您现在的位置首页 >> 科研进展
科研进展
科研进展
【RESS】使用数据驱动的概率RUL预测法对多个部件进行动态预测性维护:以涡扇发动机为例
发表时间:2023-05-18 阅读次数:144次

引文格式:

 

GB/T 7714      

Mitici M, de Pater I, Barros A, et al. Dynamic predictive maintenance for multiple components using data-driven probabilistic RUL prognostics: The case of turbofan engines[J]. Reliability Engineering & System Safety, 2023, 234: 109199.

MLA      

Mitici, Mihaela, et al. "Dynamic predictive maintenance for multiple components using data-driven probabilistic RUL prognostics: The case of turbofan engines." Reliability Engineering & System Safety 234 (2023): 109199.

APA      

Mitici, M., de Pater, I., Barros, A., & Zeng, Z. (2023). Dynamic predictive maintenance for multiple components using data-driven probabilistic RUL prognostics: The case of turbofan engines. Reliability Engineering & System Safety, 234, 109199.

 

背景简介

过去几年中,部件/系统状态监测数据的可用性不断提高,促进了数据驱动的剩余使用寿命(RUL)预测的发展。然而目前大多数研究重点关注RUL预测的开发,或侧重于预测性维护计划模型的开发。其中故障概率基于简单、通用的故障时间/RUL概率分布,对于预测相关的不确定性量化有限,极大的限制了RUL预测性维护计划的适用性。

对于预测性维护计划,已有众多研究提出了相关的高级计划模型,但都假设组件/系统的退化遵循固定参数的通用分布,而不是特定于组件的数据驱动的RUL预测。实际应用中组件/系统的退化很少遵循这种通用的退化特征。相反,传感器表现出的退化趋势通常具有噪音,并且与组件/系统运行的动态环境相关。然而,很少有研究通过传感器测量追踪组件/系统的特定退化规律开发数据驱动的RUL预测。因此,本研究提出了一个端对端的多组件预测性维护框架,从原始传感器监测到概率RUL预测,研究使用Monte Carlo随机失活卷积神经网络进行数据驱动的概率RUL预测,并考虑了RUL预测相关的不确定性。

 

成果介绍

(1)使用NASA开发的商业模块化航空推进系统模拟(C-MAPSS)程序模拟发动机的退化。C-MAPSS数据集由四个子集组成:FD001、FD002、FD003和FD004。表2展示了利用四个数据子集预测的平均RUL和均方根误差(RMSE),相对于其他的机器学习算法,本研究采用的RUL预测方法的预测性能与目前最先进的解决方案相当,尤其是对于数据子集FD002和FD004。图1展示了数据子集 FD004 的两个测试实例的 RUL的概率密度函数,对于测试实例数67,预测的平均RUL数值接近实际的RUL。此外图2展示了四个数据子集的可靠性图,以评估预测RUL的可靠性。结果表明所有四个数据子集的可靠性曲线都接近理想曲线,因此预测RUL的不确定性得到了良好的量化。

表1 使用C-MAPSS和各种机器学习算法进行RUL预测的RMSE

 

图1 两个测试实例的预测 RUL 的直方图

图2 C-MAPSS的四个子集的可靠性图

(2)针对单发动机的维护计划,表2展示了 C-MAPPS 子集随机选择的四台发动机最佳更换时间k+ tk*随飞行周期的变化,结果表明发动机最佳更换时间接近RUL预测值的99%置信区间的下限, RUL预测值的不确定性越高,即置信区间越宽,越早预防性更换组件以避免故障。同时RUL预测越精确,最佳更换时间越接近平均RUL预测值。

表2 实际RUL,发动机已运行的循环次数K,预测的RUL平均值,预防性更换前发动机的最佳飞行周期数tk*,以及发动机最佳更换时间k+ tk*

(3)通过执行Monte Carlo进行一万次模拟,每次模拟持续10年,以评估三种维护策略(提出的概率RUL预测的维护策略、具有理想RUL预测的维护策略、基于时间的维护策略)的长期预测性能。结果表明,与知道真实RUL的理想情况相比,本研究提出的方法导致发动机更换次数增加11%,成本仅增加14%。通过对比三种维护策略,通过使用本研究提出的概率RUL预测方法,发动机替换次数每年减少32%。考虑到10年的时间,预期的故障次数从61次降低到0.003次(图3)。

图3 每十年更换发动机的预期次数,故障以及每次发动机更换的平均浪费寿命

 

致谢

Anne Barros与Zhiguo Zeng的研究工作得到了(法国电力、法国国铁和Orange电信)复杂系统风险与韧性讲席教授岗位的部分支持。本文通讯作者:Mitici M(Faculty of Science, Utrecht University, Heidelberglaan 8, 3584 CS Utrecht, The Netherlands)。

本期小编:程 航(整理)

徐浩波(校对)

王康康(审核)

闵 琳(发布)