融合基于物理与深度学习的模型用于 prognostics（剩余寿命预测）
系统与控制
2020-10-28 v2 系统与控制
摘要
用于剩余使用寿命（RUL）预测的基于物理的模型与数据驱动模型通常面临两个限制其在复杂真实领域适用性的主要挑战：（1）基于物理的模型的不完备性，以及（2）数据驱动模型训练数据集的代表性有限。为结合这两个方向的优势并克服其部分局限，我们提出了一种新颖的混合框架，用于将基于物理的性能模型的信息与深度学习算法相融合，以用于真实场景下复杂安全关键系统的 prognostics（剩余寿命预测）。在所提框架中，我们利用基于物理的性能模型，通过求解校准问题来推断与系统部件健康相关的不可观测模型参数。这些参数随后与传感器读数结合，并作为深度神经网络的输入，以生成具有物理增强特征的数据驱动 prognostics（剩余寿命预测）模型。该混合框架的性能在一个广泛的案例研究中得到评估，该案例研究包含九台涡扇发动机在真实飞行条件下的运行至失效退化轨迹。实验结果表明，该混合框架将预测时界延长了近 127%，从而优于纯数据驱动方法。此外，与纯数据驱动方法相比，它需要更少的训练数据，并且对数据集代表性有限的问题更不敏感。
引用
@article{arxiv.2003.00732,
title = {Fusing Physics-based and Deep Learning Models for Prognostics},
author = {Manuel Arias Chao and Chetan Kulkarni and Kai Goebel and Olga Fink},
journal= {arXiv preprint arXiv:2003.00732},
year = {2020}
}
备注
18 pages, 8 figures, Under Review