Método de predicción de la vida útil restante basado en la evaluación secuencial del índice de salud con datos de...

Área de la Ciencia:

• Ingeniería
• Ciencia de datos
• Aprendizaje automático

Sus antecedentes:

• La predicción de la vida útil restante (RUL) es vital para el mantenimiento predictivo.
• Los desafíos incluyen datos limitados del ciclo de vida etiquetados y patrones de degradación complejos.
• La construcción precisa del índice de salud (HI) es difícil debido al acoplamiento de datos multidimensionales.

Objetivo del estudio:

• Desarrollar un método avanzado de predicción de la RUL que aborde la escasez de datos y la degradación compleja.
• Proponer un enfoque novedoso que integre un modelo CNN-Transformer con la evaluación secuencial del índice de salud.
• Reducir la complejidad del modelo y la carga computacional al tiempo que se mejora la precisión de la predicción.

Principales métodos:

• Un modelo híbrido CNN-Transformer con un mecanismo de interacción de fragmentos para reducir la complejidad.
• Un esquema de evaluación secuencial del índice de salud que utiliza la distancia de Mahalanobis y la Relación de Evaluación Secuencial (SER).
• Construcción dinámica de HI que elimina la necesidad de datos del ciclo de vida etiquetados de alta calidad.

Principales resultados:

• El método propuesto demuestra un rendimiento superior en comparación con los modelos LSTM, Transformer y Att-BiGRU.
• Logró una mayor precisión de predicción y robustez en múltiples conjuntos de datos.
• Eficaz en escenarios con escasez de etiquetas, lo que resalta su aplicabilidad práctica.

Conclusiones:

• El método integrado de evaluación de HI secuencial y CNN-Transformer ofrece una solución robusta para la predicción de RUL.
• Este enfoque maneja eficazmente la escasez de datos y los patrones de degradación complejos.
• Proporciona un avance significativo para las estrategias de mantenimiento predictivo.