引文格式：

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+ t_k^*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t_k^*,以及发动机最佳更换时间k+ t_k^*

（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）