基于Stacking集成学习的剩余使用寿命预测

来源：计算机集成制造系统杂志2024年第7期北京时间：

作者：韩腾飞, 李亚平

单位：南京林业大学经济管理学院

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

基金资助：国家自然科学基金资助项目(72171120,71701098);江苏高校“青蓝工程”资助项目(2021)。