RUL-RVE：剩余使用寿命评估的Python工具

软件影响13（2022）100321原始软件出版物RUL-RVE：剩余使用寿命Nahuel CostaRía，Luciano Sánchez计算机科学系，奥维多大学，希洪，33202，阿斯图里亚斯，西班牙A R T I C L E I N F O保留字：剩余使用寿命预测和健康管理变分推理递归神经网络PythonA B标准本文介绍了RUL-RVE，一个用于评估剩余使用寿命（RUL）的Python工具。 物理系统通常会受到最终导致故障的退化的影响，因此预测技术对于估计待监测系统的寿命至关重要。大多数现有的数据驱动方法的问题是，它们缺乏解释性组件来理解模型学习和/或数据。RUL-RVE是一个基于递归神经网络和变分推理的框架，它可以在提供可解释的评估的同时实现显著的预测精度，这是非常有价值的在现实世界的环境中。代码元数据当前代码版本v0.1用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2022-58可再生胶囊的永久链接https://codeocean.com/capsule/4781584/tree/v1法律代码许可证MIT许可证使用git的代码版本控制系统使用Python的软件代码语言、工具和服务编译要求，操作环境依赖tensorflow>= 2.3.0，matplotlib>= 3.3.4，pandas>= 1.1.5，scikit-learn>= 1.0.2如果可用开发者文档/手册问题支持电子邮件costanahuel@uniovi.com1. 介绍剩余使用寿命（RUL）是对物品、组件或系统在需要维修或更换之前能够按照其预期用途发挥功能的时间长度的估计。它被认为是预测的关键指标，有助于改善维护计划并避免工程，安全和可靠性故障[1]。 这有许多实际应用，如监控加工工具，电池，涡轮风扇发动机和旋转轴承[2]。已经提出了许多技术来对这些复杂系统的退化进行建模，由此产生了两种电流：基于模型的方法和数据驱动的方法[3]。前一种技术通常需要关于物理系统的广泛的先验知识，这些信息在实践中往往是不可用的。相反，数据驱动的方法近年来变得流行，因为它们 能够完全基于历史数据可以从中对潜在的因果关系和相关性进行建模的记录。毫无疑问，深度学习模型的使用产生了更大的影响[4]，因为从机器健康监测中获得的原始数据的高维性可以通过已知表现非常好的方法进行建模，特别是在计算机视觉和自然语言处理（NLP）中。然而，大多数深度学习方法之间存在明显的差距：尽管它们确实实现了非常准确的结果，但模型通常被视为黑箱，其中获得导致模型预测此类输出的决策的解释并非微不足道[5]。虽然目前的做法是免除有关要监视的系统的先验知识，但最终，这些模型被设计为被学术界以外的人使用。因此，必须提供一些工具，为模型本文中的代码（和数据）已由Code Ocean认证为可复制：（https://codeocean.com/）。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。∗ 通讯作者。电子邮件地址：costanahuel@uniovi.es（N. Costa）。https://doi.org/10.1016/j.simpa.2022.100321接收日期：2022年4月27日;接收日期：2022年5月16日;接受日期：2022年5月19日2665-9638/©2022作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsN. Costa和L.桑切斯软件影响13（2022）1003212Fig. 1. 框架中遵循的工作流程：监控数据被送入编码器，编码器根据劣化模式学习潜在表示，以构建反映样品演变的图形图回归器从这样的潜在空间中学习，以数字方式报告每个样本的RUL以及对数据本质的一些见解。事实上，这些属性对于决策制定来说是特别感兴趣的（如果不是必需的话在安全关键应用中[6]。RUL-RVE [7]是一个框架，用于准确估计RUL，同时提供可解释和可解释的诊断。 它的性能在NASA流行的C-MAPSS数据集上得到了验证[8]。该数据集包含商用模块化航空推进系统仿真（C-MAPSS）（一种基于模型的仿真程序）生成的涡扇发动机仿真数据。它由21个传感器获得的多变量时间数据组成，并进一步划分为4个子数据集，这些子数据集在操作和故障条件下不同。RUL-RVE证明，除了提供飞机发动机退化率的视觉评估外，它还可以准确地估计RUL，在RMSE方面，它优于大多数最先进的方法。此外，它的应用程序属于实际的涡轮风扇发动机的数据也进行了测试，以说明其性能，一个真实的场景该模型2. 描述2.1. 工作流图1示出了在数字上和视觉上估计RUL所遵循的工作流程。该框架基于变分推理，由两个神经网络组成：递归编码器和回归模型。编码器学习将传感器监测数据压缩到由近似高斯分布的平均值和方差领导的潜在空间，从而产生2-D表示，其中输入样本基于其劣化模式进行组织。回归量直接影响用于获得这种表示的训练过程，并且还可以显式地报告哪个RUL值是最好地表示馈送到模型的每个样本的简而言之，用户将有两个预测元素：RUL的数值估计和可视化地图。这允许直观地评估输入数据的演变，因为样本将被放置在靠近 与具有类似降解模式的其他样品（其诊断是已知的）相比较，从而易于识别降解更快的样品。具有这些特性的诊断系统的事实对于减少意外事件的发生是至关重要的，因为组件的劣化速度被建模，使得可以容易地检测组件的正常劣化速度2.2. 执行RUL-RVE模型在Tensorflow 2中实现[9]。为了将变分推理引入损失函数，创建了一个自定义模型，其中覆盖了训练和测试步骤。此外，还包括回归惩罚，以使具有类似退化模式的系统投射到潜在空间的附近区域。双向LSTM层被选择用于编码器，因为它们不仅提供了关于过去的信息，还提供了关于未来的信息，使网络能够知道数据在未来阶段可能是什么样的，这有助于它了解要预测什么样的信息（不同的恶化阶段）。对于回归量，实现了一个简单的前馈网络，中间层具有tanh激活。包括附加的预处理方法来处理最常见的输入数据，即，多变量时间序列，包括缩放，平滑，窗口框架和数据分裂。2.3. 使用示例在本节中，我们提供了一个使用RUL-RVE在给定数据集上进行训练和测试的示例。首先，我们建议设置一个新的python环境，其中包含与附带的Github存储库中包含的requirements.txt文件相匹配的包。这可以用anaconda [10]：conda create-name-file requirements.txt轻松完成。另一种选择是运行与Docker [11]相同的环境。提供了一个Docker文件，其中包含用于创建包含所有必要包和依赖项的容器的指令集。最快的安装方法是要从GitHub下载项目，请打开Visual Studio代码编辑器，然后从命令面板中选择“远程容器：打开文件夹 集装箱”。配置好环境后，只需几行代码代码（图）（2）该框架可方便地用于培训和评估。2.4. 影响概述近年来，人工智能研究已经走上了一条道路，主要集中在主要应用于自然语言处理（NLP）和计算机视觉的神经网络上，而这些强大算法中的一些算法在时间序列中的应用尚未得到充分开发。此外，这些模型的可扩展性使得计算要求越来越高，这是大多数研究和工业团体的主要障碍。这是加剧了 事实上，尽管在某些任务上非常出色，但大多数人工智能模型的行为都是基于将输入输入到输出一些数字或类的算法的黑匣子。但有N. Costa和L.桑切斯软件影响13（2022）1003213图二、 基于给 定 的数据集，对框架进行训练和评估。图三. 在[7]中提出的模型的Gradio演示。在许多领域，这是不够的，这是重要的，解释能力的重要性。以某种方式了解这些模型的内部工作方式是至关重要的，以便为研究带来透明度，并为模型的决策提供一定的可解释性RUL-RVE作为这些问题的解决方案出现：它提出使用一种强大而轻量级的深度学习模型：一种编码器，用递归网络实现以处理数据的时间性，提供对要监视的组件的可解释评估。该框架仍然很年轻，最近才发布[7]，因此尚未在任何其他现有出版物中使用，但是，它可以在工业和研究中使用该工具已经在一个真实的工业测试案例中进行了测试，用于涡轮风扇发动机的RUL预测这就开启了新的机遇将该模型应用于类似性质的其他工业问题。确切地说，RUL预测存在于各种各样的领域中，如制造业、发电业、汽车业或运输业。RUL-RVE侧重于可解释性部分，以方便这些部门的从业人员使用。该模型允许随着更多数据的可用而更新学习的模式，这使得每个系统在视觉地图上的连续投影形成了一个容易猜测的未来轨迹，这比简单的数值预测更有价值。此外，该模型在内存方面的轻便性有助于其在具有有限计算能力的任何硬件上的实现，这对于在线监测是有意义的。另一方面，由于该工具的主要价值是监视系统，以便及早检测可能的未来故障，从而做出延长其寿命的决定，因此RUL-RVE可以将其应用扩展到N. Costa和L.桑切斯软件影响13（2022）1003214其他背景。从这个意义上说，该工具可供学术研究人员使用，以便他们可以开发和调整模型，以适应不同的领域，如健康或经济，因为要监测的系统不仅限于飞机发动机，还可以应用于股票市场或起搏器，仅举几例。2.5. 说明性实例[7]中给出的模型演示可在huggingface.co/spaces/NahuelCosta/RUL-Variational上获得。向用户呈现CMAPSS数据集的4个子集，他们可以从中选择他们想要知道RUL及其在潜在空间中的表示的测试集的哪个引擎。一个说明性的例子如图所示。3 .第三章。选择FD 001子集的引擎#70来预测其RUL并可视化其在潜在空间中的位置。RUL估计值为106，发动机的位置（用x标记）与具有类似RUL值的其他发动机一起位于地图的顶部。该区域看起来是安全的，表明此时发动机没有任何需要维护的迹象。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢这项工作得到了西班牙经济，工业和竞争力���部（“Ministerio deEconomía，IndustriaCompetitividad”）的部分支持，基金编号为PID2020-112726-RB-I 00 ， 并 得 到 了 阿 斯 图 里 亚 斯 校 长 的 SV-PA-21-AYUD/2021/50994。引用[1]王文斌，司晓生，胡昌华，周东华，剩余使用寿命估计--基于统计数据驱动的方法综述，欧洲期刊。操作员第213（1）（2011）号决议1[2]Liangwei Zhang ， Jing Lin ， Bin Liu ， Zhicong Zhang ， Xiaohui Yan ， MuhengWei ， Areviewondeeplearningapplicationsinasthsticsandhealthmanagement，Ideological Access 7（2019）162415-162438.[3]Giduthuri Sateesh Babu，Peilin Zhao，Xiao-Li Li，基于深度卷积神经网络的回归方法用于估计剩余使用寿命，在：高级应用数据库系统国际会议，Springer，2016年，pp. 214-228[4]徐兆义，Joseph Homer Saleh，机器学习在可靠性工程和安全应用中的应用：现状和未来机遇回顾，Reliab。工程系统安全性（2021）107530.[5]Davide Castelvecchi，我们能打开人工智能的黑匣子吗？20.第538（7623）号国家新闻[6]Enrico Zio，预测和健康管理（PHM）：在理论和实践中，我们在哪里，我们（需要）去哪里。工程系统安全性218（2022）108119.[7]Nahuel Costa，Luciano Sánchez，用于剩余使用寿命估计的可解释评估的变分编码方法，Reliab。工程系统安全性222（2022）108353。[8]A. Saxena，K. Goebel，Phm08挑战数据集，NASA艾姆斯预测数据库，NASA艾姆斯研究中心，2008年。[9]Martín Abadi，Ashish Agarwal，Paul Barham，Eugene Brevdo，Zhifeng Chen，Craig Citro，Greg S. 科拉多，安迪·戴维斯，杰弗里·迪恩，马修·德文，SanjayGhemawat， Ian Goodfellow， Andrew Harp， Geoffrey Irving， MichaelIsard，Yangqing Jia ， Rafal Jozefowicz ， Lukasz Kaiser ， Manjunath Kudlur ，JoshLevenberg，Danjiang Mané，Rajat Monga，Sherry Moore，Derek Murray，ChrisOlah， Mike Schuster， Jonjane Shlens， Benoit Steiner， Ilya Sutskever，Kunal Tal-war，Paul Tucker，Vincent Vanhoucke，Vijay Vasudevan，FernandaViégas，OriolVinyals，Pete Warden，Martin Wattenberg，Martin Wicke，YuanYu ， XiaoqiangZheng ， TensorFlow ： Large-scalemachinelearningonheterogeneous systems，2015年，软件可从tensorflow.org获得。[10] Anaconda Software Distribution ， in ： Anaconda Documentation ， AnacondaInc.，2020年。[11] Dirk Merkel，Docker：Lightweight linux containers for consistent developmentanddeployment，LinuxJ. 2014（239）.