基于受控物理信息的数据生成，用于基于深度学习的未见过操作条件下的剩余寿命预测

Apr, 2023

基于受控物理信息的数据生成，用于基于深度学习的未见过操作条件下的剩余寿命预测

Controlled physics-informed data generation for deep learning-based remaining useful life prediction under unseen operation conditions

PDF

Jiawei Xiong, Olga Fink, Jian Zhou, Yizhong Ma

TL;DR提出了一种基于物理学信息生成和深度学习预测模型的新型混合框架，其中包括一个新的受控物理学信息生成对抗网络 (CPI-GAN)，该网络使用五个基本物理约束条件将生成的合成降级轨迹的变化趋势保持一致并提高了剩余寿命预测的准确性。与商业模块化航空推进系统模拟 (N-CMAPSS) 的实验结果表明，该框架能够产生与基础降级趋势一致的合成 TTF 轨迹，进而显著提高了剩余寿命预测的准确性。

Abstract

Limited availability of representative time-to-failure (TTF) trajectories either limits the performance of deep learning (DL)-based approaches on remaining useful life (RUL) prediction in practice or even precludes their application. Generating synthetic data that is physically plausib

remaining useful life prediction deep learning generative adversarial network physics-informed data generation turbofan engine

发现论文，激发创造

融合基于物理和深度学习模型的预测

本研究提出一种利用深度学习算法和基于物理性能模型的信息相结合的方法，针对实际场景下复杂的关键安全系统进行预测，实验结果表明这种混合框架比仅依靠数据驱动方法能够将预测范围延长近 127％。

Mar, 2020

用于估计飞机发动机剩余可用寿命的物理信息机器学习（PIML）方法

利用物理知情机器学习（PIML）领域开发模型来预测航空发动机的剩余寿命，采用 C-MAPSS 数据集，使用随机方法估计 C-MAPSS 数据的物理模型并将其应用于 LSTM 模型，结果表明 PIML 方法在这个问题上表现优异，同时该框架灵活性高，适用于其他情况。

Jun, 2024

用于剩余使用寿命预测的集成神经网络

使用集成神经网络进行概率剩余寿命预测的方法，可以区分出系统产生的 aleatoric 不确定性和模型参数产生的 (epistemic) 不确定性，并通过在 NASA 的涡轮喷气发动机 CMAPSS 数据集上的测试，展示了这些不确定性可以被建模和解释的方式，并与现有的先进方法进行了评估。

Sep, 2023

基于时空注意力机制的隐含物理知识神经网络用于剩余使用寿命预测

利用深度学习方法，本研究提出了一种基于时空注意力机制和隐藏的物理信息神经网络（STA-HPINN）用于预测剩余使用寿命（RUL），该模型能够有效地提取相关数据的降解信息，并且在物理约束下实现更高准确性和合理的预测，并在基准数据集上验证了其出色的性能。

May, 2024

基于时间深度降解网络和基于注意力的特征提取的复杂机械剩余寿命预测

使用一维卷积神经网络提取传感器数据的退化相关特征，并提出了时间深度退化网络 (TDDN) 模型来更加准确地预测剩余寿命，这个模型使用注意力机制来捕捉故障特征和退化发展，对公共 C-MAPSS 数据集进行评估，与现有方法进行比较，证明了 TDDN 模型在复杂条件下能够以最佳的 RUL 预测精度来预测涡轮风扇发动机的剩余使用寿命。

Feb, 2022

基于变动操作条件的变点检测综合剩余寿命估计模型

通过检测设备的变化点，并利用所学习的变化点来提高剩余使用寿命估计的准确性，该论文提出了一种基于时间动力学学习的新模型。通过将传感器数据分解为可推广并代表多种工况下正常操作动态的融合时间相关特征，来进行离线模型开发。从这些学到的时间特征动态构建监控统计和正常行为控制限阈值，用于无监督检测设备级别的变化点。然后，使用这些检测到的变化点来标记降解数据，以训练基于 LSTM 的剩余使用寿命估计模型。在在线监测期间，监测查询设备的时间相关动态是否超过离线训练得出的控制限。若检测到变化点，则使用训练有素的离线模型估计设备的剩余使用寿命，以进行早期预防措施。在以 C-MAPSS 涡轮风扇发动机为案例研究的情况下，该方法相比不考虑异质变化点的现有 LSTM 基准模型，将准确性提高了 5.6％和 7.5％（针对六种工况的两种情况）。

Jan, 2024

基于深度生成模型的半监督学习用于资产故障预测

本研究提出了一种基于深度神经网络参数化的生成模型和非线性嵌入技术的半监督学习方法，用于在历史数据中只部分了解健康状况的情况下建立资产故障的数据驱动建模。该方法可以使用有限的健康状况信息构建预测模型，精确预测未来资产的可靠性，实验结果表明深度生成模型所基于的非线性嵌入技术可以有效规范复杂模型，并实现高预测精度，不受健康状况信息可用性的影响。

Sep, 2017

基于深度学习的具有不确定故障模式的资产剩余寿命预测

该研究介绍了两个将混合（对数）位置 - 尺度分布与深度学习相结合的预测模型，以应对多个故障模式的系统中存在的多重重叠降级信号、未标记历史数据的存在以及不同故障模式之间信号的相似性等挑战，并验证了这些模型相对于现有方法的卓越性能。

May, 2024

利用运行特征对领域适应进行剩余寿命预测

本文提出了两种基于对抗性领域自适应框架的 DA 方法，用于提高使用不同操作条件的数据的剩余有用寿命预测的准确性，实验结果表明，与当前最先进的 DA 方法相比，所提出的方法显著提高了 RUL 预测的准确性。

Feb, 2023

物理注脚的模糊生成对抗网络用于鲁棒性失效预测

本论文提出了一种基于模糊逻辑和生成对抗网络的混合建模方法 - FuzzyGAN，该方法结合了基于物理的模型和数据驱动模型的优点，并在承载问题上显示出更准确的预后能力。

Jun, 2022