面向涡扇发动机剩余使用寿命预测的深度领域适应：方法、评估与未来趋势
机器学习
2025-10-07 v1 人工智能
摘要
涡扇发动机的剩余使用寿命（RUL）预测在预测性维护中发挥着关键作用，确保航空领域的运行安全与效率。尽管数据驱动的方法使用机器学习和深度学习显示出潜力，但面临数据有限以及由不同运行条件引起的分布迁移问题。领域适应（DA）已成为一种有前景的解决方案，使从数据丰富的源域迁移知识到数据稀缺的目标域，同时缓解分布性迁移。鉴于涡扇发动机的独特特征，如复杂的运行条件、高维传感器数据以及变化较慢的信号，针对涡扇发动机进行针对性的领域适应技术综述研究显得尤为重要。为此，本文提供了涡扇发动机RUL预测领域DA解决方案的全面综述，分析了关键方法、挑战与近期进展。引入一种针对涡扇发动机的新型分类法，将方法分为基于方法的（如何应用DA）、基于对齐的（由于运行变化导致分布性迁移发生的地方）以及基于问题的（为解决特定挑战而需要的特定适应性）三类。该分类法提供了超越传统分类的多维度视角，纳合了涡扇发动机数据特性以及标准将DA技术应用于该领域的常规流程。此外，我们在涡扇发动机数据集上评估了选取的DA技术，为实践者提供了实用见解，并确定了关键挑战。我们还确定了未来研究方向，以指导开发更有效的DA技术，推动涡扇发动机RUL预测的发展。
引用
@article{arxiv.2510.03604,
title = {Deep Domain Adaptation for Turbofan Engine Remaining Useful Life Prediction: Methodologies, Evaluation and Future Trends},
author = {Yucheng Wang and Mohamed Ragab and Yubo Hou and Zhenghua Chen and Min Wu and Xiaoli Li},
journal= {arXiv preprint arXiv:2510.03604},
year = {2025}
}