基于LASSO变量选择的航空发动机相似性剩余寿命预测_于倩影.pdf

文章编号：1000-8055（2023）04-0931-08doi：10.13224/ki.jasp.20210516基于 LASSO 变量选择的航空发动机相似性剩余寿命预测于倩影1，李娟1，戴洪德2，辛富禄1（1.鲁东大学数学与统计科学学院，山东烟台264025；2.海军航空大学航空基础学院，山东烟台264001）摘要：由于航空发动机监测变量众多，传统方法直接选取性能退化趋势明显的变量进行寿命预测，所以提出一种基于 LASSO（leastabsoluteshrinkageandselectionoperator）的变量选取方法，结合相似性寿命预测方法有效提高了预测精度。基于 K-means 聚类区分不同工况，对航空发动机多个监测变量根据聚类结果进行变量转换。基于 LASSO 方法选取最优传感器变量。基于相似性方法进行航空发动机剩余寿命预测。将基于LASSO 的变量选取方法与传统的根据退化趋势大小进行选择的方法进行剩余使用寿命预测的结果进行了对比研究。结果表明：基于 LASSO 选取变量的相似性寿命预测误差的标准差在 3 种运行周期下分别减少了约1.84、3.46、4.23。关键词：预测与健康管理；K-means 聚类；LASSO 方法；相似性；剩余寿命中图分类号：V263.6文献标志码：ALASSObasedvariableselectionforsimilarityremainingusefullifepredictionofaero-engineYUQianying1，LIJuan1，DAIHongde2，XINFulu1（1.SchoolofMathematicsandStatistics，LudongUniversity，YantaiShandong264025，China；2.SchoolofBasicSciencesforAviation，NavalAviationUniversity，YantaiShandong264001，China）Abstract:Duetothelargenumberofaero-enginemonitoringvariables,thevariableswithobviousperformancedegradationtrendweredirectlyselectedbytraditionalmethodforthelifeprediction,soavariableselectionmethodbasedonLASSO(leastabsoluteshrinkageandselectionoperator)wasproposed,whichcombinedwiththesimilaritylifepredictionmethodtoeffectivelyimprovethepredictionaccuracy.BasedonK-meansclustering,differentworkingconditionsweredistinguished,andmultiplemonitoringvariablesofaero-engineweretransformedaccordingtotheclusteringresults.TheoptimalsensorvariableswereselectedbasedontheLASSOmethod.Theremainingusefullifeofaero-enginewaspredictedbasedonsimilaritymethod.TheresultsofremainingusefullifepredictionbasedonthevariableselectionmethodbyLASSOandthetraditionalselectionmethodbythedegradationtrendwerecompared.TheresultsshowedthatthestandarddeviationofthesimilaritylifepredictionerrorbasedonthevariablesselectedbyLASSOdecreasedbyabout1.84,3.46and4.23underthreeoperatingcycles.收稿日期：2021-09-15基金项目：山东省自然科学基金面上项目（ZR2017MF036）；国防科技项目基金（F062102009）作者简介：于倩影（1998），女，硕士生，主要从事应用统计研究。通信作者：李娟（1981），女，副教授、硕士生导师，博士，主要从事预测与健康管理研究。E-mail：引用格式：于倩影,李娟,戴洪德,等.基于 LASSO 变量选择的航空发动机相似性剩余寿命预测J.航空动力学报,2023,38（4）：931-938.YUQianying,LIJuan,DAIHongde,etal.LASSObasedvariableselectionforsimilarityremainingusefullifepredictionofaero-engineJ.JournalofAerospacePower,2023,38（4）：931-938.第38卷第4期航空动力学报Vol.38No.42023年4月JournalofAerospacePowerApr.2023Keywords:prognosticshealthmanagement；K-meansclustering；LASSOmethod；similarity；remainingusefullife针对现代战争跨越式的武器装备建设，“十四五”规划明确了航空发动机的制造在我国航空领域发展中的重要地位。航空发动机作为一种为航空器提供飞行动力的高精度、高精密的热力机械装备，由成千上万个精密零件组成。作为飞机的“心脏”，航空发动机或直接或间接地影响了飞机的使用寿命、人民的经济利益乃至生命安全。一方面，航空发动机的制造水平衡量了一个国家的科技能力、工业生产能力和国防实力；另一方面，航空发动机的性能维护也带来了众多考验。因此，航空发动机的预测与健康管理（prognosticshealthmanagement,PHM）具有重要意义1。剩余寿命（remainingusefullife,RUL）预测是预测与健康管理的核心内容。李琪等2将航空发动机的寿命预测方法分为基于模型驱动与基于数据驱动的方法。模型驱动采用以模型为主导的方法，但针对复杂的设备，构建较为完备的物理模型非常困难，而且不定期的停机检查会影响工作进程，甚至引起不必要的设备磨损3。数据驱动方法即有效利用历史或实时数据构建数学模型，从而进行剩余寿命预测。作为一种有效的数据驱动方法，Wang 等4提出的基于相似性的剩余寿命预测方法，有效使用了航空发动机系统中大量从正常运行到故障的设备数据。在距离发生故障失效相对较远的情况下，基于相似度的剩余寿命预测具有长期预测的能力5，同时减轻了构建复杂设备退化模型的难度。针对航空发动机的剩余寿命预测，监测变量众多，为降低工作的复杂程度，减少不必要的资源浪费，国内外的研究者主要从以下几方面进行研究。特征提取方面体现在：Wu 等6采用动态差分技术分别从发动机 21 个传感器的原始数据中提取特征，建立性能退化的深度神经网络模型，得到了比传统神经网络模型更高的寿命预测精度。多传感器信息可以提高寿命预测精度，但过多传感器的安装会增加系统的体积、质量、功耗、复杂性，使得维护成本加大7。基于退化趋势选取传感器变量方面包括：Li 等8对 14 个有明显变化趋势的传感器原始监测数据进行学习，提出了基于数据驱动的航空发动机卷积神经网络深度学习的寿命估计方法。Wen 等9考虑同一传感器在各训练单元上具有的相同递增或者递减趋势，识别出 11 个传感器作为模型的输入信号。Listou 等10剔除整个引擎生命周期内恒定传感器信息测量，基于半监督的深度架构方法进行了剩余寿命预测。可见，基于退化趋势进行变量选取是常见的方法，但相应的理论支撑还需要进一步研究。因此，基于统计理论的变量选取方法得到了广泛关注，Celestino 等11考虑多重共线性，将相关性很强的变量剔除，最终提取了 5 个变量对航空发动机进行寿命预测。Lu 等12通过评估剩余寿命的可预测性，选取了 5 个性能退化特征，对航空发动机进行寿命预测。张妍等13采用 Relief 算法最终选取 8 个退化特征，提出了一种基于退化特征相似性的寿命预测方法。Lasheras 等14采用主成分分析的方法，对 24 个变量进行变量选择，最终在 91.2%的贡献度下保留了 17 个主成分退化特征变量，并对航空发动机的剩余寿命进行了预测。然而，基于主成分的变量选择方法，本质是所有变量的线性组合，无法真正实现传感器降维。而 LASSO（least absolute shrinkage and selec-tionoperator）回归算法的基本思想是在线性回归模型的基础上加入 L1 范数（即向量中各个元素的绝对值之和）的约束项，通过控制惩罚参数 的值进行变量筛选和调整模型的复杂程度。LASSO是一种从大量数据筛选有效信息的方法，已经广泛应用于桥梁建筑15、轴承故障诊断16、基因选择17、药物研发、边坡稳定性分析等方面，但在航空发动机寿命预测领域，鲜有基于 LASSO 进行变量选取的理论与实践研究。本文提出一种基于 LASSO 进行变量选择的相似性寿命预测方法，筛选重要的传感器变量，减少高维冗余信息，降低变量之间的共线性，提高航空发动机剩余寿命预测的精度，为航空发动机的预测与健康管理提供理论与实践参考。1基于LASSO的相似性寿命预测方法该部分包括健康因子构建、基于 LASSO 的变量选取方法与基于相似性的剩余寿命预测。932航空动力学报第38卷1.1健康因子构建0,1Ih（t）0,1为定量描述航空发动机从正常状态到故障失效的退化参数，即航空发动机的健康状况，将不同传感器变量状态数据合成以映射到单一维度中，进行健康指标（healthindicator，记为 Ih）的构建。健康指标构建的思想是将每组发动机的运转周期折合到区间中（），0 表示发动机处于完全失效状态，1 表示发动机处于初始运转状态。tiiTiiTi=max（t1,t2,tk）tik假设 表示发动机第 次循环次数，表示当前发动机第 次循环次数与该发动机总循环次数的差值，即，表示每个发动机从初始运转到最终运转的总循环次数。Ih（t）0,1记为健康因子，为当前循环次数的差值分别与该差值中的最大值的比值，表现为每组发动机的健康状况从 1 退化到 0，即Ih(t)=Timax（T1,T2,Tk）,i=1,2,k（1）Y=（y1,y2,ym）TmX=（x1,x2,xn）n=（0,1,2,n）Tn+1本文采用线性回归方法构建健康指标，以保留训练集中更多的退化数据信息。记为维 健 康 因 子 变 量 矩 阵，为 维传感器参数的协变量矩阵，为维回归系数矩阵，为噪声项矩阵，假设航空发动机运行健康状况随时间从 1线性下降到 0，则健康因子与传感器拟合为线性回归模型表示为Y=X+（2）W（2）j将传感器测量值与其相关权重相乘，构造一个单一的健康指示器。基于权重，平滑融合数据并偏移数据，使得所有退化数据均从 1 开始。由此，来自多个传感器的数据被融合到一个健康指示器中，传感器运行状况指示器由移动平均值过滤器平滑。?Tt=kj=k（jxt+j）（3）1.2基于 LASSO 的变量选取方法LASSO 实际是一种保留子集收缩这一优点的压缩估计方法，也是一种处理具有复共线性数据的有偏估计。LASSO 实际是 Bridge 回归的一种特殊的表达形式18。通过构造一个惩罚函数得到较为精练的模型，设置惩罚参数 的值，从而压缩变量的系数。随着惩罚参数 的不断增大，变量的系数会持续趋向于零，当 足够大时，一部分变量的系数会被压缩至零，从而达到减少原始变量的目的19。区别于普通线性模型（式（2），基于 LASSO方