基于元学习与知识发现的物理信息神经网络用于剩余有用寿命预测
机器学习
2025-04-21 v1 人工智能
摘要
预测旋转机械的剩余有用寿命（RUL）对于工业安全和维护至关重要，但现有方法在目标域数据稀缺和退化动力学不清晰方面存在挑战。我们提出一种基于元学习与知识发现的物理信息神经网络（MKDPINN）来解决这些问题。该方法首先通过隐藏状态映射器（HSM）将噪声传感器数据映射到低维隐藏状态空间。随后，物理引导调节器（PGR）学习主尚未知的非线性偏微分方程（PDE），将这些物理约束嵌入 PINN 框架，从而实现数据驱动与物理模型方法的融合。该框架利用元学习，在源域 meta 任务上进行优化，以实现对新目标任务的 Few-Shot 适应。在工业数据和 C-MAPSS 基准测试上进行实验表明，MKDPINN 在泛化性和准确性方面均优于基线方法，证明了其在数据稀缺条件下进行 RUL 预测的有效性。
引用
@article{arxiv.2504.13797,
title = {Meta-Learning and Knowledge Discovery based Physics-Informed Neural Network for Remaining Useful Life Prediction},
author = {Yu Wang and Shujie Liu and Shuai Lv and Gengshuo Liu},
journal= {arXiv preprint arXiv:2504.13797},
year = {2025}
}
备注
34 pages,20 figs