作者：韩腾飞 李亚平

题名：基于Stacking集成学习的剩余使用寿命预测

期刊：计算机集成制造系统  （网络首发时间：2022-03-15）

摘要：剩余使用寿命（Remaining Useful Life， 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（Gradient Boosting Decision Tree，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。