基于健康指标加权子域对齐网络的条件的剩余有用寿命预测

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:

• 域适应 (DA) 对于在不同操作条件下预测轴承剩余使用寿命 (RUL) 至关重要.
• 现有的DA方法往往忽略了多尺度降解信息和时间动态,限制了预测的准确性.
• 准确的RUL预测对于预测性维护和运营效率至关重要.

研究的目的:

• 提出一个新的域调整模型,健康指标加权子域调整网络 (HIWSAN),用于增强轴承RUL预测.
• 通过结合多尺度特征学习,健康指标作为时间权重和子域级别对齐来解决现有方法的局限性.
• 评估HIWSAN在基准数据集上的有效性和概括能力.

主要方法:

• 开发了健康指标加权子域调整网络 (HIWSAN) 模型.
• 实现多尺度特征表示学习.
• 构建健康指标,作为模型培训的时间权重.
• 执行子域级别对齐以弥合域间隙.

主要成果:

• 在XJTU-SY和PRONOSTIA数据集中,HIWSAN实现了0.0989的平均绝对平均误差 (MAE) 和0.1189的根平均平方误差 (RMSE).
• 与最先进的方法相比,拟议的模型显示了显著的改进,MAE减少了21.07%和RMSE减少了25.13%.
• 废除,比较和泛化实验验验证了模型的性能和稳定性.

结论:

• HIWSAN有效地提取多尺度降解信息,并利用时间权重进行准确的轴承RUL预测.
• 在RUL预测任务中,子域级调整策略提高了域调整性能.
• 拟议的模型为旋转机械的预测性维护提供了一个有希望的进步.