利用集成式主动深度核学习模型对时域和空间依赖系统进行首次故障平均预测

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Mean time to first failure prediction of time- and space-dependent systems using an integrated active deep kernel learning model

【字体: 大 中 小 】 时间:2026年10月21日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 13.7

编辑推荐:

  • 提出了一种新颖的AL-DKL框架,用于预测由PDE驱动的时域和空域依赖系统的平均失效时间(MTTF)。• 提出了一种新的首次失效时间加权主动学习函数,用于选择训练样本。• 开发了一种双重停止策略,以提高计算效率和鲁棒性。• 对时域和空域依赖系统实现了准确稳定的MTTF预测。

  • 提出了一种新颖的AL-DKL框架,用于预测由PDE驱动的时域和空域依赖系统的平均失效时间(MTTF)。• 提出了一种新的首次失效时间加权主动学习函数,用于选择训练样本。• 开发了一种双重停止策略,以提高计算效率和鲁棒性。• 对时域和空域依赖系统实现了准确稳定的MTTF预测。

引言
在航空航天、先进制造、能源工程以及许多其他领域,工程系统的性能往往在随机载荷、材料不确定性和环境干扰的长期影响下随时间和空间发生变化,从而导致显著的时域和空域依赖特性。对于由PDE控制的时域和空域依赖系统(如温度场、应力场、位移场或损伤演变问题),故障事件通常不是由单一随机变量决定的,而是由随机参数、边界条件、空间分布的响应和时间演变共同引起的[[1], [2], [3]]。因此,在不确定参数下准确预测平均首次失效时间(MTTF)已成为时域依赖可靠性分析、寿命评估和风险管理中的一个重要问题[4,5]。
本研究中考虑的MTTF定义为系统响应达到预设故障阈值的首次通过时间的期望值。估计这一量需要对不确定输入下的时域和空域依赖系统响应进行评估,并对相应的首次失效时间进行统计平均。在直接的蒙特卡洛模拟框架中,需要反复调用高精度求解器来处理不同的输入实现,并为每个样本确定相应的阈值穿越时间[6]。这种高精度PDE模拟和蒙特卡洛估计的直接结合可以提供准确的参考MTTF值,但对于复杂的时域和空域依赖系统来说,由于每个样本都需要完整的PDE求解,这在计算上变得非常昂贵[7]。
为了减少基于直接MCS的估计中反复调用高精度PDE求解器所导致的计算成本,人们广泛使用替代建模方法来进行MTTF预测。现有研究采用了包括多项式混沌展开(PCE)[8]和支持向量回归[9,10]在内的替代模型来预测预期寿命和首次失效时间。克里金替代方法也被广泛应用于不确定条件下的时域依赖可靠性分析[11,12]。它们既提供了预测均值,也提供了方差,支持响应近似和不确定性量化[13,14]。预测均值可用于近似系统响应并确定首次阈值穿越时间,而预测方差可用于测量候选样本处的模型不确定性。胡等人[15] 构建了一个单循环克里金替代框架,其中明确考虑了首次失效时刻,用于时域依赖的可靠性和安全寿命评估。郝等人[16] 提出了一种顺序克里金策略,通过适应性选择故障前的信息丰富样本来改进具有不确定退化的结构的安全寿命估计算法。詹等人[14] 构建了一个主动学习多保真度克里金模型,用于具有多保真度数据的时域和空域依赖结构系统的预期寿命预测。这些研究表明了克里金方法在寿命导向可靠性分析中的有效性,同时也激发了将其与主动学习、多保真度建模和时空学习函数结合,以进一步提高首次失效时间预测的样本效率并降低预期寿命或MTTF估计中的高精度计算成本[17,18]。
PDE驱动的MTTF预测涉及一个由随机变量、空间坐标和时间组成的增强输入空间,其中首次失效事件受到边界条件、局部非线性响应和时间演变的影响。这种高维时域和空域依赖的输入会显著增加传统替代模型的样本需求和参数调整难度[19],而克里金方法在高维设置中也可能存在可扩展性和表达能力方面的限制[20]。
为了解决这些问题,最近人们探索了基于数据的学习方法来解决MTTF和寿命相关预测问题。吴等人开发了一个具有基于物理的模拟的自适应机器学习框架,用于学习工程系统中不确定输入与MTTF之间的关系[4]。对于相关的寿命预测任务,深度学习模型被用来从高维信号和时间响应历史中提取退化特征。王等人[21] 提出了一种深度可分离卷积网络,用于机械剩余使用寿命(RUL)预测。余等人[22] 开发了一种双向循环神经网络自动编码器用于RUL估计,而何等人[23] 提出了一种可转移神经网络来提高RUL预测模型的泛化能力。张等人[24] 将基于物理的退化建模与窗口化稀疏注意力变压器结合,用于基于质量的工具RUL预测。胡等人[25] 将控制方程残差和初始边界条件嵌入到神经网络训练过程中,构建了一个物理信息神经网络(PINN),用于PDE响应预测。
尽管取得了这些进展,现有的基于数据和基于物理的学习方法在用于MTTF预测时仍然面临局限性。它们的预测性能通常对训练数据质量、损失权重敏感,对于PINN类型的模型来说,还对配置点的数量和分布敏感。此外,不确定性量化对于评估工程模型预测的可信度至关重要[26]。在基于数据的系统可靠性评估中,杨[27] 开发了一种基于证据的似然方法,以考虑贝叶斯框架内重叠故障数据之间的依赖性。对于上述基于学习的预测模型,许多模型主要是确定性的,或者需要额外的不确定性建模机制,因此无法在候选输入位置提供预测不确定性[28]。这一限制对于MTTF预测尤为关键,因为采样策略必须识别不仅靠近阈值穿越区域,而且对估计的首次失效时间有影响的候选样本。没有可靠的不确定性度量,就很难将有限的高精度计算资源集中在对MTTF估计最敏感的区域。
在这项研究中,深度核学习(DKL)为PDE主导的高维非线性系统的MTTF预测提供了一个有吸引力的选择。DKL由Wilson等人[29] 提出,其基本思想是将深度神经网络的特征提取能力与高斯过程的概率建模能力结合起来。具体来说,神经网络首先将原始输入映射到一个潜在特征空间,然后在该特征空间中定义一个高斯过程核来进行概率预测[30,31]。通过在学习非线性潜在表示的同时保留高斯过程预测层,DKL提高了传统基于核的替代模型的表达能力,并为不确定性量化和主动学习采样提供了预测不确定性。类似的基于特征学习的概率方法也已在寿命相关预测任务中进行了探索。徐等人[32] 开发了一种深度学习和非平稳高斯过程回归模型,用于具有不确定性量化的RUL预测,解决了高维传感器特征、噪声 prognostic 数据和时间退化依赖性问题。陈[33] 提出了一种深度核生存分析框架,用于学习任务适应性核并构建特定于主题的生存时间预测区间。这些研究表明,将深度特征学习与基于核或高斯过程的概率推断结合起来对于涉及高维输入和不确定性感知决策的寿命预测问题很有价值,这进一步激发了在PDE驱动的时域和空域依赖系统中使用DKL进行MTTF预测的愿望。
然而,仅仅提高替代模型的表达能力不足以确保MTTF预测的计算效率。对于PDE驱动的时域和空域依赖系统,每个新添加的样本都对应于一次昂贵的高精度模拟[34]。因此,需要一种主动学习策略来将有限的样本预算分配到对MTTF估计最有价值的区域[35,36]。预期可行性函数(EFF)是一种用于识别靠近极限状态边界的信息丰富样本的代表性学习函数[37]。Chaudhuri等人[38] 开发了一种基于EFF的学习函数,使用EFF来选择样本位置。Yi等人[39] 提出了一种用于多保真度克里金可靠性分析的增强EFF标准。张等人[40] 引入了一种集体学习函数,用于评估不同保真度水平下候选样本的全局影响。这些EFF类型的标准提高了基于替代模型的可靠性分析的效率,但它们的采样目标主要集中在极限状态边界识别、保真度选择或故障概率估计上。因此,面向MTTF的采样策略仍需要进一步发展。
基于上述分析,本文提出了一种通过结合深度核学习替代模型和主动学习策略的MTTF预测方法,用于时域和空域依赖系统。该方法适用于由PDE控制的时域和空域依赖系统。它结合了DKL的高维特征学习和概率预测能力,以及考虑首次失效时间相关性、时域和空间采样多样性以及MTTF收敛性的MTTF导向主动学习策略。这种集成设计能够在有限的计算预算下高效地分配信息丰富的高精度样本。
本文的主要贡献总结如下:
(1) 提出了一种新颖的AT-DKL框架,用于预测由PDE驱动的时域和空域依赖系统的MTTF。该框架将基于DKL的概率替代建模与首次失效导向的主动学习结合起来,解决了高维增强输入问题和选择对MTTF估计有信息价值的高精度样本的问题。通过结合降维、不确定性量化和首次失效时间导向的样本选择,所提出的框架在有限的高精度模拟预算下实现了准确且高效的MTTF预测。
(2) 构建了一个基于DKL的概率替代模型,用于时域和空域依赖的极限状态响应。该替代模型通过深度神经网络将高维增强输入映射到一个紧凑的潜在特征空间,并在此潜在空间中进行高斯过程回归。这样可以获得局部极限状态响应的概率预测,包括预测均值和不确定性。这为主动学习采样和MTTF估计提供了基于不确定性的建模基础。
(3) 开发了一种MTTF导向的主动学习策略,以改进高精度样本的选择,用于首次失效预测。基于极限状态边界附近的不确定性度量,所提出的τ-EFF标准结合了预测的首次失效时间信息和自适应指数计划,以优先考虑对MTTF估计更有影响的样本。进一步嵌入了时域和空间多样性惩罚,以减少在相似故障位置和故障时间附近的重复采样。这种策略使主动学习过程能够迅速关注信息丰富的故障区域,并在有限的高精度样本预算下提高采样效率。
(4) 建立了一种结合MTTF稳定性和获取函数变化的双重停止策略。该策略同时监控相邻迭代之间的MTTF估计的相对变化以及候选集中最大获取函数值的变化趋势。它可以适当地终止MTTF估计的精细化过程,降低过早终止或过度采样的风险,并在小样本条件下提高AT-DKL方法的计算效率和预测稳定性。

本文的其余部分组织如下。第2节介绍了克里金和深度核学习替代模型。第3节介绍了所提出的AT-DKL方法。第4节通过数值示例验证了所提方法的有效性。第5节总结了本文并讨论了未来的研究方向。

### 深度核学习替代模型
本节介绍了本研究中采用的深度核学习(DKL)替代模型。与传统的深度神经网络相比,DKL不仅可以通过神经网络从高维输入中提取非线性特征,还可以继承高斯过程回归的预测不确定性量化能力,从而为后续的主动学习采样提供必要信息。

### 提出的自适应AT-DKL框架用于MTTF预测
准确的MTTF估计需要将高精度样本放置在强烈影响首次失效时间分布的区域。为此,本节提出了一种用于时域和空域依赖系统MTTF预测的自适应AT-DKL框架。
该框架通过结合DKL预测不确定性和首次失效时间信息来构建一个MTTF导向的获取标准,并采用基于MTTF估计稳定性和获取函数的双重停止策略。

### 示例和性能评估
为了系统地验证所提出的AT-DKL方法在PDE主导的时域依赖首次通过可靠性分析中的有效性,本节研究了两个代表性示例。第一个示例是一个具有一维瞬态热传导问题,具有清晰的物理结构和适量的不确定参数,用于检验所提方法的基本预测准确性和收敛性能。第二个示例是一个...

### 结论
本文提出了一种新颖的主动深度核学习(AT-DKL)框架,用于在不确定性下预测由PDE驱动的时域和空域依赖系统的MTTF。所提出的框架结合了基于DKL的替代建模和MTTF导向的主动学习。具体来说,DKL替代模型在增强的随机时空域中构建,以实现高维输入的非线性降维和预测不确定性量化。

### 数据可用性
数据将根据请求提供。

### CRediT作者贡献声明
董林松:撰写 – 原始草稿、软件、方法论、形式分析、数据整理。
肖宁聪:撰写 – 审查与编辑、监督、方法论、资金获取、概念化。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号