Deep Learning-Based Residual Useful Lifetime Prediction for Assets with Uncertain Failure Modes

工业预测学专注于利用退化信号来预测和不断更新复杂工程系统的剩余可用寿命。然而，对于存在多种故障模式的系统，现有的预测模型在实际应用中面临着几个挑战，包括来自多个组件的重叠退化信号、存在未标记的历史数据以及不同故障模式之间信号的相似性。为了解决这些问题，本研究介绍了两种将混合（对数）-位置-尺度分布与深度学习相结合的预测模型。这种整合有助于建模重叠的退化信号，消除了显式故障模式识别的需要，并利用深度学习来捕捉退化信号和剩余可用寿命之间的复杂非线性关系。数值研究验证了这些提出的模型相对于现有方法的卓越性能。

本论文旨在解决多故障模式系统中利用退化信号进行工业预测的挑战，包括多个组件的重叠退化信号、未标记历史数据的存在以及不同故障模式之间信号的相似性。

本文提出了两种预测模型，将混合（对数）-位置-尺度分布与深度学习相结合，以解决多故障模式系统的工业预测问题。这种集成方式有助于建模重叠的退化信号，消除了明确故障模式识别的需求，并利用深度学习来捕捉退化信号和剩余寿命之间的复杂非线性关系。

论文通过数值研究验证了所提出的模型相对于现有方法的卓越性能。实验使用了多个数据集，并提供了开源代码。值得进一步研究的工作包括模型的解释性和可解释性以及在其他领域中的应用。

最近在这个领域中，还有一些相关研究，如《A Review on Prognostics and Health Management of Electric Vehicle Batteries》和《Deep Learning for Prognostics and Health Management: Current Status and Future Opportunities》。