基于数据驱动的故障预测模型框架研究

２０１３年３月　第３４卷第３期　

计算机工程与设计　

ＣＯＭＰＵＴＥＲ　ＥＮＧＩＮＥＥＲＩＮＧ　ＡＮＤ　ＤＥＳＩＧＮ　Ｍａｒ．２Ｏｌ３　

Ｖｏ１．３４　Ｎｏ．３　

基于数据驱动的故障预测模型框架研究　韩　东　，杨震。，许葆华　（１．军械工程学院导弹工程系，河北石家庄０５０００３；２．总装备部通用装备　保障部军械器材供应站，北京１００７２０）　摘要：为解决基于数据驱动的故障预测缺乏统一的预测框架的问题，提高故障预测精度，提出了一种通用的故障预测模　型和框架。总结分析了单项故障预测方法的优缺点和故障预测研究现状，研究了基于数据驱动的故障预测的一般过程，将　融合单元的概念应用到故障预测领域，用以描述预测过程中设备状态的数据变化，建立了基于数据驱动的故障预测模型，　从而得到了一种统一的故障预测框架，为基于数据驱动的故障预测研究提供借鉴。　关键词：故障预测；融合单元；信息融合；预测框架；预测与健康管理　中图法分类号：ＴＰ２０６　文献标识号：Ａ　文章编号：１０００—７０２４（２０１３）０３—１０５４—０５　

Ｒｅｓｅａｒｃｈ　ｏｎ　ｆａｕｌｔ　ｐｒｏｇｎｏｓｔｉｃｓ　ｍｏｄｅｌ　ａｎｄ　ｆｒａｍｅ　ｂａｓｅｄ　ｏｎ　ｄａｔａ—ｄｒｉｖｅｎ　ｍｅｔｈｏｄ　ＨＡＮ　Ｄｏｎｇ　，ＹＡＮＧ　Ｚｈｅｎ　，ＸＵ　Ｂａｏ—ｈｕａ　（１．Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｍｉｓｓｉｌｅ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｏｒｄｎａｎｃｅ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｃｏｌｌｅｇｅ，Ｓｈｉｊｉａｚｈｕａｎｇ　０５０００３，Ｃｈｉｎａ；２．Ｏｒｄｎａｎｃｅ　Ｍａｔｅｒｉａｌｓ　Ｓｕｐｐｌｙ　Ｓｔａｔｉｏｎ　ｏｆ　Ｇｅｎｅｒａｌ　Ｅｑｕｉｐｍｅｎｔ　Ｓｕｐｐｏｒｔ　Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　ＰＬＡ　Ｇｅｎｅｒａｌ　Ａｒｍａｍｅｎｔ　Ｄｅｐａｒｔｍｅｎｔ。Ｂｅｉｊｉｎｇ　１００７２０．Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｏ　ｓｏｌｖｅ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｔｈａｔ　ｇｅｎｅｒａｌ　ｆａｕｌｔ　ｆｏｒｅｃａｓｔｉｎｇ　ｆｒａｍｅ　ｉｓ　ｌａｃｋｅｄ　ｉｎ　ｔｈｅ　ｄａｔａ－ｄｒｉｖｅｎ　ｆａｕｌｔ　ｐｒｏｇｎｏｓｔｉｃｓ　ａｎｄ　ｉｍｐｒｏｖｅ　ｆｏｒｅｃａｓｔｉｎｇ　ｐｒｅｃｉｓｉｏｎ，ａ　ｇｅｎｅｒａｌ　ｆａｕｌｔ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ　ａｎｄ　ｆｒａｍｅ　ａｒｅ　ｐｕｔ　ｆｏｒｗｏｒｄ．Ｔｈｅ　ｍｅｒｉｔ　ａｎｄ　ｄｅｍｅｒｉｔ　ｏｆ　ｔｈｅ　ｓｉｎｇｌｅ　ｆａｕｌｔ　ｐｒｏｇｎｏｔｉｃｓ　ｍｅｔｈｏｄ　ａｒｅ　ａｎａｌｙｚｅｄ．Ｔｈｅ　ｃｕｒｒｅｎｔ　ｓｉｔｕａｔｉｏｎ　ａｎｄ　ｐｒｏｂｌｅｍ　ｏｆ　ｔｈｅ　ｆａｕｌｔ　ｐｒｏｇｎｏｔｉｃｓ　ｒｅｓｅａｒｃｈ　ａｒｅ　ｐｏｉｎｔｅｄ　ｏｕｔ．Ａ　ｇｅｎｅｒａｌ　ｆａｕｌｔ　ｆｏｒｅｃａｓｔｉｎｇ　ｐｒｏｃｅｓｓ　ｉｓ　ｓｔｕｄｉｅｄ，ａｎｄ　ｆｕｓｉｏｎ　ｃｅｌｌ　ｉｓ　ａｐｐｌｉｅｄ　ｉｎｔｏ　ｆａｕｌｔ　ｐｒｏｇｎｏｔｉｃｓ　ｗｈｉｃｈ　ｃａｎ　ｂｅ　ｕｓｅｄ　ｔｏ　ｃｈａｒａｃｔｅｒｉｚｅ　ｔｈｅ　ｅｑｕｉｐｍｅｎｔ　ｓｔａｔｅ’Ｓ　ｄａｔａ　ｃｈａｎｇｅ，ｔｈｅ　ｆａｕｌｔ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ　ｏｆ　ｄａｔａ－ｄｒｉｖｅｎ　ｍｅｔｈｏｄ　ｉｓ　ｐｕｔ　ｏｒｗａｒｄ，ＳＯ　ａ　ｇｅｎｅｒａｌ　ｆａｕｌｔ　ｐｒｏｇｎｏｔｉｃｓ　ｆｒａｍｅ　ｉｓ　ｃｏｎ—　ｓｔｒｕｃｔｅｄ，ｗｈｉｃｈ　ｐｒｏｖｉｄｅｓ　ａ　ｋｉｎｄ　ｏｆ　ｒｅｆｅｒｅｎｃｅ　ｆｏｒ　ｔｈｅ　ｄａｔａ—ｄｒｉｖｅｎ　ｍｅｔｈｏｄ．　Ｋｅｙ　ｗｏｒｄｓ：ｆａｕｌｔ　ｐｒｏｇｎｏｓｔｉｃｓ；ｆｕｓｉｏｎ　ｃｅｌｌ；ｉｎｆｏｒｍａｔｉｏｎ　ｆｕｓｉｏｎ；ｆｏｒｅｃａｓｔ　ｆｒａｍｅ；ｐｒｏｇｎｏｓｔｉｃｓ　ａｎｄ　ｈｅａｌｔｈ　ｍａｎａｇｅｍｅｎｔ　

０引　言　预测和健康管理（ｐｒｏｇｎｏｓｔｉｃｓ　ａｎｄ　ｈｅａｌｔｈ　ｍａｎａｇｅｍｅｎｔ，　ＰＨＭ）系统已经逐步得到应用，如直升机健康与使用监测　系统ＨＵＭＳ、航天器综合健康管理ＩＶＨＭ、飞机状态监测　系统ＡＣＭＳ、发动机监测系统ＥＭＳ、综合诊断预测系统　ＩＤＰＳ以及综合状态评估系统ＩＣＡＳ等［】］。　在预测与健康管理系统中，故障预测是实现这一全新　概念的核心技术Ｉ２　］。故障预测是在了解和掌握系统的运行　状态及状态变化规律的基础上，根据一定的预测方法推测　其状态的变化趋势，估计故障的传播、发展和系统的性能　劣化趋势，是进行事故预防、实现视情维修和健康管理的　重要手段。　目前故障预测存在缺乏统一的框架、预测过程和预测　结果不确定、数据获取困难等问题，本文研究了基于数据　驱动的故障预测过程，进行了信息融合理论应用的必要性　分析，提出一种基于数据驱动的故障预测模型和一般故障　预测框架，为故障预测研究工作提供一种思路。　

１基于数据驱动的故障预测方法现状分析　关于故障预测有较多的分类方法，目前尚未统一，采　用比较多的是将故障预测方法分为基于模型的故障预测方　法、基于数据驱动的故障预测方法和基于知识的故障预测　方法三类Ｉ】　。其中基于模型的故障预测方法难于获得系　统精确的数学模型，基于知识的故障预测方法更适合于定　性推理，而基于数据驱动的故障预测方法主要利用设备的　

收稿日期：２０１２—０４—１６；修订日期：２０１２—０７—１６　基金项目：河北省自然科学基金项目（Ｅ２００９００１４３１）　作者简介：韩东（１９７２一），男，河北安新人，博士，研究方向为故障诊断与故障预测；杨震（１９７６一），男，湖南澧县人，工程师，研究方　向为检测与故障诊断；许葆华（１９８２一），男，河北泊头人，硕士，讲师，研究方向为设备监测与故障预测。Ｅ－ｍａｉｌ：ｈａｎｄ７２＠ｓｉｎａ．ｃｏｍ　第３４卷第３期　韩东，杨震，许葆华：基于数据驱动的故障预测模型框架研究　历史工作数据、故障注人数据以及仿真实验数据［７］等，通　过各种数据分析处理算法进行趋势预测，是目前应用比较　广泛的预测方法。　１．１单项方法故障预测　基于数据驱动的故障预测的典型方法有：时间序列分　析、灰色模型预测、隐马尔可夫模型预测、神经网络预测　和支持向量机预测等。对单项故障预测方法的研究很多，　这里总结了单项故障预测方法的优缺点和适用范围，如表１　所示，不再赘述。　表１几种单项预测方法的分析　１．２混合方法故障预测　混合方法故障预测是指根据被预测对象的特性和不同　单项预测算法的适用范围和优势，而将两种以上算法结合　起来进行的预测。所以，混合方法预测可以发挥单项预测　算法的优势，同时也能弥补其不足。文献［８—９］用灰色模　型描述机械故障发展中的确定性趋势，用时间序列模型描　述机械故障中的随机趋势，建立灰色系统理论与时间序列　组合预测模型，分别对汽轮发电机组振动故障、滚动轴承　故障进行预测。文献Ｅｌｏ］构建基于改进ＢＰ网络的组合预　测模型，利用灰色预测方法和累积式自回归动平均模型　（ＡＲＩＭＡ）时序预测对历史数据进行初步预测，对中长期　预测中数据趋势项和随机项进行模拟，将初步预测的结果　作为改进ＢＰ神经网络的输入，在此基础上进行训练　和预测。　１．３组合方法故障预测　组合预测的基本思想是将参与预测的单个算法预测结　果赋予一定的权重，采用加权平均的方法得到一个单一的　结果。与单项预测相比，组合预测能够综合利用多个预测　样本信息，可以有效地减少单个模型预测的随机不确定性　的影响Ｌ】　。组合预测研究近年来得到了较大关注，如文献　Ｅ１２］按照预测误差平方和最小的原则计算灰色理论、ＢＰ　神经网络、遗传算法和卡尔曼预测４种单项预测算法的权　系数，然后加权建立组合预测模型，对油中溶解气体的浓　度及发展趋势进行预测。预测实例分析证明了组合预测方　法的可靠性和有效性，降低了单项预测方法的预测误差，　提高了预报能力。　１．４基于数据驱动的故障预测方法现状分析　通过阅读、分析文献，可以得出以下结论：　（１）目前，故障预测研究主要在基于数据驱动的故障　预测研究方面，主要是针对特定对象系统的单项指标或参　数，如振动幅值、１ｖｒＦ时间、稳压器水位等，采用单项方　法进行趋势预测，通过阈值对比来说明可能要发生的故障。　（２）由于预测本身具有不确定性，需要提高预测的精　度和稳定性。采用混合预测方法和组合预测方法的故障预　测逐步得到应用，这是故障预测技术发展的一个必然趋势。　在参与预测的单项预测方法选择和预测结果评价等方面需　要进行深入的研究。　（３）预测方法应用多，但缺乏统一的预测框架。故障　预测方法的应用往往是量体裁衣的，在专门的系统中采用　专用的预测算法进行预测，需要对整体的预测框架进行研　究，可以为预测技术的开发应用提供借鉴。　

２基于数据驱动的故障预测模型　２．１基于数据驱动的故障预测过程　基于数据驱动的故障预测是一个数据采集、特征提取、　趋势预测、故障识别的过程，如图１所示。　

图１基于数据驱动的故障预测过程　基于数据驱动的故障预测可以分为以下３个步骤：　（１）预测样本数据准备和预测模型训练。将监测到的　设备状态数据进行分析、特征提取后形成历史数据，结合　故障注入数据或仿真数据等其它数据，构建用于故障预测　的训练样本，并进行预测模型的训练。　（２）趋势预测。将监测到的潜在故障状态信息进行分　析处理，利用第一步所建立的模型进行状态变化趋势和系　统性能劣化趋势预测，得到表征设备将来状态的特征趋势　数据。　（３）潜在故障识别。利用预测得到的特征趋势数据进　行故障模式识别，预测设备未来可能发生的故障或设备的　剩余寿命。　２．２基于数据驱动的故障预测模型　故障预测过程是一个复杂艰难的过程。在实际系统的　计算机工程与设计　２０１３年　建模中存在诸多干扰、参数时变和采样样本的不完全等因　素，造成所建模型必然存在一定的误差和不确定性，而且　在系统实际运行过程中也必然会受到各种不确定性因素的　干扰。因此，将信息融合理论应用到故障预测领域是预测　本身的不确定性、预测对象的复杂性层次性的必然要求。　为了表示在预测过程中设备状态的数据的变化，这里　引入信息融合中融合单元的概念。信息融合实质上是一个　多变量决策问题。融合处理过程可以表述为：根据决策任　务及其可以使用的多信息资源完成既定融合决策任务的处　理过程。融合处理过程可以经过一次或多次融合处理完成。　进行一次多变量的融合决策处理的过程称为融合单元，每　个融合单元都涉及３个最基本的组成部分：变量、融合方　法和融合结果［１３３。　定义融合单元Ｍ＜Ｄ，Ｆ，０＞，其中Ｄ表示输入变量，　通常指需要作融合决策的输入量，包括整个处理系统的输　入量、中间变换和处理结果量，也包括局部或低层融合处　理结果的输出量；Ｆ表示融合算子，是指对输入多变量实施　融合处理所采取的方法，以完成数据融合任务；Ｏ表示融合　单元的输出结果，融合结果可能是解释性的判断型变量，　如识别的结果、决策结果相应的语意说明等，也可能是实　体、目标或事件的状态估计。　定义了融合单元以后，融合单元的集合就构成了故障　预测中的数据空间、特征空间、趋势空间、故障模式空间。　（１）数据空间：是指由数据融合单元Ｍｄ＜Ｄｄ，　，　＞的集合构成的空间。在数据空间，Ｄ　可以是状态监　数据空间　测数据、历史数据、故障注入数据或仿真数据，对同类数　据可以采用数据融合算子　进行数据级融合，得到数据融　合结果　。　（２）特征空问：是指由特征融合单元Ｍ＜Ｄｒ，Ｆ，　＞的集合构成的空间。对数据空间的数据信息进行分析　处理，得到表征设备运行状态的特征集，如电量特征、振　动特征、压力特征、温度特征等，这些特征集构成了特征　空间的数据　，可以对　采用特征融合算子　进行融　合，得到融合结果　。　（３）趋势空间：是指由趋势融合单元Ｍ＜Ｄ，　，　ｏ＞的集合构成的空间。Ｄ是Ｄ　或０　通过预测算法得到　的特征趋势，　为趋势融合算子，Ｑ为趋势融合结果。趋势　空间的存在是基于数据驱动的故障预测区别于基于状态监　测的故障诊断的主要标志。　（４）故障模式空间：是指由故障融合单元Ｍｓ＜Ｄｒ，　Ｆ，，０，＞的集合构成的空间。Ｄｒ是局部融合结果或单项故　障识别结果，Ｆ，为决策融合算子，０ｒ为决策融合结果。　这样，就得到了基于数据驱动的故障预测模型，如图２　所示。　基于数据驱动的故障预测模型包含数据空间、特征空　间、趋势空间和故障模式空间，空间之间的信息传递采用　空间映射算子进行映射。　：　＜Ｄｄ，　，Ｏｄ＞一　＜Ｄｃ，　，Ｏｃ＞为数据空　间到特征空间的映射。　，：Ｍ＜Ｄｃ，Ｆｃ，　＞一Ｍ，＜Ｄｓ，Ｆｒ，Ｏｒ＞为特征空