剩余使用寿命(RUL)预测技术
本文最后更新于:2024年3月9日 中午
#RUL #综述
剩余使用寿命(Remaining useful life
,即RUL
)预测技术是预测与健康管理(PHM)的关键技术。它主要是评估设备的性能状态,指导人们对设备进行更换或维修设备,有效避免由于机器故障而导致的安全问题和经济损失。
剩余使用寿命预测的方法常被分为以下三种:
- 基于模型的方法
- 基于数据驱动的方法
- 混合方法
下面将针对这三种方法进行逐一介绍。
1. 基于模型(model-based)的方法
基于模型的方法主要考虑两个问题,一是联合参数的估计问题,主要通过状态观察器或滤波器来解决,二是预测问题。
2. 基于数据驱动(data-driven)的方法
数据驱动的方法尝试学习特定的模式和统计特征在历史数据可以表明组件的健康状况。这些模式和趋势可以用来估计组件的原则。RUL估计通常是通过多元模式匹配或推断当前的健康状况一个预定义的阈值。与model-based方法相比,数据驱动的方法一般不需要特定领域的知识和技能,或复杂的现象学描述系统的物理模型。当下,这种方法十分流行。
数据驱动的方法又可以分为统计学方法和机器学习方法。统计学方法常见有:
- 基于回归的模型
- Markov过程。
对于机器学习方法,也就是人们常说的人工智能(AI)方法,包括PCA、深度学习方法等。目前的最火热的当属深度学习方法,通过建立深度神经网络模型来在监测数据和RUL标签之间建立直接映射,从而达到预测的目的。这种方法目前看来简洁有效,但问题是在网络结构等超参数方面缺乏理论上的可解释性。
3. 混合方法
混合方法通常是基于模型和数据驱动方法的结合。回顾混合预测方法,混合预测算法中最常见的方法是使用数据驱动方法(如神经网络NN
)来创建一个映射到状态空间,然后使用一个传感器测量模型的状态空间来建模的演变退化状态。这种方法更全面,结合两个框架的好处。然而,他们仍然深深扎根于构建定制的模型相对特定于应用程序的。创建一个真正的广义混合建模框架仍然是一个虚幻的努力。