利用自回归网络生成滚动轴承全生命周期数据用于剩余使用寿命预测
机器学习
2024-01-03 v1 人工智能
摘要
滚动轴承寿命预测在工业生产中具有重要意义。然而，高质量全生命周期数据的稀缺一直是实现精确预测的主要制约因素。为应对这一挑战，本文引入了CVGAN模型，这是一种新颖的框架，能够以历史振动数据和剩余使用寿命为条件，生成水平和垂直方向的一维振动信号。此外，我们提出了一种自回归生成方法，可以迭代利用先前生成的振动信息来指导当前信号的生成。通过在PHM 2012数据集上进行的实验验证了CVGAN模型的有效性。我们的研究结果表明，在MMD和FID指标上，CVGAN模型在自回归和非自回归生成模式下均优于许多先进方法。值得注意的是，使用CVGAN模型生成的全生命周期数据进行训练显著提升了预测模型的性能。这一结果凸显了CVGAN生成的数据在增强这些模型预测能力方面的有效性。
引用
@article{arxiv.2401.01119,
title = {Utilizing Autoregressive Networks for Full Lifecycle Data Generation of Rolling Bearings for RUL Prediction},
author = {Junliang Wang and Qinghua Zhang and Guanhua Zhu and Guoxi Sun},
journal= {arXiv preprint arXiv:2401.01119},
year = {2024}
}