结合生成对抗网络的广义多尺度特征提取用于轴承剩余使用寿命预测
机器学习
2021-09-28 v1 计算机视觉与模式识别
摘要
轴承是工业机械中的关键部件，其故障可能导致不必要的停机和经济损失。因此，有必要预测轴承的剩余使用寿命（RUL）。传统的基于数据驱动的 RUL 预测方法需要专家领域知识进行手动特征提取，并且可能面临训练数据与测试数据分布不一致的问题。在本研究中，我们提出了一种新颖的基于生成对抗网络的广义多尺度特征提取方法。对抗训练学习来自不同轴承的训练数据分布，并被引入用于健康阶段划分和 RUL 预测。为了从一维振动信号中捕获序列特征，我们采用了一种 U-Net 架构，该架构在对抗网络的生成器中通过多尺度层重构特征以进行处理。为验证所提方法，我们在两个旋转机械数据集上进行了全面的 RUL 预测实验。实验结果表明，所提出的特征提取方法能有效预测 RUL，并优于基于深度神经网络的传统 RUL 预测方法。实现代码可在 https://github.com/opensuh/GMFE 获取。
引用
@article{arxiv.2109.12513,
title = {Generalized multiscale feature extraction for remaining useful life prediction of bearings with generative adversarial networks},
author = {Sungho Suh and Paul Lukowicz and Yong Oh Lee},
journal= {arXiv preprint arXiv:2109.12513},
year = {2021}
}
备注
Submitted to Knowledge-Based Systems, Elsevier (Major revision)