知识增强卷积Transformer模型

RMSE降32%

通过知识增强与集成策略，该模型显著提升了变工况下剩余寿命预测的鲁棒性与准确性。

Yuan, Li · Li, Jingwei · Wang, Huanjie · 刘承宝 · 谭杰

Reliability Engineering and System Safety 2024

参数信息

RMSE降低

32.0 %

MAPE降低

16.2 %

技术优势

RMSE降32%

相比代表性方法，RMSE降低32.0%，预测精度显著提升。

MAPE降16.2%

MAPE降低16.2%，预测误差进一步缩小。

抗工况变化

通过特征提取网络传递工况信息，使模型能够适应变工况环境。

应用场景

• 工业设备预测性维护：通过准确预测剩余寿命，帮助工厂提前安排维护，减少非计划停机。
• 旋转机械健康管理：适用于轴承等旋转部件的健康监测，及时发现性能退化趋势。
• 机械可靠性评估：利用预测的剩余寿命评估设备可靠性，辅助决策是否继续运行。
• 设备寿命预测：提供数据驱动的剩余寿命估计，取代传统经验公式。