具有不确定性量化的精确剩余使用寿命预测：一种深度学习与非平稳高斯过程方法
机器学习
2024-10-28 v1
摘要
剩余使用寿命（RUL）指部件或系统的预期剩余寿命。准确的RUL预测对 prognostics 与健康管理以及维护规划至关重要。本工作中，我们解决数据驱动RUL预测中三个普遍挑战：高维输入特征的处理、对传感器数据与预测数据集中噪声的鲁棒性，以及捕捉系统退化与RUL预测间时间依赖关系。我们设计了一个具有高准确度和不确定性量化的RUL预测模型，其整合并利用了深度学习与非平稳高斯过程回归（DL-NSGPR）的优势。我们使用NASA预测仓库的涡扇发动机数据集，将我们的模型与其他先进数据驱动RUL预测模型进行测评与基准比较。我们的计算实验表明，DL-NSGPR预测的准确度很高，均方根误差比竞争RUL模型小1.7至6.2倍。此外，结果表明所提DL-NSGPR的RUL不确定性界限既有效又明显比其它随机RUL预测模型更紧。我们剖析并讨论了DL-NSGPR这一优异表现的原因。
引用
@article{arxiv.2109.12111,
title = {Accurate Remaining Useful Life Prediction with Uncertainty Quantification: a Deep Learning and Nonstationary Gaussian Process Approach},
author = {Zhaoyi Xu and Yanjie Guo and Joseph Homer Saleh},
journal= {arXiv preprint arXiv:2109.12111},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication. arXiv admin note: text overlap with arXiv:2109.11579