用于剩余使用寿命预测的时空注意力隐藏物理信息神经网络
系统与控制
2024-05-22 v1 机器学习
系统与控制
摘要
预测剩余使用寿命（RUL）对于工业系统的故障预测与健康管理（PHM）至关重要。尽管深度学习方法在预测 RUL 方面取得了显著成功，但预测精度低和可解释性等挑战构成了重大障碍，阻碍了其实际应用。在本研究中，我们引入了一种用于 RUL 预测的时空注意力隐藏物理信息神经网络（STA-HPINN），它能够利用系统退化的相关物理特性。时空注意力机制可以从输入数据中提取重要特征。通过在传感器维度和时间步维度上引入自注意力机制，所提出的模型能够有效提取退化信息。隐藏物理信息神经网络被用来捕获控制 RUL 演化的物理机制。在物理约束下，该模型可以实现更高的精度和合理的预测。该方法在基准数据集上得到了验证，与前沿方法相比表现出卓越的性能，尤其是在复杂条件下。
引用
@article{arxiv.2405.12377,
title = {Spatio-temporal Attention-based Hidden Physics-informed Neural Network for Remaining Useful Life Prediction},
author = {Feilong Jiang and Xiaonan Hou and Min Xia},
journal= {arXiv preprint arXiv:2405.12377},
year = {2024}
}