基于深度学习轨迹的自适应退化过程

Li Yang

基于深度学习轨迹的自适应退化过程

机器学习 2024-10-28 v1 机器学习应用统计

作者: Li Yang

摘要

剩余使用寿命（RUL）估计是实施智能预测性维护与健康管理的关键组成部分。深度神经网络（DNN）方法因其在处理高维非线性退化特征方面的能力，已被证明在 RUL 估计中是有效的。然而，DNN 在实际应用面临两个挑战：（a）寿命信息的在线更新通常不可用；（b）预测值的不确定性可能无法以解析方式量化。本文通过开发一种混合的基于 DNN 的预测方法来解决这些问题，其中采用具有自适应漂移的基于 Wiener 的退化模型来刻画系统退化。我们构建了 LSTM-CNN 编码器-解码器，通过联合学习噪声系数与漂移系数来预测未来退化轨迹，并经由贝叶斯推断更新自适应漂移。提出了一种计算高效的算法用于计算 RUL 分布。利用涡扇发动机退化数据给出了数值实验，以证明我们所提方法在 RUL 预测上的优越精度。

关键词

剩余使用寿命估计 Wiener 退化模型自适应漂移 LSTM-CNN 编码器-解码器贝叶斯推断涡扇发动机预测性维护

引用

@article{arxiv.2103.11598,
  title  = {Adaptive Degradation Process with Deep Learning-Driven Trajectory},
  author = {Li Yang},
  journal= {arXiv preprint arXiv:2103.11598},
  year   = {2024}
}

备注

This work will be submitted to the IEEE for possible publication

基于深度学习轨迹的自适应退化过程

摘要

关键词

引用

备注

相关论文