未知失效模式下的退化建模与预后分析
机器学习
2024-03-01 v1 人工智能
摘要
运行单元在复杂系统中常经历多种失效模式，导致不同的退化路径。依赖仅基于单一失效模式训练的预后模型可能导致在多种失效模式下的泛化性能较差。因此，准确识别失效模式至关重要。当前的预后方法要么在退化过程中忽略失效模式，要么假设失效模式标签已知，而这在实践中往往难以获取。此外，传感器信号的高维度和复杂关系使得准确识别失效模式具有挑战性。为解决这些问题，我们提出了一种新颖的失效模式诊断方法，该方法利用称为 UMAP（Uniform Manifold Approximation and Projection）的降维技术，将每个单元的退化轨迹投影并可视化到低维空间。随后，利用这些退化轨迹，我们开发了一种基于时间序列的聚类方法来识别训练单元的失效模式。最后，我们引入了一种单调约束预后模型，利用获得的训练单元失效模式，同时预测测试单元的失效模式标签和剩余使用寿命（RUL）。所提出的预后模型提供了特定于失效模式的 RUL 预测，同时保持了连续时间步长上 RUL 预测的单调性。我们使用航空燃气涡轮发动机数据集的案例研究评估了所提出的模型。
引用
@article{arxiv.2402.19294,
title = {Degradation Modeling and Prognostic Analysis Under Unknown Failure Modes},
author = {Ying Fu and Ye Kwon Huh and Kaibo Liu},
journal= {arXiv preprint arXiv:2402.19294},
year = {2024}
}