面向未知工况下基于深度学习的剩余使用寿命预测的受控物理信息数据生成
机器学习
2023-05-09 v2
摘要
具有代表性的失效时间（TTF）轨迹的有限可用性，要么限制了基于深度学习（DL）的剩余使用寿命（RUL）预测方法在实际中的性能，要么甚至阻碍其应用。生成物理上合理的合成数据是解决该挑战的一种有前景的途径。本研究提出一种将受控物理信息数据生成方法与基于深度学习的预测模型相结合的混合框架，用于 prognostics（故障预测）。在所提框架中，开发了新型受控物理信息生成对抗网络（CPI-GAN）以生成具有物理可解释性和多样性的合成退化轨迹。提出五个基本物理约束作为生成器中的可控设置。设计带惩罚的物理信息损失函数作为正则化项，确保合成数据中记录的系统健康状态变化趋势与底层物理规律一致。随后，生成的合成数据用作基于 DL 的预测模型的输入以获得 RUL 估计。所提框架基于新商用模块化航空推进系统仿真（N-CMAPSS）涡扇发动机 prognostics 数据集进行评估，该数据集假设 TTF 轨迹可用性有限。实验结果表明，所提框架能够生成与底层退化趋势一致的合成 TTF 轨迹。所生成的轨迹能显著提升 RUL 预测精度。
引用
@article{arxiv.2304.11702,
title = {Controlled physics-informed data generation for deep learning-based remaining useful life prediction under unseen operation conditions},
author = {Jiawei Xiong and Olga Fink and Jian Zhou and Yizhong Ma},
journal= {arXiv preprint arXiv:2304.11702},
year = {2023}
}
备注
22 pages,12 figures