剩餘壽命預測 (Remaining useful life, RUL) 是指：利用當前退化趨勢數據，推測當前時刻到停機時刻的有效運行時間。
牽引系統為高速列車的運行提供主要動力, 正如心臟通過血管為身體提供氧氣, 因此, 牽引系統的剩餘壽命決定著高速列車的剩餘壽命. 事實上, 牽引系統的元器件無時無刻不因受到老化磨損等影響而退化, 這類退化的特徵在退化初期是極其微小的, 以致很難察覺, 但是, 如若放任不管, 各類故障或失效會相繼發生, 更有甚者, 引發重大災難性事故, 造成人員傷亡及財產損失. 除此之外, 故障引發的高速列車緊急制動、列車晚點等比比皆是, 鑑於此, 為保障高速列車運行的安全性及可靠性, 提前預知牽引系統的剩餘壽命顯得尤為重要.
德國艾須德高鐵車禍
相關向量機 (Relevance vector machine, RVM) 方法由Micnacl E. Tipping於2000年提出, 隨後廣泛應用於故障及剩餘壽命預測中. 大部分文獻研究相關向量機時均推導出預測值服從高斯分佈, 但是, 高速列車在運行過程中, 總是受到諸多不確定性因素的影響, 例如, 經過不同的地段受到的阻力不同, 經過山地或者丘陵時爬坡較多, 並且不同站點載客量也會隨機變化. 此時若不尋找魯棒性能好的模型, 預測精度就會大大降低, 而高斯模型的魯棒性較差, 因此, 怎樣利用受不確定影響的數據得到魯棒性較好的預測模型成為亟待解決的問題.
高鐵牽引系統示意圖
如何在不確定情境下提高剩餘壽命預測的準確性？
不確定因素影響相關向量機中權重及隨機誤差的方差項, 而一般涉及相關向量機的算法總是假設方差服從均勻分佈. 為了使得預測算法對不確定因素具有良好的魯棒性, 本文考慮相關向量機中權重及隨機誤差的精度 (方差的逆) 服從伽馬分佈, 進而權重及隨機誤差便服從t分佈, t分佈是一種比高斯分佈魯棒性強的分佈形式, 這意味著t分佈對於不確定因素造成的一些異常值的靈敏度遠低於高斯分佈.
無異常點時t分佈與高斯分佈擬合圖
含少量異常點時t分佈與高斯分佈擬合圖
為了充分考慮不確定因素對剩餘壽命預測的影響，提高剩餘壽命預測的準確性, 本文的主要工作有：
（1）由於t分佈比常用的高斯分佈更具有魯棒性, 通過相關向量機中的權重和隨機誤差服從t分佈而非高斯分佈, 建立魯棒性能良好的多步迴歸模型；
（2）對於模型中的超參數估計問題，將超參數的先驗一併融入似然函數, 通過最大化似然函數估計未知的超參數；
（3）利用首達時間方法從概率角度對剩餘壽命進行預測。
最後，基於中車株洲電力機車研究所開發的CRH2A型高速列車dSPACE平臺, 中南大學模擬了直流環節支撐電容器性能退化過程, 我們利用此平臺採集到的數據，首先對退化特徵進行了提取, 然後基於我們所提算法進行了剩餘壽命預測，並驗證了所提算法的合理性及有效性。
中間直流環節上下端電壓演變趨勢
電容剩餘壽命預測效果圖
文章信息：王秀麗, 姜斌, 陸寧雲. 基於相關向量機的高速列車牽引系統剩餘壽命預測. 自動化學報, 2019, 45(12): 2303−2311.
閱讀更多 自動化JAS 的文章
