Utilizing Autoregressive Networks for Full Lifecycle Data Generation of Rolling Bearings for RUL Prediction

要約

転がり軸受の寿命の予測は、工業生産において非常に重要です。
ただし、高品質でライフサイクル全体のデータが不足していることが、正確な予測を達成する上での大きな制約となっています。
この課題に対処するために、この論文では、過去の振動データと残りの耐用年数に基づいて、水平方向と垂直方向の両方に一次元の振動信号を生成できる新しいフレームワークである CVGAN モデルを紹介します。
さらに、以前に生成された振動情報を繰り返し利用して電流信号の生成をガイドできる自己回帰生成方法を提案します。
CVGAN モデルの有効性は、PHM 2012 データセットに対して行われた実験を通じて検証されています。
私たちの調査結果は、MMD メトリクスと FID メトリクスの両方の点で、CVGAN モデルが自己回帰生成モードと非自己回帰生成モードの両方で多くの高度な手法よりも優れていることを示しています。
特に、CVGAN モデルによって生成されたライフサイクル全体のデータを使用したトレーニングにより、予測モデルのパフォーマンスが大幅に向上します。
この結果は、CVGans によって生成されたデータがこれらのモデルの予測力を強化する効果があることを強調しています。

要約(オリジナル)

The prediction of rolling bearing lifespan is of significant importance in industrial production. However, the scarcity of high-quality, full lifecycle data has been a major constraint in achieving precise predictions. To address this challenge, this paper introduces the CVGAN model, a novel framework capable of generating one-dimensional vibration signals in both horizontal and vertical directions, conditioned on historical vibration data and remaining useful life. In addition, we propose an autoregressive generation method that can iteratively utilize previously generated vibration information to guide the generation of current signals. The effectiveness of the CVGAN model is validated through experiments conducted on the PHM 2012 dataset. Our findings demonstrate that the CVGAN model, in terms of both MMD and FID metrics, outperforms many advanced methods in both autoregressive and non-autoregressive generation modes. Notably, training using the full lifecycle data generated by the CVGAN model significantly improves the performance of the predictive model. This result highlights the effectiveness of the data generated by CVGans in enhancing the predictive power of these models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google