基于随机森林和时间卷积网络的航空发动机故障预测＊
时间：2022-11-05 21:10:01 来源：柠檬阅读网 本文已影响 人 
王秀娜，鲁守银,2，任 飞
(1.山东建筑大学信息与电气工程学院，山东 济南 250101；
2.山东建筑大学机器人技术与智能系统研究院)
近年来，预测性维护在研究和工业界都得到了广泛关注，被认为是第四次工业革命（“工业4.0”）背后的驱动力。在大数据时代的今天，嵌入式智能传感器收集的数据用于对当前和未来的健康状况或剩余使用寿命进行估计和预测。虽然近年来在高质量传感器的开发和预测建模方面取得了较大进展，但是近年来的一些研究显示，工业界尚未对预测性维护解决方案感到满意。研究表明，预测性维护在工业环境中的应用仍然需要对真实的工业数据和整体框架进行广泛的研究。整体框架包括预测性维护信息在生产中的部署，以提供决策支持来确定最佳维护时间点。生产和维护的综合调度使制造业能够优化维护时间，同时避免代价高昂的机器故障，优化了机器退化建模和维护集成生产调度领域的交互。
提高故障预测的准确性不仅可以提高安全性和可靠性，降低平均维护成本，还可以为设备的维修决策提供参考。现有的研究将故障预测方法分为两大类：基于物理模型和基于数据驱动的方法。基于物理的模型需捕获失效机制或物理现象，以建立一个退化过程的数学模型表示。由于系统的复杂性或降解机制的不明确，使其在实际应用中不可行或无效。与基于物理的方法不同，数据驱动的方法不需要理解复杂的退化机制。该方法通常依赖于数据分析，对数据进行挖掘，以预测系统状态的变化。因此，数据驱动方法常用于预测系统的剩余使用寿命，其预测结果能够很好地表现设备健康状况。在数据驱动方法中，很多机器学习方法在剩余使用寿命预测中有不错的表现。Huang 等利用传统的多层感知器(Multilayer Perceptron,MLP)方法对实验室测试轴承的剩余使用寿命进行建模，得出预测结果优于基于可靠性的方法的结论。Tian开发了一种人工神经网络(Artificial Neural Network,ANN)方法来估计设备的剩余使用寿命，该模型以当前和之前检查点的年龄以及多条件监测测量值作为输入，以设备寿命百分比作为输出。Khawaja 等引入了一种带有置信分布节点的置信预测方法。Malhi 等人提出了一种基于竞争性学习的方法，使用循环神经网络(Recurrent Neural Network,RNN)进行机器健康状态的长期预测。
1.1 随机森林算法描述
随机森林算法是一种集成学习方法，通过在训练时构建大量决策树来进行操作，随机森林算法计算所有特征的重要性，从而得出特征等级。通过排列所有样本的特征值，袋外数据（Out of Bag，OOB）误差的增量或者是OOB准确率的降低，可用于计算该特征的重要性。具体步骤如下：
⑵对于第条特征，为OOB 样本排列其值，并在第棵树上测试这些样本，以获得其精度A,=1,2,,,=1,2,,ntree；
⑶特征的重要性指标计算公式为：
1.2 时间卷积网络
为了提高模型的预测性维护性能，采用时间卷积网络（TCN）。TCN 采用的扩展卷积结构如图1 所示。因果卷积层确保仅使用当前和过去的样本来计算其在时间的输出。并且TCN为了处理梯度消失等问题，采用扩张卷积层，在获得足够大的感受野时，尽可能的通过减少卷积层的数量来降低计算量。其中一维输入向量x的第个元素处的扩张卷积计算公式如下：
其中，q ∈0,1,…,k -1 表示过滤器，表示膨胀系数，表示过滤器的大小。
TCN 的剩余块体结构如图1 所示，残差连接结构由两个相同的连续部分组成，其结构按照扩展因果卷积、权值规范化、激活函数和随机失活排列的顺序构成。如图1 所示，图中d 代表采样率，d=1 代表每个点都采集，层级越高d 越大。数据被送入1×1 卷积层确保输入输出的宽度一致，同时还通过扩展卷积、权值规范化、激活函数和随机失活结构两次以输出。
图1 残差连接结构和扩展因果卷积结构
1.3 基于随机森林与时间卷积网络的预测性维护框架描述
本文所提出的基于随机森林算法进行特征选择，并且提取重要性特征的滚动平均值和滚动标准差以重构特征变量，将处理后的特征变量输入至时间卷积网络以进行故障状态预测性维护的具体步骤为：
随机森林算法对输入特征变量进行重要性排序，选择与故障相关的重要性特征；
对选择出的重要性特征进行滚动平均值和滚动标准差提取，来得到重构特征；
将重要性特征结合重构后的特征，组成新的输入特征变量；
将新的时间序列，输入至时间卷积网络以实现预测性维护过程。
本文的实验数据来源于美国国家航空航天局的故障预测研究，使用C-MAPSS 发动机仿真软件模拟了发动机的各个部件从健康运行到故障的整个生命周期，收集了整套的传感器退化数据，用于预测性维护领域算法开发和验证。
在构建预测性维护模型之前对数据进行特征工程处理，既可以通过筛选与故障更相关的特征变量，又可以通过对特征变量进行提取重构，来达到提高模型训练效果的作用。已知数据集的原始特征是从setting1 到setting3，以及传感器的记录值s1-s21，其中一些传感器的记录值几乎没有变化。因此，我们对上述特征变量进行了标准差和相关性分析并排序，其结果如图2所示。
图2 训练数据集的特征变量标准差与变异系数绝对值
性能评价指标
在本文中，使用均方根误差（Root Mean Square Error，RMSE），平均绝对误差（Mean Absolute Error，MAE），平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）和决定系数（R），公式如下：
3.1 实验方法配置
随机森林和时间卷积网络模型设置
在本文所提出的预测性维护过程中，首先，采用随机森林算法进行与故障相关的特征重要性排序，从21 个传感器值的特征变量中选择重要性排名前16 个特征作为后续时间卷积网络的输入数据。其中随机森林算法进行特征重要性选择时的参数设置为：森林中决策树的个数为10；
度量分裂的标准为：gini；
寻找最佳分裂点时考虑的特征数目为“:auto”；
分裂内部节点为：2；
最少叶子节点数为：1。数据特征选择结果如图3 所示，其中柱状图的排列高低按照所选择特征的重要性进行排序。
图3 随机森林特征选择重要性排序
将上述筛选出的特征变量提取滚动平均值和滚动标准差进行特征重构，输入至TCN 以进行训练。TCN的网络参数设置为：网络层数为4层，卷积核为2，Dropout为0.5，epochs为10，batch_size为256，学习率为0.002，优化器为adam，损失函数为binary-crossentropy，度量值为accuracy。将设置好参数的TCN网络用于模型训练，在利用训练集将模型训练完毕后，进而利用测试集对训练好的模型进行预性维护过程的结果验证。
3.2 实验结果分析
通过研究随时间变化的传感器值，利用预测性维护模型来学习传感器值和传感器值变化与历史故障数据之间的关系，从而进行未来故障的预测。在上一节中，通过检查数据特征的可变性，对特征数据进行了统计性分析，从而得出对因变量有显著影响的部分特征。在保证模型训练精度的基础上，减少模型训练的时间。为提高模型在特征选择方面的效率，采用随机森林算法对数据进行分析，选择出重要性靠前的特征，并且将选择出的特征进行特征重构，其预测性能结果与其他模型相比的数据如表1 所示，可视化结果如图4、图5所示。
表1 不同模型下的性能指标对比
图4 不同模型下评价指标对比柱状图
由表1，图4和图5可以看出，对于C-MAPSS数据集，本文提出的基于随机森林和时间卷积网络的混合预测性维护模型，能够较好对故障进行预测，在四种评价指标上都有很大的改善，其中相较于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%。
图5 不同模型下的故障预测曲线对比
由于现代工业具有更为复杂和庞大的数据，导致原先的故障预测方法无法直接应用于现阶段计算难度大等问题。本文针对现存传感器数据具有维度高、非线性和随机性等特点，提出一种基于随机森林算法和时间卷积网络的故障预测方法。
首先利用随机森林算法选择出与故障相关性大的重要性特征变量。然后将筛选出的重要性特征进行滚动平均值和滚动标准差等相关特征的提取，重构输入特征变量。最后利用时间卷积网络强大的非线性、并行性处理能力，来进行预测性维护的二分类问题预测。在C-MAPSS 数据集上的实验验证表明，该模型的预测性能与其他机器学习模型相比有很大的提高，表现出很高的预测精度。
猜你喜欢 卷积预测算法 选修2—2期中考试预测卷(B卷)中学生数理化·高二版(2022年4期)2022-05-09选修2—2期中考试预测卷(A卷)中学生数理化·高二版(2022年4期)2022-05-09基于图像处理与卷积神经网络的零件识别计算技术与自动化(2022年1期)2022-04-15基于全卷积神经网络的变压器故障诊断科技创新与应用(2020年4期)2020-02-25基于深度卷积网络与空洞卷积融合的人群计数上海师范大学学报·自然科学版(2019年5期)2019-12-13Travellng thg World Full—time for Rree阅读与作文（英语初中版）(2019年8期)2019-08-27卷积神经网络概述中国新通信(2017年9期)2017-05-27学习算法的“三种境界”中学生数理化·高一版(2017年1期)2017-04-25算法框图的补全中学生数理化·高一版(2017年1期)2017-04-25算法初步知识盘点中学生数理化·高一版(2017年1期)2017-04-25
