一种用于剩余使用寿命估计的多模态 RUL 框架及其逐层解释方法
机器学习
2025-12-09 v1 人工智能
摘要
估计机械系统的剩余使用寿命（RUL）对于预测与健康管理（PHM）至关重要。滚动轴承是机械故障最常见的原因之一，凸显了对鲁棒 RUL 估计方法的需求。现有方法通常存在泛化能力差、鲁棒性不足、数据需求高和可解释性有限等问题。本文提出了一种新型多模态 RUL 框架，联合利用多通道非平稳振动信号的图像表示（ImR）和时频表示（TFR）。该架构包含三个分支：（1）一个 ImR 分支和（2）一个 TFR 分支，均采用多个带残差连接的膨胀卷积块来提取空间退化特征；以及（3）一个融合分支，将这些特征拼接后输入 LSTM 以建模时间退化模式。随后通过多头注意力机制突出显著特征，再经线性层进行最终 RUL 回归。为实现有效的多模态学习，振动信号通过 Bresenham 直线算法转换为 ImR，通过连续小波变换转换为 TFR。我们还引入了多模态逐层相关性传播（multimodal-LRP），一种专门的可解释性技术，显著增强了模型透明度。该方法在 XJTU-SY 和 PRONOSTIA 基准数据集上进行了验证。结果表明，我们的方法在可见和未见运行条件下均匹配或超越了最先进基线，在 XJTU-SY 上仅需约 28% 的训练数据，在 PRONOSTIA 上仅需约 48%。该模型表现出较强的抗噪能力，多模态-LRP 可视化证实了预测的可解释性和可信度，使该框架非常适合实际工业部署。
引用
@article{arxiv.2512.06708,
title = {A Novel Multimodal RUL Framework for Remaining Useful Life Estimation with Layer-wise Explanations},
author = {Waleed Razzaq and Yun-Bo Zhao},
journal= {arXiv preprint arXiv:2512.06708},
year = {2025}
}