用于剩余使用寿命（RUL）预测的集成神经网络
机器学习
2023-09-25 v1 人工智能
摘要
维护规划的核心部分是提供良好健康与退化预后（通常表示为剩余使用寿命（RUL））的监测系统。当前大多数数据驱动的RUL预测方法聚焦于单点预测。这些点预测方法未包含故障的概率性质。迄今为止少数概率方法要么包含偶然不确定性（源于系统），要么包含认知不确定性（源于模型参数），或同时作为总不确定性包含两者。在此，我们提出用于概率RUL预测的集成神经网络，其考虑两种不确定性并解耦这两类不确定性。这些解耦的不确定性对于了解和解释预测的置信度至关重要。该方法在NASA的涡扇喷气发动机CMAPSS数据集上进行了测试。我们的结果展示了如何对这类不确定性建模，以及如何分离偶然不确定性与认知不确定性的贡献。此外，我们的方法在不同指标上进行了评估，并与当前最先进方法进行了比较。
引用
@article{arxiv.2309.12445,
title = {Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction},
author = {Ahbishek Srinivasan and Juan Carlos Andresen and Anders Holst},
journal= {arXiv preprint arXiv:2309.12445},
year = {2023}
}
备注
6 pages, 2 figures, 2 tables, conference proceeding