Predicción del tiempo de vida útil restante basada en aprendizaje profundo utilizando una red de convolución dilatada multi-escala
Autores: Deng, Feiyue; Bi, Yan; Liu, Yongqiang; Yang, Shaopu
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Predicción del tiempo de vida útil restante basada en aprendizaje profundo utilizando una red de convolución dilatada multi-escala
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Vida útil restante
Aprendizaje profundo
Predicción de VUR
CNNs multi-escala
Núcleos de convolución
Eficiencia operativa
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
La predicción de la vida útil restante (RUL) de componentes clave es un factor influyente importante para tomar decisiones de mantenimiento precisas en sistemas mecánicos. Con el rápido desarrollo de técnicas de aprendizaje profundo (DL), la investigación sobre la predicción de RUL basada en el modelo de datos está cada vez más extendida. En comparación con las redes neuronales convolucionales convencionales (CNN), las CNN multi-escala pueden extraer información de características de diferentes escalas, lo que muestra un mejor rendimiento en la predicción de RUL. Sin embargo, las CNN multi-escala existentes emplean múltiples núcleos de convolución con diferentes tamaños para construir el marco de la red. Hay dos principales deficiencias en este enfoque: (1) la operación de convolución basada en múltiples núcleos de convolución de diferentes tamaños requiere una enorme computación y tiene una baja eficiencia operativa, lo que restringe severamente su aplicación en la ingeniería práctica. (2) La capa de convolución con un núcleo de convolución de gran tamaño necesita una gran cantidad de parámetros de peso, lo que conlleva un aumento dramático en el tiempo de entrenamiento de la red y la hace propensa al sobreajuste en el caso de conjuntos de datos pequeños. Para abordar los problemas anteriores, se propone en este artículo una red de convolución dilatada multi-escala (MsDCN) para la predicción de RUL. El MsDCN adopta una nueva unidad de fusión de convolución de dilatación multi-escala (MsDCFU), en la que el marco de la red multi-escala está compuesto por operaciones de convolución con diferentes factores de dilatación. Esto expande efectivamente el rango de campo receptivo (RF) para el núcleo de convolución sin una carga computacional adicional. Además, el MsDCFU emplea la convolución separable en profundidad (DSC) para mejorar aún más la eficiencia operativa del modelo de pronóstico. Finalmente, el método propuesto se validó con datos de prueba de degradación acelerada de rodamientos de elementos rodantes (REB). Los resultados experimentales demuestran que el MSDCN propuesto tiene una mayor precisión en la predicción de RUL en comparación con algunas CNN típicas y una mejor eficiencia operativa que las CNN multi-escala existentes basadas en diferentes tamaños de núcleo de convolución.
Descripción
La predicción de la vida útil restante (RUL) de componentes clave es un factor influyente importante para tomar decisiones de mantenimiento precisas en sistemas mecánicos. Con el rápido desarrollo de técnicas de aprendizaje profundo (DL), la investigación sobre la predicción de RUL basada en el modelo de datos está cada vez más extendida. En comparación con las redes neuronales convolucionales convencionales (CNN), las CNN multi-escala pueden extraer información de características de diferentes escalas, lo que muestra un mejor rendimiento en la predicción de RUL. Sin embargo, las CNN multi-escala existentes emplean múltiples núcleos de convolución con diferentes tamaños para construir el marco de la red. Hay dos principales deficiencias en este enfoque: (1) la operación de convolución basada en múltiples núcleos de convolución de diferentes tamaños requiere una enorme computación y tiene una baja eficiencia operativa, lo que restringe severamente su aplicación en la ingeniería práctica. (2) La capa de convolución con un núcleo de convolución de gran tamaño necesita una gran cantidad de parámetros de peso, lo que conlleva un aumento dramático en el tiempo de entrenamiento de la red y la hace propensa al sobreajuste en el caso de conjuntos de datos pequeños. Para abordar los problemas anteriores, se propone en este artículo una red de convolución dilatada multi-escala (MsDCN) para la predicción de RUL. El MsDCN adopta una nueva unidad de fusión de convolución de dilatación multi-escala (MsDCFU), en la que el marco de la red multi-escala está compuesto por operaciones de convolución con diferentes factores de dilatación. Esto expande efectivamente el rango de campo receptivo (RF) para el núcleo de convolución sin una carga computacional adicional. Además, el MsDCFU emplea la convolución separable en profundidad (DSC) para mejorar aún más la eficiencia operativa del modelo de pronóstico. Finalmente, el método propuesto se validó con datos de prueba de degradación acelerada de rodamientos de elementos rodantes (REB). Los resultados experimentales demuestran que el MSDCN propuesto tiene una mayor precisión en la predicción de RUL en comparación con algunas CNN típicas y una mejor eficiencia operativa que las CNN multi-escala existentes basadas en diferentes tamaños de núcleo de convolución.