贝叶斯对抗Transformer模型

长时预测不堆误差

用对抗学习抑制多工况下的累积误差，并引入贝叶斯网络量化预测不确定性，长时RUL预测更稳健。

程永波 · Junheng, Qv · Feng, Ke · 韩特

Reliability Engineering and System Safety 2024

技术优势

误差累积被抑制

对抗学习缓解长时预测中因工况变化导致的累积差异损失，减少误差累积。

特征提取更高效

Probsparse多头注意力聚焦长时序中的显著退化特征，降低计算复杂度。

预测不确定性被量化

引入贝叶斯神经网络量化RUL预测的不确定性，为维护决策提供置信度。

性能优于现有模型

在两个商用航空涡扇发动机数据集上的结果表明，BAPT模型优于现有最优模型。

应用场景

• 机械设备健康管理：提供带不确定性的长时剩余寿命预测，支撑基于风险的维护决策。
• 工程系统状态监测：从多工况长时序数据中提取关键退化特征，提高状态评估可靠性。
• 无人机动力系统维护：预测动力系统剩余寿命，提前安排维护避免飞行中失效。
• 航空发动机寿命管理：提升航空发动机长时寿命预测精度，防止过拟合导致的错误估计。
• 航天器部件健康预测：量化预测不确定性，为航天器部件健康管理提供可靠置信区间。