Meta-Learning and Knowledge Discovery based Physics-Informed Neural Network for Remaining Useful Life Prediction

要約

回転機械の残りの耐用年数（RUL）を予測することは、産業の安全性とメンテナンスにとって重要ですが、既存の方法は希少な標的ドメインデータと不明確な劣化ダイナミクスと闘っています。
これらの課題に対処するために、メタ学習および知識発見に基づく物理学に基づいた神経ネットワーク（MKDPINN）を提案します。
このメソッドは、最初に、非表示の状態マッパー（HSM）を介して低次元の隠れた状態空間にノイズの多いセンサーデータをマップします。
物理誘導レギュレーター（PGR）は、分解の進化を支配する未知の非線形PDESを学習し、これらの物理的制約をPINNフレームワークに埋め込みます。
これにより、データ駆動型および物理ベースのアプローチが統合されます。
このフレームワークでは、メタラーニングを使用して、ソースドメインメタタスク全体で最適化して、新しいターゲットタスクへの少数のショット適応を可能にします。
産業データとC-Mapssベンチマークに関する実験は、Mkdpinnが一般化と精度のベースラインを上回ることを示しており、データ不足の下でのRUL予測の有効性を証明しています

要約(オリジナル)

Predicting the remaining useful life (RUL) of rotating machinery is critical for industrial safety and maintenance, but existing methods struggle with scarce target-domain data and unclear degradation dynamics. We propose a Meta-Learning and Knowledge Discovery-based Physics-Informed Neural Network (MKDPINN) to address these challenges. The method first maps noisy sensor data to a low-dimensional hidden state space via a Hidden State Mapper (HSM). A Physics-Guided Regulator (PGR) then learns unknown nonlinear PDEs governing degradation evolution, embedding these physical constraints into the PINN framework. This integrates data-driven and physics-based approaches. The framework uses meta-learning, optimizing across source-domain meta-tasks to enable few-shot adaptation to new target tasks. Experiments on industrial data and the C-MAPSS benchmark show MKDPINN outperforms baselines in generalization and accuracy, proving its effectiveness for RUL prediction under data scarcity

arxiv情報

提供元, 利用サービス

arxiv.jp, Google