王秀娜，魯守銀,2，任 飛

(1.山東建筑大學(xué)信息與電氣工程學(xué)院，山東 濟(jì)南 250101；2.山東建筑大學(xué)機(jī)器人技術(shù)與智能系統(tǒng)研究院)

0 引言

近年來(lái)，預(yù)測(cè)性維護(hù)在研究和工業(yè)界都得到了廣泛關(guān)注，被認(rèn)為是第四次工業(yè)革命（“工業(yè)4.0”）背后的驅(qū)動(dòng)力。在大數(shù)據(jù)時(shí)代的今天，嵌入式智能傳感器收集的數(shù)據(jù)用于對(duì)當(dāng)前和未來(lái)的健康狀況或剩余使用壽命進(jìn)行估計(jì)和預(yù)測(cè)。雖然近年來(lái)在高質(zhì)量傳感器的開(kāi)發(fā)和預(yù)測(cè)建模方面取得了較大進(jìn)展，但是近年來(lái)的一些研究顯示，工業(yè)界尚未對(duì)預(yù)測(cè)性維護(hù)解決方案感到滿意。研究表明，預(yù)測(cè)性維護(hù)在工業(yè)環(huán)境中的應(yīng)用仍然需要對(duì)真實(shí)的工業(yè)數(shù)據(jù)和整體框架進(jìn)行廣泛的研究。整體框架包括預(yù)測(cè)性維護(hù)信息在生產(chǎn)中的部署，以提供決策支持來(lái)確定最佳維護(hù)時(shí)間點(diǎn)。生產(chǎn)和維護(hù)的綜合調(diào)度使制造業(yè)能夠優(yōu)化維護(hù)時(shí)間，同時(shí)避免代價(jià)高昂的機(jī)器故障，優(yōu)化了機(jī)器退化建模和維護(hù)集成生產(chǎn)調(diào)度領(lǐng)域的交互。

提高故障預(yù)測(cè)的準(zhǔn)確性不僅可以提高安全性和可靠性，降低平均維護(hù)成本，還可以為設(shè)備的維修決策提供參考?，F(xiàn)有的研究將故障預(yù)測(cè)方法分為兩大類：基于物理模型和基于數(shù)據(jù)驅(qū)動(dòng)的方法?；谖锢淼哪Ｐ托璨东@失效機(jī)制或物理現(xiàn)象，以建立一個(gè)退化過(guò)程的數(shù)學(xué)模型表示。由于系統(tǒng)的復(fù)雜性或降解機(jī)制的不明確，使其在實(shí)際應(yīng)用中不可行或無(wú)效。與基于物理的方法不同，數(shù)據(jù)驅(qū)動(dòng)的方法不需要理解復(fù)雜的退化機(jī)制。該方法通常依賴于數(shù)據(jù)分析，對(duì)數(shù)據(jù)進(jìn)行挖掘，以預(yù)測(cè)系統(tǒng)狀態(tài)的變化。因此，數(shù)據(jù)驅(qū)動(dòng)方法常用于預(yù)測(cè)系統(tǒng)的剩余使用壽命，其預(yù)測(cè)結(jié)果能夠很好地表現(xiàn)設(shè)備健康狀況。在數(shù)據(jù)驅(qū)動(dòng)方法中，很多機(jī)器學(xué)習(xí)方法在剩余使用壽命預(yù)測(cè)中有不錯(cuò)的表現(xiàn)。Huang 等利用傳統(tǒng)的多層感知器(Multilayer Perceptron,MLP)方法對(duì)實(shí)驗(yàn)室測(cè)試軸承的剩余使用壽命進(jìn)行建模，得出預(yù)測(cè)結(jié)果優(yōu)于基于可靠性的方法的結(jié)論。Tian開(kāi)發(fā)了一種人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)方法來(lái)估計(jì)設(shè)備的剩余使用壽命，該模型以當(dāng)前和之前檢查點(diǎn)的年齡以及多條件監(jiān)測(cè)測(cè)量值作為輸入，以設(shè)備壽命百分比作為輸出。Khawaja 等引入了一種帶有置信分布節(jié)點(diǎn)的置信預(yù)測(cè)方法。Malhi 等人提出了一種基于競(jìng)爭(zhēng)性學(xué)習(xí)的方法，使用循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)進(jìn)行機(jī)器健康狀態(tài)的長(zhǎng)期預(yù)測(cè)。

1 預(yù)測(cè)性維護(hù)方法描述

1.1 隨機(jī)森林算法描述

隨機(jī)森林算法是一種集成學(xué)習(xí)方法，通過(guò)在訓(xùn)練時(shí)構(gòu)建大量決策樹(shù)來(lái)進(jìn)行操作，隨機(jī)森林算法計(jì)算所有特征的重要性，從而得出特征等級(jí)。通過(guò)排列所有樣本的特征值，袋外數(shù)據(jù)（Out of Bag，OOB）誤差的增量或者是OOB準(zhǔn)確率的降低，可用于計(jì)算該特征的重要性。具體步驟如下：

⑵對(duì)于第條特征，為OOB 樣本排列其值，并在第棵樹(shù)上測(cè)試這些樣本，以獲得其精度A,=1,2,,,=1,2,,ntree；

⑶特征的重要性指標(biāo)計(jì)算公式為：

1.2 時(shí)間卷積網(wǎng)絡(luò)

為了提高模型的預(yù)測(cè)性維護(hù)性能，采用時(shí)間卷積網(wǎng)絡(luò)（TCN）。TCN 采用的擴(kuò)展卷積結(jié)構(gòu)如圖1 所示。因果卷積層確保僅使用當(dāng)前和過(guò)去的樣本來(lái)計(jì)算其在時(shí)間的輸出。并且TCN為了處理梯度消失等問(wèn)題，采用擴(kuò)張卷積層，在獲得足夠大的感受野時(shí)，盡可能的通過(guò)減少卷積層的數(shù)量來(lái)降低計(jì)算量。其中一維輸入向量x的第個(gè)元素處的擴(kuò)張卷積計(jì)算公式如下：

其中，q ∈0,1,…,k -1 表示過(guò)濾器，表示膨脹系數(shù)，表示過(guò)濾器的大小。

TCN 的剩余塊體結(jié)構(gòu)如圖1 所示，殘差連接結(jié)構(gòu)由兩個(gè)相同的連續(xù)部分組成，其結(jié)構(gòu)按照擴(kuò)展因果卷積、權(quán)值規(guī)范化、激活函數(shù)和隨機(jī)失活排列的順序構(gòu)成。如圖1 所示，圖中d 代表采樣率，d=1 代表每個(gè)點(diǎn)都采集，層級(jí)越高d 越大。數(shù)據(jù)被送入1×1 卷積層確保輸入輸出的寬度一致，同時(shí)還通過(guò)擴(kuò)展卷積、權(quán)值規(guī)范化、激活函數(shù)和隨機(jī)失活結(jié)構(gòu)兩次以輸出。

圖1 殘差連接結(jié)構(gòu)和擴(kuò)展因果卷積結(jié)構(gòu)

1.3 基于隨機(jī)森林與時(shí)間卷積網(wǎng)絡(luò)的預(yù)測(cè)性維護(hù)框架描述

本文所提出的基于隨機(jī)森林算法進(jìn)行特征選擇，并且提取重要性特征的滾動(dòng)平均值和滾動(dòng)標(biāo)準(zhǔn)差以重構(gòu)特征變量，將處理后的特征變量輸入至?xí)r間卷積網(wǎng)絡(luò)以進(jìn)行故障狀態(tài)預(yù)測(cè)性維護(hù)的具體步驟為：

隨機(jī)森林算法對(duì)輸入特征變量進(jìn)行重要性排序，選擇與故障相關(guān)的重要性特征；

對(duì)選擇出的重要性特征進(jìn)行滾動(dòng)平均值和滾動(dòng)標(biāo)準(zhǔn)差提取，來(lái)得到重構(gòu)特征；

將重要性特征結(jié)合重構(gòu)后的特征，組成新的輸入特征變量；

將新的時(shí)間序列，輸入至?xí)r間卷積網(wǎng)絡(luò)以實(shí)現(xiàn)預(yù)測(cè)性維護(hù)過(guò)程。

2 實(shí)驗(yàn)數(shù)據(jù)處理與模型方法設(shè)置

本文的實(shí)驗(yàn)數(shù)據(jù)來(lái)源于美國(guó)國(guó)家航空航天局的故障預(yù)測(cè)研究，使用C-MAPSS 發(fā)動(dòng)機(jī)仿真軟件模擬了發(fā)動(dòng)機(jī)的各個(gè)部件從健康運(yùn)行到故障的整個(gè)生命周期，收集了整套的傳感器退化數(shù)據(jù)，用于預(yù)測(cè)性維護(hù)領(lǐng)域算法開(kāi)發(fā)和驗(yàn)證。

在構(gòu)建預(yù)測(cè)性維護(hù)模型之前對(duì)數(shù)據(jù)進(jìn)行特征工程處理，既可以通過(guò)篩選與故障更相關(guān)的特征變量，又可以通過(guò)對(duì)特征變量進(jìn)行提取重構(gòu)，來(lái)達(dá)到提高模型訓(xùn)練效果的作用。已知數(shù)據(jù)集的原始特征是從setting1 到setting3，以及傳感器的記錄值s1-s21，其中一些傳感器的記錄值幾乎沒(méi)有變化。因此，我們對(duì)上述特征變量進(jìn)行了標(biāo)準(zhǔn)差和相關(guān)性分析并排序，其結(jié)果如圖2所示。

圖2 訓(xùn)練數(shù)據(jù)集的特征變量標(biāo)準(zhǔn)差與變異系數(shù)絕對(duì)值

性能評(píng)價(jià)指標(biāo)

在本文中，使用均方根誤差（Root Mean Square Error，RMSE），平均絕對(duì)誤差（Mean Absolute Error，MAE），平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）和決定系數(shù)（R），公式如下：

3 實(shí)驗(yàn)結(jié)果與討論

3.1 實(shí)驗(yàn)方法配置

隨機(jī)森林和時(shí)間卷積網(wǎng)絡(luò)模型設(shè)置

在本文所提出的預(yù)測(cè)性維護(hù)過(guò)程中，首先，采用隨機(jī)森林算法進(jìn)行與故障相關(guān)的特征重要性排序，從21 個(gè)傳感器值的特征變量中選擇重要性排名前16 個(gè)特征作為后續(xù)時(shí)間卷積網(wǎng)絡(luò)的輸入數(shù)據(jù)。其中隨機(jī)森林算法進(jìn)行特征重要性選擇時(shí)的參數(shù)設(shè)置為：森林中決策樹(shù)的個(gè)數(shù)為10；度量分裂的標(biāo)準(zhǔn)為：gini；尋找最佳分裂點(diǎn)時(shí)考慮的特征數(shù)目為“:auto”；分裂內(nèi)部節(jié)點(diǎn)為：2；最少葉子節(jié)點(diǎn)數(shù)為：1。數(shù)據(jù)特征選擇結(jié)果如圖3 所示，其中柱狀圖的排列高低按照所選擇特征的重要性進(jìn)行排序。

圖3 隨機(jī)森林特征選擇重要性排序

將上述篩選出的特征變量提取滾動(dòng)平均值和滾動(dòng)標(biāo)準(zhǔn)差進(jìn)行特征重構(gòu)，輸入至TCN 以進(jìn)行訓(xùn)練。TCN的網(wǎng)絡(luò)參數(shù)設(shè)置為：網(wǎng)絡(luò)層數(shù)為4層，卷積核為2，Dropout為0.5，epochs為10，batch_size為256，學(xué)習(xí)率為0.002，優(yōu)化器為adam，損失函數(shù)為binary-crossentropy，度量值為accuracy。將設(shè)置好參數(shù)的TCN網(wǎng)絡(luò)用于模型訓(xùn)練，在利用訓(xùn)練集將模型訓(xùn)練完畢后，進(jìn)而利用測(cè)試集對(duì)訓(xùn)練好的模型進(jìn)行預(yù)性維護(hù)過(guò)程的結(jié)果驗(yàn)證。

3.2 實(shí)驗(yàn)結(jié)果分析

通過(guò)研究隨時(shí)間變化的傳感器值，利用預(yù)測(cè)性維護(hù)模型來(lái)學(xué)習(xí)傳感器值和傳感器值變化與歷史故障數(shù)據(jù)之間的關(guān)系，從而進(jìn)行未來(lái)故障的預(yù)測(cè)。在上一節(jié)中，通過(guò)檢查數(shù)據(jù)特征的可變性，對(duì)特征數(shù)據(jù)進(jìn)行了統(tǒng)計(jì)性分析，從而得出對(duì)因變量有顯著影響的部分特征。在保證模型訓(xùn)練精度的基礎(chǔ)上，減少模型訓(xùn)練的時(shí)間。為提高模型在特征選擇方面的效率，采用隨機(jī)森林算法對(duì)數(shù)據(jù)進(jìn)行分析，選擇出重要性靠前的特征，并且將選擇出的特征進(jìn)行特征重構(gòu)，其預(yù)測(cè)性能結(jié)果與其他模型相比的數(shù)據(jù)如表1 所示，可視化結(jié)果如圖4、圖5所示。

表1 不同模型下的性能指標(biāo)對(duì)比

圖4 不同模型下評(píng)價(jià)指標(biāo)對(duì)比柱狀圖

由表1，圖4和圖5可以看出，對(duì)于C-MAPSS數(shù)據(jù)集，本文提出的基于隨機(jī)森林和時(shí)間卷積網(wǎng)絡(luò)的混合預(yù)測(cè)性維護(hù)模型，能夠較好對(duì)故障進(jìn)行預(yù)測(cè)，在四種評(píng)價(jià)指標(biāo)上都有很大的改善，其中相較于RMSE 至少提升了56.87%，MAE 至少提升了55.63%，MAPE 至少提升了36.37%，R至少提升了46.70%。

圖5 不同模型下的故障預(yù)測(cè)曲線對(duì)比

4 結(jié)論

由于現(xiàn)代工業(yè)具有更為復(fù)雜和龐大的數(shù)據(jù)，導(dǎo)致原先的故障預(yù)測(cè)方法無(wú)法直接應(yīng)用于現(xiàn)階段計(jì)算難度大等問(wèn)題。本文針對(duì)現(xiàn)存?zhèn)鞲衅鲾?shù)據(jù)具有維度高、非線性和隨機(jī)性等特點(diǎn)，提出一種基于隨機(jī)森林算法和時(shí)間卷積網(wǎng)絡(luò)的故障預(yù)測(cè)方法。

首先利用隨機(jī)森林算法選擇出與故障相關(guān)性大的重要性特征變量。然后將篩選出的重要性特征進(jìn)行滾動(dòng)平均值和滾動(dòng)標(biāo)準(zhǔn)差等相關(guān)特征的提取，重構(gòu)輸入特征變量。最后利用時(shí)間卷積網(wǎng)絡(luò)強(qiáng)大的非線性、并行性處理能力，來(lái)進(jìn)行預(yù)測(cè)性維護(hù)的二分類問(wèn)題預(yù)測(cè)。在C-MAPSS 數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證表明，該模型的預(yù)測(cè)性能與其他機(jī)器學(xué)習(xí)模型相比有很大的提高，表現(xiàn)出很高的預(yù)測(cè)精度。