预测性维护算法

自校准寿命预测

该算法以分组深度可分离卷积捕捉多维退化特征，并引入门控注意力单元以一半计算量建模时序依赖，实现了高效、高精度的剩余使用寿命预测。

Ge, Yang · Sun, Guodong · 徐本连

Engineering Applications of Artificial Intelligence 2025

参数信息

RMSE降低

32.3 %

MAE降低

36.5 %

注意力计算成本降低

50 %

技术优势

预测更准

通过分组深度可分离卷积实现跨维度特征交互，捕捉更全面的退化模式，RMSE和MAE分别降低32.3%和36.5%。

给出置信区间

双重不确定性量化系统同时建模认知不确定性和偶然不确定性，为每次预测提供可靠区间，支持工业决策。

计算量减半

门控注意力单元（GAU）比标准自注意力机制计算成本降低50%，模型更轻量，适合在线部署。

应用场景

• 旋转机械预测性维护：提供带置信区间的剩余寿命预测，支持维修决策。
• 电池寿命预测：模型架构可迁移到电池退化预测，并附带不确定性量化。
• 外骨骼关节寿命预测：轻量注意力机制和不确定性输出适合外骨骼关节磨损预测。