基于监督对比学习的双混合器模型用于剩余使用寿命预测
机器学习
2024-12-31 v1 人工智能
摘要
剩余使用寿命（Remaining Useful Life, RUL）预测问题旨在准确估计从当前预测时刻到设备完全失效的剩余时间，近年来受到了研究者的广泛关注。本文首先针对现有大多数RUL预测方法中时空特征刚性组合的缺点，提出了一种时空同质特征提取器，称为双混合器（Dual-Mixer）模型。采用灵活的逐层渐进式特征融合来确保时空特征的同质性，并提高预测精度。其次，基于监督对比学习引入了特征空间全局关系不变性（Feature Space Global Relationship Invariance, FSGRI）训练方法。该方法在模型训练过程中保持样本特征间关系与其退化模式的一致性，简化了输出层后续的回归任务，并提升了模型在RUL预测中的性能。最后，通过在C-MAPSS数据集上与其他最新研究的比较，验证了所提方法的有效性。双混合器模型在大多数指标上表现出优越性，而FSGRI训练方法在所有基线模型上的RMSE和MAPE分别平均提升了7.00%和2.41%。我们的实验和模型代码已在https://github.com/fuen1590/PhmDeepLearningProjects上公开。
引用
@article{arxiv.2401.16462,
title = {Supervised Contrastive Learning based Dual-Mixer Model for Remaining Useful Life Prediction},
author = {En Fu and Yanyan Hu and Kaixiang Peng and Yuxin Chu},
journal= {arXiv preprint arXiv:2401.16462},
year = {2024}
}