基于卷积循环生成对抗网络的时间序列再生及其在剩余使用寿命估计中的应用
机器学习
2021-01-13 v1 人工智能
摘要
对于健康 prognostics 任务，越来越多努力聚焦于基于机器学习的方法，其能在不探究退化机制下对工业设备或部件给出准确剩余使用寿命（RUL）估计。这些方法成功的先决条件依赖于丰富的失效全程数据，然而实践中失效全程数据可能不足。即，进行大量破坏性实验不仅成本高昂，且可能引发灾难性后果。出于此考虑，首次提出一种聚焦数据自生成的增强RUL框架，适用于非循环与循环退化模式。其设计用以从数据驱动方式丰富数据，生成拟真时间序列以增强当前RUL方法。首先，所提卷积循环生成对抗网络（CR-GAN）通过采用双通道融合卷积循环神经网络确保高质量数据生成。接着，提出层次化框架将生成数据结合进当前RUL估计方法。最后，通过非循环与循环退化系统验证所提方法效力。借助增强RUL框架，遵循非循环退化的航空发动机系统经三种典型RUL模型测试。通过生成时间序列增强胶囊网络取得了最优RUL估计结果。具体而言，由指标评分函数评估的估计误差在两种所用操作条件下分别降低 21.77% 与 32.67%。此外，对于呈现循环退化的锂离子电池系统，估计误差降为零。
引用
@article{arxiv.2101.03678,
title = {Time-Series Regeneration with Convolutional Recurrent Generative Adversarial Network for Remaining Useful Life Estimation},
author = {Xuewen Zhang and Yan Qin and Chau Yuen and Lahiru Jayasinghe and Xiang Liu},
journal= {arXiv preprint arXiv:2101.03678},
year = {2021}
}