基于降解阶段同步抽样和跨域自编码器的域自适应健康指示学习
机器学习
2026-03-12 v1 人工智能
摘要
健康指示(Health Indicators, HIs)的高质量构建对于有效的预测诊断和健康管理至关重要。尽管深度学习显著推进了HI建模，但现有方法往往在因运行条件不同导致的分布偏移问题上感到困扰。虽然通常会采用域适应来缓解这些偏移，但仍存在两个关键挑战：(1)由于随机小批量抽样导致降解阶段错位，造成误导性的差异损失；(2)小卷积核1D-CNN在捕获复杂振动信号中长程时间依赖性方面存在结构限制。为解决这些问题，我们提出了一个包含降解阶段同步批量抽样(DSSBS)和跨域对齐融合大型自编码器(CAFLAE)的域自适应框架。DSSBS利用核变点检测对降解阶段进行分段，确保源和目标小批量在对齐时由其故障阶段同步。为此，CAFLAE集成了大型卷积核的时间特征提取与跨注意力机制，以学习更优的域无关表示。我们在韩国防御系统数据集和XJTU-SY轴承数据集上对所提出的框架进行了严格验证，平均性能提升达到24.1%。这些结果表明，DSSBS通过阶段一致抽样改进了跨域对齐，而CAFLAE为长期工业条件监测提供了高性能的骨干网络。
引用
@article{arxiv.2603.10430,
title = {Domain-Adaptive Health Indicator Learning with Degradation-Stage Synchronized Sampling and Cross-Domain Autoencoder},
author = {Jungho Choo and Hanbyeol Park and Gawon Lee and Yunkyung Park and Hyerim Bae},
journal= {arXiv preprint arXiv:2603.10430},
year = {2026}
}