用于动态剩余使用寿命预测的混合域自适应
机器学习
2024-04-09 v1 人工智能
机器学习
摘要
剩余使用寿命预测对于资产规划和维护至关重要，可为工业带来诸多好处，如减少停机时间、降低维护成本等。尽管已有各种研究致力于这一主题，但大多数现有工作局限于独立同分布条件，假设训练阶段和部署阶段的条件相同。本文提出了一个解决方案，即混合域自适应（MDAN）。MDAN包含一个三阶段机制，其中混合策略不仅用于正则化源域和目标域，还用于建立一个中间混合域，在该域中源域和目标域对齐。采用自监督学习策略以防止监督崩溃问题。进行了严格的评估，将MDAN与最近发表的动态剩余使用寿命预测工作进行了比较。MDAN在12个案例中的12个以显著优势优于其对应方法。此外，在轴承机器数据集上评估了MDAN，在12个案例中的8个以显著差距超越了先前技术。MDAN的源代码已在https://github.com/furqon3009/MDAN公开。
引用
@article{arxiv.2404.04824,
title = {Mixup Domain Adaptations for Dynamic Remaining Useful Life Predictions},
author = {Muhammad Tanzil Furqon and Mahardhika Pratama and Lin Liu and Habibullah and Kutluyil Dogancay},
journal= {arXiv preprint arXiv:2404.04824},
year = {2024}
}
备注
accepted for publication in Knowledge-based Systems