基于预处理驱动的剩余有用寿命 (RUL) 预测新方法——使用时序卷积网络 (TCN)
机器学习
2026-05-05 v1 人工智能
摘要
精准预测喷气发动机的剩余有用寿命 (RUL) 对预测性维护、提高运行可靠性以及降低生命周期成本至关重要。虽然深度学习方法在该领域已显示出巨大的潜力，但大多数现有方法主要关注模型架构设计， treats 输入特征均匀，常常忽略数据预处理的影响。本文提出了一种新颖的预处理管道，通过提高数据质量和模型训练前的时序表征来增强 RUL 预测。我们的做法利用完整的时序序列并在每个时间步生成 RUL 估计，使模型能够捕捉细粒度的退化动力学，并在发动机运行整个生命周期内提供连续的prognostic洞察。为验证所提管道的有效性，我们在 NASA C-MAPSS 数据集上进行实验。与包括 CNN、RNN、LSTM、DCNN、TCN、BiGRU-TSAM、AGCNN 和 ATCN 等一系列最先进的神经网络模型进行比较评估，结果表明我们的做法在喷气发动机 RUL 预测方面始终实现卓越的准确性和鲁棒性。这些结果凸显了预处理在最大化神经网络诊断模型有效性中的关键作用。
关键词
引用
@article{arxiv.2605.02507,
title = {A Novel Preprocessing-Driven Approach to Remaining Useful Life (RUL) Prediction Using Temporal Convolutional Networks (TCN)},
author = {Florent Imbert and Tosin Adewumi and Hui Han},
journal= {arXiv preprint arXiv:2605.02507},
year = {2026}
}