面向航空发动机剩余使用寿命预测的多粒度监督对比学习框架
机器学习
2025-07-11 v3 人工智能
系统与控制
系统与控制
摘要
准确的剩余使用寿命（RUL）预测对航空发动机的安全运行至关重要。目前，RUL预测任务主要采用仅以均方误差为损失函数的回归范式，且缺乏对特征空间结构的研究，而后者在大量研究中已展现出优异性能。本文从朴素直觉出发，开发了一个多粒度监督对比（MGSC）框架，认为具有相同RUL标签的样本应在特征空间中对齐，并解决了实现过程中小批量规模过大和样本不平衡的问题。MGSC下的RUL预测通过提出的多阶段训练策略实现。本文还展示了一个简单且可扩展的基础网络结构，并以卷积长短期记忆网络作为基线，在CMPASS数据集上验证了所提出的MGSC策略，有效提升了RUL预测的准确性。
引用
@article{arxiv.2411.00461,
title = {A Multi-Granularity Supervised Contrastive Framework for Remaining Useful Life Prediction of Aero-engines},
author = {Zixuan He and Ziqian Kong and Zhengyu Chen and Yuling Zhan and Zijun Que and Zhengguo Xu},
journal= {arXiv preprint arXiv:2411.00461},
year = {2025}
}