CN118171240B 一种满足跨工况场景应用的剩余使用寿命预测方法 （电子科技大学中山学院）

号一种满足跨工况场景应用的剩余使用寿命本发明公开了一种满足跨工况场景应用的InfoNCE损失函数最大化输入数据与提取出的特2全局特征分布对齐：采用最大均值差异即MMD来实现全局特征分通过在映射到再生核希尔伯特空间即RKHS后减去特征的平均值来量化两个域分布的差异，类方法将健康状态的退化数据样本作为一类，将处于不同退化阶段的数据样本分为10类，3于支持向量的二分类器在区分退化特征来自于源域还是2.根据权利要求1所述的一种满足跨工况场景应用的剩余使用寿命预测方法，其特征43.根据权利要求2所述的一种满足跨工况场景应用的剩余使用寿命预测方法，其特征所述步骤2)由于不同传感器的监测数据数量级有差别，对步骤1)中4.根据权利要求3所述的一种满足跨工况场景应用的剩余使用寿命预测方法，其特征所述步骤3)中的特征提取和分离模块：分成特征提取和特征分离两个域和目标域数据通过共同特征提取器和私有特征提取器提取并分离出共同特征和私有特特征提取：该部分的作用是通过退化数据来提取出退化特征特征分离：该部分的作用是将上一步提取出的特征分离成两5为了约束共同特征和私有特征不同，在它们之间添加了软子空间正交性约束，设损失表示为：通过最小化Ldiff约束共同特征提取器和私有特征提取器提取出来的特征不同，实现特5.根据权利要求4所述的一种满足跨工况场景应用的剩余使用寿命预测方法，其特征所述步骤4)中的深度特征自适应模块：该部分的作用是从全局分布和局部分其中和分别表示第j个源域样本的真实标签和分类标签，根据子域的分类结66.根据权利要求5所述的一种满足跨工况场景应用的剩余使用寿命预测方法，其特征为了确保提取出的共同特征和私有特征具有代表的InfoNCE损失函数来最大化提取出的特征与输入数据之间的互信息，其中互信息的意义征fC为了最大化互信息，采用了对比学习中的InfoNCE损失，Infj与输入数据之间的互信息:j7.根据权利要求6所述的一种满足跨工况场景应用的剩余使用寿命预测方法，其特征领域特征被输入到标签预测器P，生成RUL预测值，采用均方根7模型的目标函数由3个部分组成，回归预测损失Llabel、动态分布自适应损失LDDA、8移学习被引入到RUL预测中。迁移学习可以将知识从有足够标记数据的领域转移到不同但行RUL预测大多建立在对齐不同工况下的共同特征分布，忽略了不同共同工况下的私有特9共同特征的全局和局部分布差异，同时采用对比学习中的InfoNCE损失函数最大化输入数[0011]5).采用对比学习中的InfoNCE损失函数最大化输入数据与提取出的特征的互信[0015]传感器读数采用滑动时间窗口将数据转化为模型所需要将源域和目标域数据通过共同特征提取器和私有特征提取器提取并分离出共同特征和私,E[0032]通过最小化Ldiff可以约束共同特征提取器和私有特征提取器提取出来的特征不条件概率分布两个角度自适应地对齐每个域对的全局和局部特征该方法能够根据实际退可以通过在映射到再生核希尔伯特空间即RKHS后减去特征的平均值来量化两个域分布的[0042]其中ef和分别表示第j个源域样本的真实标签和分类标签，根据子域的分Lmwo=2(1-2e(f⃞fE))(14)示基于支持向量的二分类器在区分退化特征来自于源域习中的InfoNCE损失函数来最大化提取出的特征与输入数据之间的互信息，其中互信息的[0086]5).采用对比学习中的InfoNCE损失函数最大化输入数据与提取出的特征的互信[0091]传感器读数采用滑动时间窗口将数据转化为模型所需要将源域和目标域数据通过共同特征提取器和私有特征提取器提取并分离出共同特征和私[0108]通过最小化Ldiff可以约束共同特征提取器和私有特征提取器提取出来的特征不条件概率分布两个角度自适应地对齐每个域对的全局和局部特征该方法能够根据实际退可以通过在映射到再生核希尔伯特空间即RKHS后减去特征的平均值来量化两个域分布的[0118]其中和分别表示第j个源域样本的真实标签和分类标签，根据子域的分示基于支持向量的二分类器在区分退化特征来自于源域习中的InfoNCE损失函数来最大化提取出的特征与输入数据之间的互