基于证据的剩余有用寿命预测的域适应方法
机器学习
2026-03-18 v1 人工智能
摘要
在缺乏目标域标签数据的情况下准确预测剩余有用寿命 (RUL) 是一个关键挑战，域适应 (DA) 已被广泛采用，通过从标记源域迁移知识到未标记目标域来解决。尽管取得了成功，但现有 DA 方法在面对目标域中不完整的退化轨迹时表现显著受限，尤其是由于缺失了后期退化阶段。这一缺失数据引入了一个关键的外推挑战。应用于此类不完整的 RUL 预测任务时，当前的 DA 方法面临两个主要局限：首先，大多数 DA 方法主要关注全局对齐，可能导致源域的后期退化阶段与目标域的早期退化阶段错位。其次，由于 RUL 预测中的操作条件不同，即使在相同的退化阶段，退化模式也可能不同，导致不同学习到的特征。结果即使退化阶段部分对齐，简单的特征匹配也无法完全对齐两个域。为克服这些局限，我们提出一种新的证据驱动方法，称为 EviAdapt，通过证据学习来增强域适应。该方法首先基于退化率将源域和目标域数据分割为离散的退化阶段，以实现阶段级对齐，确保来自对应阶段的样本得到准确匹配。为解决第二个局限，我们引入一种证据不确定性对齐技术，使用证据学习估计不确定性并对齐匹配阶段之间的不确定性。
引用
@article{arxiv.2603.15687,
title = {Evidential Domain Adaptation for Remaining Useful Life Prediction with Incomplete Degradation},
author = {Yubo Hou and Mohamed Ragab and Yucheng Wang and Min Wu and Abdulla Alseiari and Chee-Keong Kwoh and Xiaoli Li and Zhenghua Chen},
journal= {arXiv preprint arXiv:2603.15687},
year = {2026}
}