Domain Adaptation via Alignment of Operation Profile for Remaining Useful Lifetime Prediction

要約

効果的な予後および健康管理 (PHM) は、残存耐用年数 (RUL) の正確な予測に依存しています。
データ駆動型の RUL 予測手法は、利用可能な障害発生までの時間の軌跡の代表性に大きく依存します。
したがって、これらの方法は、訓練されたものとは異なる動作条件に従うフリートの新しいユニットからのデータに適用すると、うまく機能しない可能性があります。
これはドメイン シフトとも呼ばれます。
ドメイン アダプテーション (DA) 手法は、ドメイン不変の特徴を抽出することでドメイン シフト問題に対処することを目的としています。
ただし、DA メソッドは、定常状態や過渡状態など、動作のさまざまなフェーズを区別しません。
これにより、さまざまな動作フェーズが過小または過大に表現されるため、不整合が発生する可能性があります。
この論文では、動作プロファイルの異なるフェーズを個別に考慮する敵対的ドメイン適応フレームワークに基づいた、RUL 予測のための 2 つの新しい DA アプローチを提案します。
提案された方法論は、ソース ドメインの動作プロファイルの各フェーズの限界分布を、ターゲット ドメインの対応するフェーズと一致させます。
提案された手法の有効性は、New Commercial Modular Aero-Propulsion System (N-CMAPSS) データセットを使用して評価されます。このデータセットでは、3 つの異なる飛行クラス (短距離、中距離、長距離) のいずれかで動作するターボファン エンジンのサブフリートが扱われます。
別のドメインとして。
実験結果は、提案された方法が現在の最先端の DA 方法と比較して RUL 予測の精度を向上させることを示しています。

要約(オリジナル)

Effective Prognostics and Health Management (PHM) relies on accurate prediction of the Remaining Useful Life (RUL). Data-driven RUL prediction techniques rely heavily on the representativeness of the available time-to-failure trajectories. Therefore, these methods may not perform well when applied to data from new units of a fleet that follow different operating conditions than those they were trained on. This is also known as domain shifts. Domain adaptation (DA) methods aim to address the domain shift problem by extracting domain invariant features. However, DA methods do not distinguish between the different phases of operation, such as steady states or transient phases. This can result in misalignment due to under- or over-representation of different operation phases. This paper proposes two novel DA approaches for RUL prediction based on an adversarial domain adaptation framework that considers the different phases of the operation profiles separately. The proposed methodologies align the marginal distributions of each phase of the operation profile in the source domain with its counterpart in the target domain. The effectiveness of the proposed methods is evaluated using the New Commercial Modular Aero-Propulsion System (N-CMAPSS) dataset, where sub-fleets of turbofan engines operating in one of the three different flight classes (short, medium, and long) are treated as separate domains. The experimental results show that the proposed methods improve the accuracy of RUL predictions compared to current state-of-the-art DA methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google