一种可解释的迁移贝叶斯方法，用于剩余使用寿命预测

《Reliability Engineering & System Safety》：An Interpretable Transfer Bayesian Method for Remaining Useful Life Prediction

动态伪域生成与贝叶斯更新结合的多传感器剩余使用寿命预测方法提出，通过动态伪域生成缓解领域转移问题，利用在线贝叶斯更新实现模型自适应，并采用伪域集成策略优化多传感器融合权重，仿真与实验验证表明该方法在准确性和鲁棒性上优于现有方法。

　　

徐鹏城|李乃鹏|雷亚国|李翔|宋雷|孙浩

中国西安交通大学教育部现代设计与转子轴承系统重点实验室，西安710049

摘要

在领域变化的情况下，利用流式多传感器数据准确且可解释地预测剩余使用寿命（RUL）对现场设备来说仍然是一个挑战。为了解决这一挑战，本文开发了一种可解释的迁移贝叶斯方法，该方法整合了三个关键组成部分：动态伪域生成（DPG）、在线贝叶斯更新和基于伪域的集成策略。首先，DPG算法将源域转换为伪域单元，这些伪域单元的退化轨迹与目标域的退化轨迹非常吻合。其次，提出了一种双尺度距离方法来识别累积选出的最优伪域单元，然后利用这些单元对退化模型进行贝叶斯更新。第三，根据选出的最优伪域单元为多传感器特征分配自适应权重，从而提高RUL预测的准确性和鲁棒性。最后，在两个真实的斯特林制冷机数据集上的仿真研究和实验验证表明，所提出的方法在准确性和鲁棒性方面均优于现有方法。

引言

剩余使用寿命（RUL）预测对于预测性维护至关重要，因为它可以降低计划外停机的风险[1]。由于数据驱动方法对专家知识的依赖性较低[[2], [3], [4]]，它们最近已成为主要解决方案。然而，其有效性取决于是否有足够且高质量的训练数据[4]。在许多工业应用中，例如涉及新部署的资产或寿命较长的现场设备，收集训练数据可能既耗时又成本高昂。此外，操作条件和环境的差异可能会阻碍训练数据在不同设备间的直接应用[5,6]。即使是不需要预先收集训练数据的数据驱动方法[7,8]，仍然需要来自目标设备的足够退化信息来确保准确的RUL预测。

迁移学习已成为解决目标设备退化数据稀缺（甚至缺失）问题的有效策略[4,9,10]。它利用源域（例如实验室设备）的丰富数据将学习到的知识或模型参数迁移到目标域（例如现场设备）[4]。然而，工作环境和操作条件的差异通常会导致源域和目标域之间的退化轨迹出现差异（即领域偏移），这会严重损害预测模型的性能。为了解决这种不匹配问题，引入了伪域生成技术来减轻领域偏移并提高预测模型的迁移能力[11]。此外，最近的研究将动态领域对齐纳入深度模型中，以适应流式监控数据，动态更新特征或模型参数，从而使潜在表示与不断变化的目标域数据保持一致[[12], [13], [14]]。图1展示了伪域生成和动态领域对齐过程的示意图。

尽管最近取得了进展，迁移学习在在线RUL预测方面仍面临几个关键挑战：首先，大多数现有方法依赖于深度学习模型，而这些模型的可解释性通常有限[15]。其次，当目标域涉及流式数据时，需要考虑传入信息的动态特性以及实时模型适应的需求，这对迁移算法提出了额外的要求[14,16]。第三，现场设备的复杂性不断增加，需要集成多种异构传感器[17]，这使得流式传感器信息的动态融合变得尤为困难。

为了解决这些挑战，本文提出了一种在线RUL预测方法，该方法将伪域生成与贝叶斯更新相结合[18]，从而同时解决了可解释性和在线适应性问题。所提出的预测方法包括三个组成部分：（I）多传感器流式数据的动态跨域对齐，（II）通过贝叶斯更新进行模型适应，以及（III）通过自适应多传感器集成进行集成RUL预测。主要贡献总结如下：

1.

开发了一种动态伪域生成（DPG）算法，在流式多传感器条件下构建伪域单元。这种设计为源域和目标域之间提供了透明的对齐机制。

2.

提出了一种双尺度距离方法来选择累积最优的伪域单元。基于这些选定的单元，进行贝叶斯更新以实现在线模型适应，从而实现准确的实时跨域RUL预测。

3.

设计了一种基于伪域的集成策略，以自适应地为来自多个传感器的预测结果分配权重，从而提高迁移预测的鲁棒性。

本文的其余部分组织如下。第2节介绍退化模型。第3节介绍实现细节。第4节通过仿真和消融研究验证其有效性，而第5节在实验室和现场环境中收集的两个真实斯特林制冷机数据集上展示了其性能。第6节得出结论。

部分摘录

通用退化模型

为了便于跨域对齐和RUL预测，使用随机系数回归模型[19]对传感器特征的时间退化轨迹进行建模，该模型在预测领域得到了广泛应用。对于单个传感器特征，退化轨迹表示为：