基于时空特征深度学习的关键设备剩余使用寿命预测框架

中存储消息，从中科院官网获悉，近日，中国科学院沈阳自动化研究所在工业设备智能维护管理研究方面取得新进展。相关研究成果以A spatiotemporal feature learning-based RUL estimation method for predictive maintenance为题，发表在Measurement上。

沈阳自动化所智能检测与装备研究室IDE团队提出了基于时空特征深度学习的关键设备剩余使用寿命预测框架，设计了处理采集到的反应设备状态的传感器数据的时空数据特征挖掘方法，能够学习到传感器历史数据中表征时空相关性的一致性退化模式，从而显著提升预测精度。此外，该团队提出了一种端到端多层次信号级预测框架，能够在无需专家知识与手工特征的前提下进行预测工作，提高了方法通用性与自适应性。

科研人员通过这一方法在航空发动机性能退化预测C-MAPSS数据集、刀具磨损数据集PHM2010进行了详细的实验和分析。实验表明，该方法相比当前较多使用的SOTA方法，具有更低的拟合误差与更好的综合性能。

IDE团队长期专注于智能产线领域的关键技术及系统研发，先后承担国家重点研发计划和国家自然科学基金重点项目等，在故障诊断、工业互联网、在机测量与自适应加工等方面的研究取得了多项突破成果，部分成果在航空航天、汽车装配业应用。

研究工作得到国家自然科学基金、中国科学院战略性先导科技专项和辽宁省自然科学基金的支持。

端到端性能退化预测框架

声明： 此文观点不代表本站立场；转载须要保留原文链接；版权疑问请联系我们。