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）