基于对抗迁移的旋转组件RUL预测方法研究

来源：电子测量技术杂志2023年第14期北京时间：

作者：刘夏丽，邓耀华，郭承旺

单位：广东工业大学机电工程学院 广州 510006

摘要：目前大多数旋转组件深度学习剩余使用寿命(RUL)预测方法通常是假设训练数据和测试数据有相同的数据分布，造成模型在不同工况下的预测准确率比较低。为了解决上述问题，以旋转多组件RUL预测模型为迁移对象，针对源域与目标域工况存在差异，目标域缺乏标签样本的迁移场景，引入了域分类器，结合源域的标签数据目标域的无标签数据重新训练RUL预测模型中的特征提取网络，在训练过程中加入自关联性及对应性约束，提升其对公共特征的提取能力，从而实现模型在不同场景的迁移应用。利用XJTU-SY公开数据集对迁移模型测试结果表明，相对于原预测模型，本文所述方法在新工况下的预测准确率更高；相比于其他迁移方法，本文方法预测误差更小，在变工况下的旋转组件剩余使用寿命预测迁移问题上具有更好的效果。

关键词：旋转组件;剩余使用寿命预测;迁移学习;对抗训练

基金资助：国家自然科学基金(52175457)、广东省重点领域研发计划(2019B010154001)项目资助