慢变动态辅助的时间胶囊网络用于机械剩余使用寿命估计
机器学习
2022-03-31 v1
摘要
胶囊网络（CapsNet）作为典型卷积神经网络的一种有前景的替代方案，而卷积神经网络是开发机械设备剩余使用寿命（RUL）估计模型的主导网络。尽管 CapsNet 具备通过高维向量嵌入表示实体层次关系的出色能力，其仍未能捕捉从退化机械设备测得的失效全程时间序列的长期时间相关性。另一方面，揭示机械动态行为中隐藏低频信息的慢变动态，在现有 RUL 估计模型中遭到忽视，限制了先进网络的最大能力。为解决上述问题，我们提出慢变动态辅助的时间胶囊网络（SD-TemCapsNet），从测量中同时学习慢变动态与时间动态以实现精确 RUL 估计。首先，鉴于故障演化的敏感性，从正常原始数据中分解慢变特征以传达对应系统动态的低频分量。接着，将长短期记忆（LSTM）机制引入 CapsNet 以捕捉时间序列的时间相关性。为此，在航空发动机与铣床上进行的实验验证了所提 SD-TemCapsNet 优于主流方法。相较于 CapsNet，航空发动机在四种不同场景下依据均方根误差指标的估计精度分别提升了 10.17%、24.97%、3.25% 与 13.03%。类似地，铣床的估计精度相较 LSTM 提升 23.57%，相较 CapsNet 提升 19.54%。
引用
@article{arxiv.2203.16373,
title = {Slow-varying Dynamics Assisted Temporal Capsule Network for Machinery Remaining Useful Life Estimation},
author = {Yan Qin and Chau Yuen and Yimin Shao and Bo Qin and Xiaoli Li},
journal= {arXiv preprint arXiv:2203.16373},
year = {2022}
}
备注
This paper has been accepted by IEEE Transactions on Cybernetics