变工况下集成变点检测的剩余使用寿命估计模型
机器学习
2024-01-10 v1 人工智能
信号处理
摘要
通过指示退化过程的开始，健康状态评估是复杂设备可靠剩余使用寿命（RUL）估计的重要初步步骤。本文提出了一种新颖的基于时间动态学习的模型，用于检测单个设备的变点，即使在变工况下也能工作，并利用学习到的变点来提高RUL估计精度。在离线模型开发过程中，多变量传感器数据被分解以学习融合的时间相关特征，这些特征具有泛化能力并能代表多种工况下的正常操作动态。从这些学习到的时间特征中动态构建正常行为的监测统计量和控制限阈值，用于无监督地检测设备级变点。检测到的变点随后指导退化数据标注，用于训练基于长短期记忆（LSTM）的RUL估计模型。在线监测期间，查询设备的时间相关动态被监测是否超出离线训练中导出的控制限。如果检测到变点，则使用训练好的离线模型估计设备的RUL，以便早期采取预防措施。以C-MAPSS涡扇发动机为案例研究，与不考虑异质变点的现有基于LSTM的RUL估计模型相比，所提方法在两种具有六种工况的场景下分别将精度提高了5.6%和7.5%。
引用
@article{arxiv.2401.04351,
title = {A Change Point Detection Integrated Remaining Useful Life Estimation Model under Variable Operating Conditions},
author = {Anushiya Arunan and Yan Qin and Xiaoli Li and Chau Yuen},
journal= {arXiv preprint arXiv:2401.04351},
year = {2024}
}
备注
Accepted in Control Engineering Practice Journal with DOI: https://doi.org/10.1016/j.conengprac.2023.105840