传感器感知胶囊网络

剩余寿命预测更可信

该网络通过胶囊级蒙特卡洛dropout量化预测不确定性，并解释多传感器融合中各传感器的贡献，克服了现有多传感器融合模型在可信度和可解释性上的不足，可提高机械设备剩余寿命预测的合理性与准确性。

Dongpeng, Li · Chen, Jiaxian · 黄如意 · 陈祝云 · 李巍华

Journal of Manufacturing Systems 2024

技术优势

预测结果带不确定性

通过胶囊激活水平的蒙特卡洛dropout，预测RUL的同时量化不确定性，避免模型给出过度自信的错误结果。

能解释每个传感器的贡献

该框架可对多传感器融合进行归因解释，展示每个传感器对最终预测和不确定性的贡献，让决策有据可循。

准确率超过主流深度学习方法

在C-MAPSS数据集上，所提方法优于常用的深度学习模型，适合实际部署。

应用场景

• 机械设备健康管理：为设备健康评估提供带不确定性的RUL预测，辅助维护决策。
• 预测性维护：预测结果附带不确定性，可据此优化维护时机，降低意外停机风险。
• 工业机器人维护：可融合机器人多传感器信号预测寿命，指导备件管理与预防性更换。
• 无人机状态监测：通过传感器贡献解释与不确定性评估，提升无人机状态监测的可信度。