基于混合深度学习模型与退化模式聚类的干簧继电器剩余使用寿命估计
机器学习
2022-09-15 v1
摘要
干簧继电器作为功能测试的基础部件，与电子产品质量检验的成败密切相关。为对干簧继电器提供准确的剩余使用寿命（RUL）估计，基于以下三点考量提出了一种带退化模式聚类的混合深度学习网络。首先，观测到干簧继电器存在多种退化行为，因此给出基于动态时间规整的 -means 聚类以区分不同退化模式。其次，尽管特征的正确选取至关重要，但鲜有研究可指导该选取。所提方法推荐了便于实施的运行规则。第三，提出一种用于剩余使用寿命估计的神经网络（RULNet）以解决卷积神经网络（CNN）在捕捉序列数据时间信息上的弱点，其在卷积操作的高层特征表示后融入了时间关联能力。由此，构建了 RULNet 的三种变体，分别基于健康指标、带自组织映射的特征，或带曲线拟合的特征。最终，通过具有两种明显退化方式的实用干簧继电器数据集，将所提混合模型与典型基线模型（包括 CNN 与长短期记忆网络（LSTM））进行比较。两种退化情形的结果均表明，所提方法在均方根误差指标上优于 CNN 与 LSTM。
引用
@article{arxiv.2209.06429,
title = {A Hybrid Deep Learning Model-based Remaining Useful Life Estimation for Reed Relay with Degradation Pattern Clustering},
author = {Chinthaka Gamanayake and Yan Qin and Chau Yuen and Lahiru Jayasinghe and Dominique-Ea Tan and Jenny Low},
journal= {arXiv preprint arXiv:2209.06429},
year = {2022}
}
备注
This paper has been acctepted by IEEE Transactions on Industrial Informatics