基于深度域自适应的剩余使用寿命预测
机器学习
2019-07-18 v1 机器学习
摘要
在预测与健康管理（PHM）中，充足的先验退化观测数据通常对剩余使用寿命（RUL）预测至关重要。以往大多数数据驱动的预测方法假设训练（源）和测试（目标）状态监测数据具有相似的分布。然而，由于运行条件、故障模式、噪声和设备更新的不同，不同数据域之间存在分布偏移。当没有观测到的失效全程数据可用于重新训练时，这种偏移会降低先前针对特定条件构建的预测模型的性能。为解决此问题，本文提出一种利用长短期记忆神经网络（LSTM）进行预测中域自适应的新数据驱动方法。我们采用时间窗方法从具有观测RUL值的源域和仅含传感器信息的目标域的时序数据中提取时间信息。我们提出一种域对抗神经网络（DANN）方法来学习域不变特征，用于预测目标域中的RUL。实验结果表明，所提方法在不同运行条件和故障模式的数据集下能提供更可靠的RUL预测。这些结果表明，所提方法为在实际PHM应用中执行域自适应提供了一种有前景的途径。
引用
@article{arxiv.1907.07480,
title = {Remaining Useful Lifetime Prediction via Deep Domain Adaptation},
author = {Paulo R. de O. da Costa and Alp Akcay and Yingqian Zhang and Uzay Kaymak},
journal= {arXiv preprint arXiv:1907.07480},
year = {2019}
}