基于Stacking集成学习的剩余使用寿命预测

摘要：

剩余使用寿命(RUL)预测对于设备维护策略的制定有着关键作用.面对可变环境和多样的操作条件,单一寿命预测模型的性能波动较大,泛化能力弱.针对这一问题,提出一种融合多个相异模型的Stacking集成模型,纠正单一模型的预测误差.首先,对状态监测数据进行滑动时间窗口处理,获得具有时间序列信息的性能退化数据;然后,以提高模型的准确性和多样性为目标,确定基学习器的种类;最后,将梯度提升决策树(GBDT)作为元学习器,整合基学习器的预测结果,输出最终结果.基于NASA C-MAPSS数据集,对提出的集成模型进行验证,结果表明:Stacking集成模型的预测精度显著高于基学习器,与其他传统预测模型相比,也具有明显优势.

关键词：Stacking集成模型、剩余寿命预测、滑动时间窗口、集成学习

所属期刊栏目：30

分类号：TP181;TH17(自动化基础理论)

在线出版日期：2024-08-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：2464-2473