无全周期数据预测RUL
该模型结合动态机理与深度自编码器结构，能在退化数据不足时精确仿真物理资产状态，为迁移学习生成高质量全周期数据。
Cheng, Han · 孔宪光 · 王奇斌 · 马洪波 · Yang, Shengkang · Xu, Kun
Reliability Engineering and System Safety 2023
通过动态机理与GAN-DAE构建仿真模型，即使缺少全周期数据也能生成多种退化类型的完整数据。
缺陷演化规律基于多种非线性函数，引导仿真模型生成不同类型的全周期退化数据，覆盖更多工况。
MDJAN通过消除个体间局部分布差异，将生成数据信息适配到实际空间，提升RUL预测准确性。
在轴承外圈故障案例的同工况和跨工况下，均比现有最先进方法预测更准确。