SARNet：面向剩余有用寿命预测的脉冲感知连续验证框架
机器学习
2026-04-23 v2
摘要
精准预测剩余有用寿命（RUL）是提升系统可靠性、降低维护风险的关键。然而许多当代强大模型在故障发生时脆弱且难以向工程师解释：短促高能脉冲被平滑消除或误读、固定阈值削弱灵敏度、而基于物理的解释稀缺。为此，本文引入 SARNet（Spike-Aware Consecutive Validation Framework），其基于现代时序卷积网络（ModernTCN）构建，加入脉冲感知检测，提供基于物理的可解释性。ModernTCN 预测退化敏感指标；自适应连续阈值验证真实脉冲同时抑制噪声。故障易发区域随后接收针对性特征工程（谱线斜率、统计导数、能量比），最终由堆叠的 RF--LGBM 回归器输出 RUL。在事件触发协议下通过基准数据集评估，SARNet 持续优于最新基线方法（RMSE=0.0365，MAE=0.0204），且模型轻量、稳健、易于部署。
引用
@article{arxiv.2510.22955,
title = {SARNet: A Spike-Aware consecutive validation Framework for Accurate Remaining Useful Life Prediction},
author = {Junhao Fan and Wenrui Liang and Wei-Qiang Zhang},
journal= {arXiv preprint arXiv:2510.22955},
year = {2026}
}
备注
5 pages, 2 figures, 3 tables. Equal contribution by Junhao Fan and Wenrui Liang. Corresponding author: Wei-Qiang Zhang. Accepted to ICASSP 2026