机构名称：
¥ 1.0
在预测和健康管理 (PHM) 中，从大量状态监测数据构建综合健康指标 (HI) 的任务起着至关重要的作用。HI 可能会影响剩余使用寿命 (RUL) 预测的准确性和可靠性，并最终影响系统退化状态的评估。大多数现有方法都先验地假设被研究机械的退化规律过于简单，这在实践中可能无法恰当地反映现实。特别是对于在随时间变化的外部条件下运行的复杂程度高的安全关键工程系统，退化标签不可用，因此监督方法不适用。为了解决上述推断 HI 值的挑战，我们提出了一种新的基于反因果关系的框架，通过从因果模型的影响中预测原因来降低模型复杂度。提出了两种用于推断结构因果模型的启发式方法。首先，从时间序列的复杂性估计中识别因果驱动因素，其次，通过 Granger 因果关系推断出一组效应测量参数。一旦知道了因果模型，离线反因果学习只需几个健康周期就能确保强大的泛化能力，从而有助于获得 HI 的稳健在线预测。我们在 NASA 的 N-CMAPSS 数据集上验证并比较了我们的框架，并与商用喷气式飞机上记录的实际运行条件进行了比较，这些条件用于进一步增强 CMAPSS 模拟模型。提出的具有反因果学习的框架优于现有的深度学习架构，将所有调查单元的平均均方根误差 (RMSE) 降低了近 65%。
人工智能的工程应用
主要关键词
相关文件推荐
