CARLE：面向滚动轴承鲁棒且可解释RUL估计的混合深度-浅层学习框架
机器学习
2025-10-22 v1 人工智能
摘要
健康管理（PHM）系统用于监控和预测设备健康状况。关键任务之一是剩余有用寿命（RUL）估计，即预测构件（如滚动轴承）在发生故障前的运行时间。许多RUL方法存在，但往往在 operating conditions变化的情况下缺乏通用性和鲁棒性。本文引入CARLE，一种混合人工智能框架，用于解决上述挑战。CARLE采用Res-CNN和Res-LSTM模块，结合多头注意力和残差连接，以捕获空间和时间退化模式；并使用随机森林回归器（RFR）进行稳定、准确的RUL预测。紧凑的预处理流程应用高斯滤波进行降噪，并使用连续小波变换（CWT）进行时频特征提取。我们在XJTU-SY和PRONOSTIA轴承数据集上评估CARLE。通过消融研究衡量每个组件的贡献，同时通过噪声和跨域实验测试鲁棒性和泛化性。比较结果表明，CARLE在动态条件下优于几种最先进的方法。最后，我们使用LIME和SHAP分析模型可解释性，以评估透明度和可信度。
引用
@article{arxiv.2510.17846,
title = {CARLE: A Hybrid Deep-Shallow Learning Framework for Robust and Explainable RUL Estimation of Rolling Element Bearings},
author = {Waleed Razzaq and Yun-Bo Zhao},
journal= {arXiv preprint arXiv:2510.17846},
year = {2025}
}
备注
26 pages, accepted at Soft Computing