非全生命周期RUL预测模型

少样本也精准

融合自监督与监督学习，利用工业界广泛存在的非全生命周期数据预测机械设备剩余寿命。

林天骄 · 宋浏阳 · 崔玲丽 · 王华庆

Advanced Engineering Informatics 2024

技术优势

不需完整寿命数据

自监督预训练阶段仅使用工业中大量存在的非全生命周期数据，从而摆脱对完整运行到失效数据的依赖。

抗高频噪声干扰

Contrastive Predictive Coding编码器与Transformer解码器组合能提取低频重要特征，减少传感器高频噪声的影响。

与最优方法比肩

在轴承和城轨轮对两个数据集上，RUL预测精度达到或超过现有最优方法。

应用场景

• 机械故障预测性维护：用非全生命周期数据即可建立预测模型，降低机械系统维护的数据收集成本。
• 无人机关键部件寿命预测：模型可用于无人机关键部件的剩余寿命预测，提高飞行安全性。
• 航天器部件健康管理：在获取全生命周期数据困难的情况下，利用非全生命周期数据进行健康管理。
• 机器人关节寿命预测：模型可在机器人关节数据有限时进行寿命预测，支持及时维护。