约束引导的数据驱动健康指标模型学习：在 Pronostia 轴承数据集上的应用

本文提出了一种约束引导的深度学习框架，用于在轴承故障预测与健康管理中构建物理一致的健康指标。传统的数据驱动方法通常缺乏物理合理性，而基于物理的模型则受限于不完整的系统知识。为解决此问题，我们利用约束将领域知识融入深度学习，以强制单调性、将输出值限制在 1 和 0 之间（代表健康到故障状态），并确保信号能量趋势与健康指标估计之间的一致性。这消除了对复杂损失项平衡的需求。我们在自编码器架构内实现了约束引导的梯度下降，构建了一个约束自编码器。然而，该框架也适用于其他架构。利用 Pronostia 数据集中加速度计信号的时频表示，与传统方法相比，我们的约束模型生成了更平滑、更可靠的退化曲线，且符合预期的物理行为。性能通过三个指标进行评估：趋势性、鲁棒性和一致性。与传统基线相比，约束模型在这三个指标上均有提升。另一个通过软排序损失函数引入单调性的基线在趋势性上表现更优，但在鲁棒性和一致性上有所不足。消融研究证实，单调性约束增强了趋势性，边界约束确保了一致性，能量-健康一致性约束提升了鲁棒性。这些发现突出了约束引导深度学习在生成可靠、具有物理意义的健康指标方面的有效性，为未来的故障预测应用提供了有前景的方向。