基于贝叶斯深度学习的剩余使用寿命估计方法：采用斯坦因变分梯度下降算法

《IEEE Transactions on Automation Science and Engineering》：Bayesian Deep Learning for Remaining Useful Life Estimation via Stein Variational Gradient Descent

预测性维护中基于Stein变分梯度下降的贝叶斯神经网络方法有效解决了剩余使用寿命估计的不确定性量化问题，实验显示其收敛速度和预测性能优于传统参数变分推断及频率主义方法，并提出了利用不确定性信息的改进方法。

　　

摘要：

在预测性维护中，一个关键任务是估计物理系统的剩余使用寿命。在过去的十年里，深度学习在预测性能方面显著改进了传统的基于模型和统计的方法。然而，为了最佳地规划维护操作，量化预测中的不确定性也非常重要。这个问题可以通过将标准的频率主义神经网络转换为贝叶斯神经网络来解决，后者天生能够提供估计值的置信区间。有多种方法可以用于训练这些模型。研究人员主要集中在参数化变分推断和基于采样的技术上，但这些技术分别存在近似能力有限和计算负担较大的问题。在这项工作中，我们使用了Stein变分梯度下降算法，这是一种最近提出的用于近似难以处理分布的算法，它克服了上述技术的缺点。特别是，我们通过对模拟的涡轮风扇发动机退化数据和真实的工业电池退化数据进行实验研究，证明了通过Stein变分梯度下降训练的贝叶斯深度学习模型在收敛速度和预测性能方面始终优于通过参数化变分推断训练的相同模型以及通过反向传播训练的频率主义模型。此外，我们还提出了一种基于贝叶斯模型提供的不确定性信息来提升性能的方法。