一个适应性框架,以保持有用的生命预测,整合注意力机制和深度强化学习.

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 预测和健康管理 (PHM)

背景情况:

• 预测剩余使用寿命 (RUL) 对机械元件健康至关重要.
• 当前的深度学习方法与异质的传感器数据和个体差异作斗争.
• 现有的技术通常依赖于单模数据或静态特征提取.

研究的目的:

• 提出ADAPT-RULNet,一个适应性框架,用于在机械部件中准确预测RUL.
• 克服现有方法在处理复杂的操作条件和传感器异质性方面的局限性.
• 通过使用集成的DL和DLR实现从原始数据到RUL预测的端到端优化.

主要方法:

• 功能调整重新采样 (FAR) 用于信号生成.
• 增强注意力的动态时间变形 (DTW) 用于个别降解阶段的识别.
• 混合多尺度网络,重视特征提取和贝叶斯融合.
• 深度决定性政策梯度 (DDPG) 用于适应性参数优化.

主要成果:

• ADAPT-RULNet显示了较低的平均根平均平方误差 (RMSE).
• 与现有方法相比,拟议的模型实现了更高的预测准确性.
• 在飞机发动机和铁路货车轮上成功进行了评估.

结论:

• ADAPT-RULNet有效地捕捉了个体差异和复杂的操作条件.
• 该框架为工业应用提供了更好的预测准确性和稳定性.
• 整合DL和DLR为RUL预测提供了适应性优化.