一种基于多标准评估推荐的新型数据驱动健康状况评估模型，采用三参数区间灰数方法

《Reliability Engineering & System Safety》：A Novel Data-Driven Health Status Assessment Model based on Multiple Criteria Appraisal Recommendation with Three-Parameter Interval Grey Number

数据驱动的健康状态评估模型通过改进MCAR框架，结合IF-THEN规则与三参数区间灰数（TPIGN）处理数据不确定性和知识提取，并引入动态时间对齐、相关性系数筛选及Hampel滤波优化构建过程，同时调整激活权重和风险偏好优化推荐结果。案例验证表明该模型在锂离子电池和涡轮发动机评估中具有高准确性和强鲁棒性，优于传统MCAR、机器学习及规则系统。

　　

杨龙浩|钱北雅|叶飞飞|潘晓红|胡海波|卢海天

福州大学经济与管理学院，福州，350116，中国

摘要

当积累了大量历史数据时，准确的健康状况评估成为一个巨大的挑战。因此，本研究引入了一个多标准评估推荐（MCAR）的先进框架，以开发一个数据驱动的健康状况评估模型。然而，MCAR仍然无法从数据中提取知识并表示数据的不确定性。为了解决这两个挑战，使用了IF-THEN规则的形式和三参数区间灰数（TPIGN）来改进MCAR：1）将区间规则库嵌入MCAR中，以便从数据中提取IF-THEN规则；2）定义了一种新的距离来表示构建区间规则库过程中的数据不确定性；3）使用区间证据推理（IER）算法作为推理引擎，以推荐准确的总体评估结果。此外，在改进的MCAR基础上，通过结合标准筛选、数据预处理、激活权重调整和风险偏好设置，提出了一个新颖的数据驱动健康状况评估模型。在案例研究中，通过锂离子电池和涡扇发动机的基准数据集分析和验证了所提模型的有效性和优越性。比较结果表明，与其他著名的健康状况评估模型相比，所提模型具有高准确性和强大的鲁棒性。

引言

健康状况评估通常作为一种主动机制，用于识别系统条件的潜在故障，因此确保复杂系统的安全可靠运行至关重要[8]。定期进行健康状况评估可以提高安全性、可靠性和成本效益，同时支持复杂系统的合规性和长期管理。这有助于及时采取预防措施来减轻潜在风险。相反，系统的故障可能导致人员受伤或经济损失[7]。随着传感器和数据库技术的快速发展，关于系统性能、故障发生和环境条件的历史数据量已经非常庞大。然而，传统的健康状况评估模型往往依赖于主观和经验判断，越来越难以从这些海量数据中提取有意义的见解。因此，迫切需要开发一个数据驱动的健康状况评估模型。

在过去的几十年中，许多研究致力于实现复杂系统的准确健康状况评估，早期的研究主要集中在模型驱动的健康状况评估上，因为可以根据当前的运行条件和负载参数对系统的健康状况进行深入分析。随着数据的积累，数据驱动的健康状况评估成为研究趋势，并引入了各种数据驱动模型来进行健康状况评估，包括机器学习模型、基于规则的系统和多标准决策分析（MCDA）框架，相关工作的详细信息可以在第2节中找到。在这些模型中，MCDA框架展示了其在评估复杂系统健康状况方面的强大能力。这是因为MCDA框架可以整合多个相互依赖且相互冲突的评估标准，从而全面考虑影响系统运行的因素[9]。

最近，作为代表性的MCDA框架之一，[10]提出了多标准评估推荐（MCAR），用于从历史数据中生成总体评估建议。更重要的是，MCAR在帮助诊断甲状腺结节方面显示出比机器学习模型更好的优势，特别是在准确性和可解释性方面。受到MCAR成就的启发，本研究旨在提出一个基于MCAR的数据驱动健康状况评估模型，该模型不仅充分利用了健康状况评估领域的大量数据，还丰富了MCAR的应用。然而，在将MCAR应用于健康状况评估之前，仍需解决两个挑战：1）无法从数据中提取知识并使用可解释的方案表示它们，这阻碍了MCAR的改进；2）在处理数据不确定性方面存在不足，特别是在涉及不完整或未知数据的场景中，这在复杂系统中很常见。

为了解决上述两个挑战，通过整合IF-THEN规则的形式和三参数区间灰数（TPIGN）来改进MCAR。主要改进包括：1）提高挖掘历史数据的能力，设计从数据中提取知识的过程以生成IF-THEN规则，其中IF-THEN规则是改进MCAR的核心组成部分；2）提高处理数据不确定性的能力，引入TPIGN来改进构建区间规则库的过程，TPIGN是来自灰系统理论的概念，提供了对不确定信息的更精确表示。此外，修改了两个TPIGN之间的距离，以确保TPIGN有效融入改进的MCAR；3）提高使用区间规则库生成可靠和准确建议的能力，引入区间证据推理（IER）算法来进一步改进MCAR。

此外，基于改进的MCAR，开发了一个新颖的数据驱动健康状况评估模型，不仅继承了改进MCAR的优点，还根据健康状况评估的要求改进了构建和推荐过程。首先，在改进MCAR的构建过程中，考虑了三项改进：1）使用动态时间规整（DTW）转换数据序列标准；2）使用相关系数选择关键标准；3）使用Hampel过滤减少噪声数据。其次，在基于改进MCAR的推荐过程中，又考虑了另外两项改进：1）调整激活权重，以提高对关键高风险事件敏感的规则的重要性；2）通过结合多风险偏好来优化健康状况的推荐，以适应不同的决策场景。

为了验证所提出的数据驱动健康状况评估模型的有效性，收集了锂离子电池和涡扇发动机的基准数据集进行综合实验。结果表明，所提模型的性能优于传统的基于区间的方法、传统的MCAR、机器学习模型和基于规则的系统。消融研究的结果证实了这三项改进对所提模型的贡献。此外，敏感性分析的结果验证了所提模型在不同参数条件下的鲁棒性和稳定性，始终保持高预测可靠性。因此，这些发现共同验证了所提模型的准确性、鲁棒性和量化健康状况评估不确定性的能力。

本研究的主要贡献总结如下：

(1)

通过嵌入基于IF-THEN规则的知识来改进MCAR，这意味着改进的MCAR可以解决传统MCAR仅依赖数值计算的局限性，以及基于规则的模型并不总是与人类从标准评估中生成建议的过程一致的问题。

(2)

通过嵌入具有新距离定义的TPIGN进一步改进了MCAR，这使得改进的MCAR能够使用强大的不确定信息表示方法捕获数据不确定性。此外，可以克服传统TPIGN的缺点，如端点依赖性和位置不敏感性。

(3)

基于改进的MCAR提出了一个新颖的数据驱动健康状况评估模型，该模型具有全面的健康状况评估工作流程，能够根据基于IF-THEN规则的知识为新案例生成准确且可解释的总体评估建议。

(4)

对锂离子电池和涡扇发动机的健康状况评估进行了大量实证评估。结果表明，所提模型不仅对某些复杂系统的健康状况评估有效，而且优于现有的健康状况评估模型。

本文的其余部分组织如下：第2节回顾了健康状况评估的先前研究。第3节介绍了最新的MCDA和TPIGN的基础。第4节提出了一个新的数据驱动健康状况评估模型。第5节对所提模型进行了案例研究。结论在第6节中总结。

文献综述

文献综述

在过去的几十年中，健康状况评估领域进行了许多研究，主要可以分为模型驱动和数据驱动的健康状况评估。代表性研究如下：

(1)

对于模型驱动的健康状况评估，必须依赖于工程系统的先验知识，例如机械动力学、结构特性和材料属性。代表性研究包括：Mejdoubi等人[23]提出了一种

MCAR的基础

在本节中，介绍了一种先进的MCDA，即MCAR框架[10]，以展示提出新颖数据驱动健康状况评估模型的基础知识，其中MCAR可以根据大量历史案例生成新案例的总体评估建议，如图1所示。

从图1中，MCAR的概念定义如下，关键术语的词汇表在附录A中提供：

定义1

一个案例与M个标准{U_i; i=1,…, M的评估相关

基于MCAR和TPIGN的提出的健康状况评估模型

在本节中，第4.1节提出了基于TPIGN的新MCAR，其三项改进在第4.2至4.4节中详细说明。接下来，在第4.5节中开发了一个数据驱动的健康状况评估模型。

问题表述

锂离子电池的健康状况评估是一个众所周知的基准问题，它由电池的剩余容量决定。由于健康状况评估，一些严重的故障（例如自燃和爆炸）可以在电池剩余容量降至某个阈值时得到有效避免。因此，在本节中，从NASA开放数据门户收集了四个基准锂离子电池，即B0005、B0006、B0007和B0018

结论

在本研究中，基于先进的MCDA，即MCAR框架，提出了一种新颖的数据驱动健康状况评估模型。所提出的健康状况评估模型可以从历史数据中提取知识，并以IF-THEN规则和区间信念分布的形式保存它们，利用TPIGN的新距离定义来捕获数据的不确定性，并考虑调整激活权重和设置风险偏好以增强

未引用的参考文献

[40]

CRediT作者贡献声明

杨龙浩：撰写——原始草案，方法论。钱北雅：撰写——原始草案，概念化。叶飞飞：撰写——审阅与编辑，概念化。潘晓红：撰写——原始草案，验证。胡海波：撰写——审阅与编辑，方法论。卢海天：撰写——审阅与编辑，监督。