集成算法在工程核心部件剩余寿命预测中的应用

龙胜平，袁 戟，李铮伟，陈建萍，宁 可，孙 奥

（1.华东师范大学工商学院，上海 200241；2.上海东方低碳科技产业股份有限公司，上海 200052；3.同济大学机械与能源工程学院，上海 200092）

0 引言

工程核心部件RUL（Remaining Useful Life，剩余使用寿命）预测是设备全生命周期健康和运维的核心内容之一，基于数据驱动的算法，可在很大程度上克服试验成本高、周期长的局限性，并逐渐成为剩余使用寿命预测和维护的重要而有效的解决方案。

由于预测的准确性对保障设备安全运行、降低维护成本意义重大，近年来树模型强大的泛化性和鲁棒性，尤其是XGB（极限梯度增强）、LGB（非对称加密）等算法在工程应用中优势凸显，使得树模型在研究领域备受重视。Li Fei等[1]（2018）为了更充分地抓取退化信息，以时间序列窗口的原始数据和涡扇引擎运行时间为输入项，应用LGB模型在C-MAPSS数据集上进行有效性验证。Li Yiming[2]（2019）采用了特征优化降维方法，并应用局部线性嵌入和LGB预测工具使用寿命。本文中选取LGB为基本模型，结合遗传规划的优势，提升LGB算法的预测精度。

通过Stacking的算法集成方式提升模型精度，现正成为RUL预测领域的一大研究热点。Shamaei Ehsan等[3]（2016）通过对GP（Genetic programming，遗传规划）算法和模糊神经网络进行算法集成（Stacking），提升单模型的预测精度，在泥沙沉积预测中进行了应用，并在实际数据集上做了有效性验证。在调研中发现，GP算法是一种比较有效的非线性拟合算法，它能够给出具体的预测值对应的解析表达式，相比其他算法，有较强的解释性[4]。Liao Linxia等[5]（2014）通过GP算法对原数据集进行预兆特征挖掘，从而提升剩余使用寿命计算精度。……