Nguyen K T P, Medjaher K, Gogu C. Probabilistic deep learning methodology for uncertainty quantification of remaining useful lifetime of multi-component systems[J]. Reliability Engineering & System Safety, 2022, 222: 108383.
Nguyen, Khanh TP, Kamal Medjaher, and Christian Gogu. "Probabilistic deep learning methodology for uncertainty quantification of remaining useful lifetime of multi-component systems." Reliability Engineering & System Safety 222 (2022): 108383.
Nguyen, K. T., Medjaher, K., & Gogu, C. (2022). Probabilistic deep learning methodology for uncertainty quantification of remaining useful lifetime of multi-component systems. Reliability Engineering & System Safety, 222, 108383.
背景简介
复杂工业系统的预测和健康管理 (PHM) 越来越成为保证系统可靠性和降低生命周期运营成本的关键挑战。设备剩余使用寿命 (RUL) 的准确预测可为维护提供有价值的信息,从而避免系统故障的发生并提高其整体性能。然而RUL 预测中存在几个影响预测结果的不确定性来源。不确定性来源主要包括:(1)由于不同的操作和环境条件导致的过程行为的可变性;(2)预测模型的不准确性;(3)传感器的测量噪声;(4)当前系统状态信息不完善。
为了处理剩余使用寿命(RUL)预测中的不确定性,目前许多研究使用随机模型来表征降解过程并预测RUL分布。然而,实践中很难推导出随机模型来捕获复杂物理系统的退化机制。由于传感技术的发展促进了深度学习方法在剩余使用寿命(RUL)预测中的应用,然而深度学习通常提供点预测,而不量化输出不确定性。因此,本研究旨在提出一种量化多独立组件系统预测不确定性的新方法,用于多组分系统RUL的不确定性量化。
成果介绍
(1)提出了一种量化多独立分量系统预测不确定性的方法。该方法使用组件的异构监控数据作为Lognorm-LSTM模型的输入以预测RUL分布,然后考虑组件的RUL分布,根据系统架构对应的数学公式推导出系统可靠性,并提供系统 RUL在不同时间间隔内的概率(图1)。
图1 Lognorm-LSTM模型的架构
(2)基于NASA提供的发动机测量数据集,Lognorm-LSTM模型预测出了最长寿命发动机(ID 12)、最短寿命发动机(ID 41)和随机发动机(ID 35)。对于ID 12发动机,预测的RUL中值接近分段线性RUL函数的最大值(图 2.a)。对于ID 41发动机,早期阶段预测的RUL分布并不理想,地面真实RUL超出95%RUL预测区间(图2.c),然而在收集更多监测数据时,预测结果随着发动机寿命的延长而改善,预测的RUL中值逐渐接近地面真实RUL值。对于ID 35发动机(图 1.e),进一步说明了在发动机监测寿命期间,预测的RUL分布向地面实况 RUL收敛,并且具有较窄的预测区间。
图2 测试集中发动机的预测结果
(3)考虑到点预测精度,根据均方误差和精度指标,所提出的模型在比较模型中提供了最佳的结果。在不确定性管理方面,该模型得到了较窄的RUL分布,并且具有合理的预测区间覆盖率。此外,由于组件的显式RUL分布,能够获取不同结构高精度的系统可靠性。
图3 Lognorm-LSTM模型在测试集上的预测结果
本期小编:程 航(整理)
徐浩波(校对)
王康康(审核)
闵 琳(发布)
|