基于一致性自组织模型的剩余使用寿命预测迁移学习
机器学习
2019-10-02 v3 机器学习
摘要
开发机器 prognostics 的传统范式通常依赖于在设备部署前于受控条件下实验所获取数据的泛化。以这种方式检测或预测故障并估计机器健康状态，假设未来现场数据与实验数据具有非常相似的分布。然而，许多复杂机器在动态环境条件下运行且使用方式多样。这使得收集全面数据极具挑战，且部署前数据与部署后数据遵循非常相似分布的假设不太可能成立。迁移学习（TL）指的是将在一个环境（源域）中学到的知识迁移到另一环境（目标域）的方法。在本工作中，我们提出一种用于预测设备剩余使用寿命（RUL）的 TL 方法，假设仅源域有标签而目标域无标签。该设定对应于从部署前有限的多次运行至失效实验，推广到利用部署后设备在多类新运行条件下且经历前所未见故障的数据进行 prognostics。我们采用一种偏差检测方法，一致性自组织模型（COSMO），来创建可迁移特征以构建 RUL 回归模型。这些特征刻画了目标设备相对于其同类的差异程度。所提 TL 方法的效率使用 NASA 涡轮风扇发动机退化仿真数据集进行了验证。当目标域比源域更复杂时，采用 COSMO 可迁移特征的模型在 RUL 预测上表现出优于其他方法的性能。
引用
@article{arxiv.1909.07053,
title = {Transfer learning for Remaining Useful Life Prediction Based on Consensus Self-Organizing Models},
author = {Yuantao Fan and Sławomir Nowaczyk and Thorsteinn Rögnvaldsson},
journal= {arXiv preprint arXiv:1909.07053},
year = {2019}
}