（，）预测和预测维护是支撑前述目标实现的三大相互关联的核心关键技术。其中，预测作为三大技术的关键与核心，近年来已经成为国内外研究的热点之一。通常被定义为条件随机变量。，（）（）式中：为失效时间的随机变量；为当前运行时间；（）为到当前时刻为止的历史监测条件。由于 是随机变量，通常有 种估计方式：概率分布和期望。利用性能退化数据进行寿命预测的一个重要前提就是对系统的失效进行准确的定义。通常认为，当性能退化数据达到一个事先给定的失效阈值时即认为其发生了失效。年国务院颁布的国家中长期科学和技术发展规划纲要（）将“重大产品和重大设施寿命预测技术”列为亟待发展的前沿技术之一。该技术在过去十余年得到了长足的发展，随着计算工具的进步，寿命预测方法和精度也在不断更新和提高，同时大批学者对 预测方法进行了分类和总结。等将 预测方法分为基于经验、数据驱动和物理模型。等将预测 的手段分为试验驱动型、数据驱动型、物理模型驱动型和混合型。等总结 预测方法主要有统计方法、人工智能方法和机理模型方法。基于机理、试验和物理模型的 预测方法需要结合具体系统进行具体分析，适用性不强，同时随着系统结构的日益复杂化和运行环境的变化，其失效机理的演化规律难以建模或建模代价过高，导致该类方法难以推广。经验方法需要相似系统的寿命数据，因此适用性不强。统计及人工智能方法同属数据驱动的方法。随着传感器技术的发展，系统健康状态的监测手段日渐丰富，为系统运行时的性 能 退 化 数 据 的 获 取 提 供 了 条 件，如 神 经 网络、支持向量机和深度学习等，但这些基于数据驱动的 预测大多侧重于方法论，却忽视了寿命数据多源问题和数据的小样本特性。鉴于此，胡昌华等将数据驱动的 预测方法分为基于失效时间数据、基于性能退化数据和基于多源数据融合。等根据监测到的性能退化数据类型，将获取到的数据分为直接监测数据和间接监测数据。同时，专家学者们也针对不同的数据类型研究了不同的 预测方法，如基于 过程的方法、基于随机滤波的方法等，基于数据驱动的复杂系统 预测方法体系如图 所示。这些 预测方法均从数据特点出发，研究了不同 预测方法适用的数据类型。图 数据驱动的复杂系统 预测方法体系 在此基础上，文章对当前 预测技术进行总结与分析，为面向小子样数据背景下复杂系统的 预测提供一个系统的框架。为此，文章首先结合数据特点对小子样数据下 预测的研究背景、主要方法及思路、核心问题等进行概述；然后综述了小子样下复杂系统 预测方法的研究思想及发展动态；最后针对测控技术 年第 卷第 期当前研究存在的局限性或难题，展望了未来 预测的发展方向。小子样下 预测问题概述在科技日益发展的今天，系统的结构不断复杂化，如运载火箭、通信卫星、载人飞船和高速铁路等，通过可靠性试验得到寿命信息的代价高昂且周期长，导致基于大数据理论的 预测方法在应用上有一定的困难。实际上，在系统的设计、研制、生产和使用等各个环节，都存在对系统寿命预测有用的小样本数据。所以，在进行 预测的过程中，只有充分挖掘这些小样本数据的潜在价值，才能得出更准确、可信度更高的 预测结果。在国家科技攻关项目（如电容器、发动机等）的 预测中，一般是利用寿命数据，通过拟合常用的寿命分布形式进行统计分析。虽然该方法易于操作，但需要大量的寿命数据才能保障预测结果的准确度。而一般国家攻关项目的试验费用高昂，不可能也没有条件投入大量样品进行寿命试验。在实际工作中，一般只进行短时间的性能测试试验，获得的性能退化数据属于小子样数据。于是，在寿命数据缺乏的情况下，需要充分利用性能退化数据，研究基于性能退化数据的数据融合技术。由于研制周期和研制经费的制约，试验数据只能为小样本数据。而在进行复杂系统设计和研制的过程中，为了达到指标要求，在一系列的研制活动中将会获得多源数据，可以概括为如下几种：复杂系统试验信息；仿真试验信息；相似系统信息；系统在不同环境下的试验信息；专家工作经验；系统历史信息。而数据收集的真实性、连续性和完整性也在制约 预测技术的发展。是指从当前时刻开始系统还能继续正常工作的时间，因此 预测实际上是根据当前得到的寿命数据或试验数据，对系统将来是否能正常工作的预测，其预测结果不可避免地存在不确定性。鉴于复杂系统多源数据的特点，经典的寿命预测方法不再适用，因其是在大样本的前提下进行的，如果试验数据较少，则预测结果的置信度不高。因此，近年来发展迅速的小子样理论，成为对复杂系统进行试验分析和寿命预测的一种重要手段。“小子样”是在试验数据较少的情况下，通过数据融合方法，进行分析与评估的理论。所以，要解决小子样寿命预测中存在的问题，需要研究小子样复杂系统的多源数据融合技术。鉴于此，通过对小子样背景下 预测方法发展脉络的研究，深入剖析当前预测技术存在的瓶颈难题，对于促进复杂系统 预测技术的提升具有重要意义。小子样下复杂系统 预测方法 基于失效时间数据的 预测方法这类方法通常是以系统的失效时间为数据基础，在假设系统寿命分布形式的基础上利用统计推断的方法对系统寿命分布的参数进行估计，进而获得该系统工作一段时间后的 分布。常用的寿命分布形式有指数分布、正态分布、分布和 分布等。系统寿命分布形式选择是否合适直接影响 预测结果的精度。等总结了常用的寿命分布函数，并讨论了相应分布函数的参数估计方法。邱荣华等应用修正极大似然函数推导了小子样高速电主轴 寿命分布模型参数估计式，用于小子样高速电主轴的寿命评估。为拓宽可用数据的来源，且系统在不同环境下的失效机理保持不变，可进行加速寿命试验、环境因子折合的 预测方法，短时间内获取失效时间数据，然后将其转换为正常环境下的寿命分布。等通过对某铁路车辆接触器在较短的时间内施加较高的应力来进行加速寿命试验，快速评估接触器的寿命。等采用加速寿命试验对异种材料焊缝的疲劳寿命进行了预测，并拟合了最合适的 分布的寿命分布形式。等研究了 铝合金在不同环境中腐蚀后的疲劳寿命，通过输入环境数据，可获得疲劳寿命的表达式。赵远等分别采用非参数 方法和参数 方法建立了寿命评估模型，对空心阴极循环点火小子样寿命试验数据进行评估。李隽等对导轨产品开展了加速寿命试验，提出了基于威布尔分布模型和小子样数据样本增广及分析方法。基于失效时间数据的 预测方法只能得到该系统的总体寿命分布，并没有考虑系统运行过程中的退化信息，导致其不能很好地反映系统工作一段时间后的 分布。而且该方法为保证预测结果的准确度，需要对各种小子样信息进行大量的试验分析与评估，但现代复杂系统通过寿命试验获取失效时间数据成本太高，且随着状态监测技术的迅猛发展，获取表征系统健康状态的性能指标越来越方便快捷，所以逐步减少了基于失效时间数据的 预测方法的使用，而基于性能退化数据的 预测方法受到专家学者们的青睐。基于性能退化数据的 预测方法根据系统的历史运营数据，可以建立系统的性能退化轨迹，通过设定系统的失效阈值，确定系统的性能退化量达到该值的时刻，进而确定系统的。此类方法无需系统完全失效后的完整监测数据，而是根据基于数据驱动的小子样复杂系统剩余寿命预测方法综述及展望实际预测需求，并考虑时间和成本等限制因素对系统进行监测得到相应性能退化数据。又根据数据是否直接反映系统的性能或健康状态，将该方法细分为基于直接监测数据和基于间接监测数据的方法。基于直接监测数据的 预测方法直接监测数据是指可以直接反映系统的性能或健康状态的监测数据，通常提到的性能退化数据（如磨损、疲劳裂纹等）就属这一类。因此，利用这类数据进行 预测就是预测监测数据首次达到失效阈值的时间。基于直接监测数据驱动的 预测方法又可分为基于时间序列建模和基于随机过程建模的方法。（）基于时间序列建模。在监测时获取的直接监测数据构成了一个时间序列，因而，可以利用时间序列建模方法构建系统的性能退化规律，进而确定系统性能退化值首次达到失效阈值的时间，得到系统的。常用的时间序列模型包括时间序列分析技术、自回归滑动模型、灰色模型、人工神经网络、支持向量机和这些方法的组合预测模型等。该方法需要尽可能多且相对完整的时间序列数据来进行训练，针对数据缺失问题，孙世岩等利用动态时间规整算法扩增目标数据集数据，用于训练双向长短时记忆网络，再用其预测滚动轴承性能退化趋势和。董海鹰等在离线阶段采用小波包技术性能退化数据进行平稳化处理，建立性能退化轨迹模型，进而预测。等通过改进人工神经网络方法，运用电池放电短初始段（小于平均寿命的）预测电池的，预测结果的精度在 以上。尽管上述方法被广泛应用于轴承和电池等系统的 预测，但该方法只能获取 的大小，而不是其分布形式，因而不能很好地反映寿命预测结果的不确定性。（）基于随机过程建模。基于随机过程的 预测方法指系统的性能退化规律可以利用随机过程进行刻画，确定了性能退化量首次达到失效阈值的时间的分布，即可获得系统的 分布。随机过程模型是性能退化数据建模中最早使用的模型之一。等于 年首次提出随机过程模型。和 等分别对相似系统的随机过程建模及 预测问题进行了研究。等在此基础上进一步提出了基于贝叶斯更新的 预测方法。等分析了加速退化模型的 预测问题。由于随机过程模型方法较为简单，因此广泛地应用于复杂系统的 预测。基于随机过程的 预测方法主要包括基于 过程建模、基于逆高斯过程建模、基于 过程建模和基于 链建模等方法。（）基于 过程建模。过程是一种常用于系统 预测的随机过程模型，最早于 年提出并通过 过程来对连续单调的退化数据进行建模。等将 过程应用于滚动轴承的 预测研究。等利用滚动轴承寿命试验数据对基于伽马退化过程的状态空间模型进行了验证。等利用 过程预测了具有 个阶段退化的产品的。过程通常只适用于单调数据的退化轨迹建模，如金属磨损和裂纹增长等。但在实际工作环境中系统运行会受到噪声和环境等干扰，其退化过程并非严格的单调，会呈现一定的随机扰动。（）基于逆高斯过程建模。逆高斯过程是 年由 首次提出的，其基本思想是假设退化严格单调，其退化