一个新的域调整剩余可分离的卷积神经网络模型,用于跨域的剩余使用寿命预测
Chengying Zhao1, Xianzhen Huang2, Shangjie Li3
1School of Mechanical Engineering, Shenyang Jianzhu University, Shenyang 110168, China; School of Mechanical Engineering and Automation, Northeastern University, Shenyang 110819, China.
ISA transactions
|December 9, 2023
概括
本研究引入了一种新的深度学习模型,用于预测机械设备的剩余使用寿命 (RUL). 拟议的域调整残余可分离卷积神经网络 (DRSCN) 模型可以在不同的操作条件下提高准确性.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 准确预测剩余使用寿命 (RUL) 对于机械设备的积极维护至关重要.
- 运行条件的变化对RUL预测模型构成重大挑战.
- 现有的模型经常与域移动作斗争,导致现实应用中的准确性降低.
研究的目的:
- 开发一种新的深度学习模型,在不同的操作条件下进行可靠的RUL预测.
- 增强RUL预测模型的特征提取能力和域调整.
- 为了提高机械设备的跨域RUL预测准确度.
主要方法:
- 提出了一个域适应残余可分离卷积神经网络 (DRSCN) 模型.
- 开发了一个残余可分离的卷积模块,以增强特征提取.
- 集成的多核最大平均差异和对抗性学习,以应对领域转移.
主要成果:
- DRSCN模型证明了高精度的RUL预测.
- 在飞机发动机数据集上的实验验证证证了该模型的有效性.
- 该模型在抵抗域移动方面表现得更好.
结论:
- 拟议的DRSCN模型为在不同操作环境中准确预测RUL提供了一个有希望的方法.
- 剩余可分离卷积和域适应技术的整合是有效的.
- 该模型有可能显著有利于预测性维护策略.
