LAMA-Net：基于潜在对齐与流形学习的无监督域适应剩余使用寿命预测
机器学习
2022-08-18 v1
摘要
预测与健康管理（PHM）是一个新兴领域，因其带来的益处和效率而受到制造业的广泛关注。剩余使用寿命（RUL）预测是任何 PHM 系统的核心。最近大多数数据驱动研究需要在监督学习范式下训练出高性能模型之前有大量带标签的训练数据。这时迁移学习（TL）和域适应（DA）方法发挥作用，使我们能够将监督模型推广到具有不同数据分布且无标签数据的其他域。在本文中，我们提出 \textit{LAMA-Net}，一种基于编码器-解码器（Transformer）并带有诱导瓶颈的模型，利用最大均值差异（MMD）的潜在对齐和流形学习来解决 RUL 预测中的无监督同构域适应问题。\textit{LAMA-Net} 使用 NASA 的 C-MAPSS 涡轮风扇发动机数据集进行验证，并与其他最先进的 DA 技术进行比较。结果表明所提方法为 RUL 预测中的域适应提供了一种有前景的途径。代码将在论文通过评审后公开。
引用
@article{arxiv.2208.08388,
title = {LAMA-Net: Unsupervised Domain Adaptation via Latent Alignment and Manifold Learning for RUL Prediction},
author = {Manu Joseph and Varchita Lalwani},
journal= {arXiv preprint arXiv:2208.08388},
year = {2022}
}
备注
12 pages