基于多尺度双向时序卷积与改进Informer的时空混合方法在剩余寿命预测中的创新研究

《JOURNAL OF INTELLIGENT MANUFACTURING》：A spatio-temporal hybrid method with multi-scale BiTCN and modified informer for remaining useful life prediction

为解决设备退化过程中多维多尺度特征提取困难及预测精度与效率难以平衡的问题，来自国内的研究人员开展了基于多尺度BiTCN和改进Informer（引入深度可分离卷积和金字塔自注意力机制）的时空混合方法研究。实验表明，该方法在CMAPSS和N-CMAPSS平台上显著提升了预测性能：均方根误差降低6.86-8.45%，综合评分提升19.44-38.03%，测试时间与内存占用分别减少17.96-21.88%和12.41-17.15%，为设备可靠性评估提供了更精准高效的解决方案。

　　

剩余使用寿命（RUL）预测对可靠性评估和维修决策具有重要价值。然而，由于设备退化同时受时空动态特征影响，且表现为多维度、多尺度的特性（如瞬时异常与长期退化模式），传统方法难以有效提取相关特征。此外，复杂模型虽精度高但耗时长，轻量模型则需以精度换取效率。

为此，本研究提出一种并行结构的时空混合预测方法：首先构建多尺度双向时序卷积（BiTCN）捕捉时间依赖性；其次采用改进的Informer模型，通过深度可分离卷积（DSC）和金字塔自注意力机制提取空间关联；最终通过特征融合映射输出RUL值。在CMAPSS和N-CMAPSS仿真平台的验证表明，该方法相较主流模型显著优化了性能——均方根误差（RMSE）分别降低8.45%和6.86%，综合评分提升19.44%和38.03%，测试时间缩短17.96%和21.88%，内存占用减少12.41%和17.15%。这一成果为工业设备健康管理提供了兼具精度与效率的预测新范式。