实现设备的可推广RUL预测：基于深度高斯过程的双维持续学习方法

《Scientific Reports》：Enabling generalizable RUL prediction for equipment: a dual-dimensional continual learning approach based on deep Gaussian process

　　

摘要

准确预测高端旋转机械的剩余使用寿命对于其智能维护至关重要，这类机械往往在复杂多变的工况下运行。然而，传统的预测模型由于领域差异，在应用于新场景时性能往往会下降。本研究提出了一种新的预测框架，该框架将深度高斯过程与二维约束连续学习策略相结合，以应对这些挑战。具体而言，该框架利用深度高斯过程的概率特性来量化设备退化过程中的固有不确定性。为保留跨领域的退化知识，我们采用了弹性权重巩固方法来锁定关键权重，同时运用梯度周期记忆方法来修正与既定退化模式相冲突的梯度空间中的更新方向。这两种技术共同构成了二维约束连续学习框架。这种协同方法使得深度高斯过程能够逐步吸收来自不同工况（跨工况）和不同类型机器（跨设备）的知识，而不会出现灾难性遗忘现象。实验结果表明，所提出的框架不仅具有出色的抗灾难性遗忘能力以及良好的多场景适应能力，还能通过二维连续学习策略实现比现有方法更高的预测精度。此外，内置的深度高斯过程模块能够提供可靠的不确定性量化结果，为在复杂工况下的智能维护决策提供有力支持。