基於資料的發動機剩餘使用壽命預測

【試驗工程師·公益學習營】第十期第5講

【試驗工程師·公益學習營】總第50講，於2020年12月25日如期舉行，本期講師北京瑞風協同科技股份有限公司董事長，數值分析專家趙曠博士。他畢業於西北工業大學，留學美國取得威斯康星大學博士學位。在設計模擬和數值計算領域耕耘30餘年，擁有大型跨國公司研發戰略運營管理經驗。帶領瑞風團隊自主研發出DENOVA®、FastADS®、TDM3000®等系列工業軟體。

本期課程重點分為以下三個方面：發動機剩餘使用壽命預測的背景及概況、發動機剩餘使用壽命預測的研究過程梳理和發動機剩餘使用壽命預測的總結與展望。

一、發動機剩餘使用壽命預測的背景及概況

隨著航空發動機日趨複雜化、自動化和智慧化，維修人員採用傳統方法進行故障診斷具有很大的侷限性。發動機智慧故障診斷指透過檢測發動機的氣動熱力、機械效能引數等，實現對發動機的狀態監控，進而實現對故障的預測。為了提高發動機的使用效率，降低維護時間和費用，提高發動機在翼時間，採用故障智慧診斷系統對發動機進行故障診斷是非常必要的。航空發動機剩餘使用壽命的維護預測是故障預測與健康管理（PHM）的關鍵技術之一。

基於相似度演算法預測的維護方法是一種資料驅動方法，從執行中的噴氣式發動機收集的資料用於執行預測維護建模。該專案的目標是建立一個預測模型，基於類似噴氣式發動機叢集從執行到故障的資料，以估計剩餘使用壽命（RUL）的噴氣發動機。

為構建完整的發動機剩餘使用壽命預測體系，基於相似度預測演算法使用了包括：預處理、選擇趨勢特徵、透過感測器測量資料融合構造健康指標、訓練RUL相似性估計器等步驟，進一步對資料進行深度挖掘及學習，並挖掘擬化出最優模型進行預測分析。

二、發動機剩餘使用壽命預測的研究過程梳理

基於相似度演算法預測渦扇發動機剩餘使用壽命

1、資料探勘

• 整體資料概況

整體資料概況

• 整體訓練集資料概況

目前階段，進行初步整理的資料無法建立與發動機剩餘使用壽命的高度相關性，因此我們需要找到資料中可以與發動機剩餘使用壽命建立強關聯的數值，透過強關係分析，進行視覺化處理。

• 訓練集中某一臺發動機資料的視覺化概況

透過粗略的觀測分析，我們可以發現，在每一臺發動機由執行至不適航的訓練集資料之中，某些感測器引數之間存在正/負的完美強相關性。由此，我們可以繼續深入尋找這些引數之間的相關性，選擇提取其特徵值，尋找其時間序列和變數的資料列分佈概況。

• 尋找相關性

全部訓練集資料分佈情況

• 尋找時序關係

在對每一組發動機資料進行相關性資料觀測以及除錯後，提取隨時間變化的原始特徵資料，方便挖掘發動機資料之間的差異性。

2、分組聚類

• 工況分組

在之前的資料探勘過程中，因為工況與時間沒有呈現出相關性，因此我們對三種工況進行分組處理，使用分組演算法（Clustering Algorithm）將工況分為六個聚類群，並使用K均值演算法（K-Means Algorithm）對三種工況資料實現區域性最優，選擇最低成本的結果，即找到每一個聚類群的重心（Centroid）。

對工況的特殊分組處理是為下一步對感測器引數深入處理的基礎，雖然在上述處理過程中，三種工況均未呈現與時間的相關性，但不能單憑資料測量進行判斷而忽視這一重要步驟。

3、資料深度處理

• 標準化處理

根據上一步中已經確定的六個工況聚類群，對感測器引數進行分組標準化處理。其中，相對恆定的感測器引數值對於剩餘使用壽命（RUL）的測量沒有用處，將被剔除。若感測器引數有各自意義，則在此步驟中，需針對性處理，選擇性保留並找出其相關性。

較高的相關性趨勢可能意味著對發動機不適航的可預測性更精準，因此需要檢查感測器引數作為週期函式的發展趨勢。

由此思路為：對歸一化後的每一個感測器引數建立一個線性退化模型，並對其線性斜率絕對值進行排序。

• 線性趨勢

可觀測到，某些感測器引數值的退化趨勢明顯，這有助於下一步的迴歸分析。

4、資料融合

• 建立PHM健康指標

發動機初始執行狀態賦值為1，不適航時狀態賦值為0。即形成發動機隨時間推移從1（健康狀態）線性退化到0（不適航狀態），這種線性退化被用來幫助融合感測器引數值。

• 引數值融合為單一健康指標

根據最具趨勢性的8個感測器引數值建立基於PHM健康指標的線性迴歸模型，為確定每一種工況下的各個引數值與時間之間的依賴關係。至此，訓練集中某一臺發動機的六種工況下的感測器引數值融合結果呈現出指數模型，進行視覺化，之後會將其應用於所有訓練集資料。

5、建立SBRUL模型

• 模型確立

在應用訓練集建立了初步模型後，應用驗證集重複上述的資料預處理及資料探勘工作，並對處理後的驗證集感測器引數與健康模型進行融合。

給定驗證集中的資料，訓練模型最終將預測50個數值並形成機率分佈，選取預測分佈的中位數作為剩餘使用壽命（RUL）的估計值，形成剩餘使用壽命預測。

6、驗證模型

• 模型評估

使用50%、70%、90%的樣本資料對模型的預測進行檢驗，驗證其剩餘使用壽命是否按照預測值實現。

擷取使用壽命達到50%的樣本資料及其臨近值，並將預測值與真實使用壽命、預估使用壽命機率分佈進行比較分析。此時，預估值與真實值之間誤差較大。

擷取使用壽命達到70%的樣本資料及其臨近值，並將預測值與真實使用壽命、預估使用壽命機率分佈進行比較分析。在增加了20%的資料後，剩餘使用壽命的預估能力增強。

擷取使用壽命達到90%的樣本資料及其臨近值，並將預測值與真實使用壽命、預估使用壽命機率分佈進行比較分析。當發動機接近不適航時，預測值與實際值更加貼近，預測精度更加準確。

7、計算誤差值

• 統計評估

對全部試驗資料重複以上相同步驟，計算預測值與實際值之間的誤差值，並將50%、70%、90%三個斷電的誤差值進行統計分析和機率分佈視覺化。

此時，可清晰觀測到，隨著資料的增加，誤差值越來越小並且趨近於0，即為異常值減少。因此，隨著發動機使用時間的增加，本模型對於發動機剩餘使用壽命的評估越發精準。

8、輸入新資料

三、發動機剩餘使用壽命預測的總結與展望

1、過程總結

• 透過初步資料預處理，找到資料之間的關聯

• 在資料的深度挖掘過程中，提取特徵值，進行分組聚類、降維處理，挖掘其之間的關聯

• 將特徵資料進行融合，建立訓練模型

• 驗證模型

• 模型評估

2、模型總結

基於相似度預測演算法根據實際情況，對發動機的不同工況進行了最優分組，在此基礎上建立了基於不同工況條件下形成的感測器引數與時間的相關性。同時，在相似型基礎構架、相似度量方法、預測效果檢驗等方面進行了深入研究，對資料進行了有效利用與挖掘。

同時，隨著資料量的增加，即發動機使用資料增加，此模型對發動機剩餘使用壽命的所有預測值均小於且趨近於其真實使用壽命，可為發動機維修保護進行良好的提前預測。