自适应稀疏图学习算法

参数依赖低，易部署

通过数字孪生字典构建覆盖多种退化行为的图学习方法，解决了滚动轴承剩余寿命预测中数据不足和参数敏感的问题。

崔玲丽 · Xin, Wang · Liu, Dongdong · 王华庆

IEEE Transactions on Industrial Informatics 2024

技术优势

数据不足也能预测

通过建立扩展指数模型和扩展线性分段模型，构建覆盖多种退化行为的数字孪生字典，弥补训练数据不足。

无需反复调参

在目标函数中引入稀疏正则化，自适应获得数据拓扑图，避免了因参数选择不当导致的邻接关系错误。

预测精度更高

仿真和实验结果表明，数字孪生字典的预测精度高于仅使用实验样本，且优于现有先进方法。

应用场景

• 旋转机械健康监测：利用振动数据实时预测轴承剩余寿命，提前预警避免非计划停机。
• 工业设备预测性维护：为维护计划提供寿命预测依据，从定期维护转向按需维护。
• 机械状态评估：通过构建的退化字典匹配实际退化轨迹，评估轴承当前健康状态。
• 工业机器人轴承维护：适用于机器人关节轴承等小样本场景，降低数据采集成本。