基于端到端模型学习表征以改进剩余使用寿命预测
机器学习
2021-05-27 v2 人工智能
摘要
设备的剩余使用寿命(RUL)定义为当前时间与其发生故障之间的持续时间。准确可靠的剩余使用寿命预测为决策者提供有价值的信息，以采取适当的维护策略，最大化设备利用率并避免代价高昂的故障。在这项工作中，我们提出了一种基于多层感知机与长短期记忆层(LSTM)的端到端深度学习模型来预测RUL。在所有数据归一化后，输入直接送入MLP层进行特征学习，然后送入LSTM层以捕获时间依赖关系，最后送入其他MLP层进行RUL预测。所提出的架构在NASA商用模块化航空推进系统仿真(C-MAPSS)数据集上进行了测试。尽管相对于其他近期提出的模型较为简单，所开发的模型在竞争分数以及预测RUL与真实值之间的均方根误差分数上均显著下降，从而优于它们。在本文中，我们将讨论所提出的端到端模型如何能够取得如此好的结果，并将其与其他深度学习和最先进的方法进行比较。
引用
@article{arxiv.2104.05049,
title = {Learning representations with end-to-end models for improved remaining useful life prognostics},
author = {Alaaeddine Chaoub and Alexandre Voisin and Christophe Cerisara and Benoît Iung},
journal= {arXiv preprint arXiv:2104.05049},
year = {2021}
}