基于對抗遷移的旋轉組件RUL預測方法研究

摘要： 目前大多數(shù)旋轉組件深度學習剩余使用壽命(RUL)預測方法通常是假設訓練數(shù)據(jù)和測試數(shù)據(jù)有相同的數(shù)據(jù)分布，造成模型在不同工況下的預測準確率比較低。為了解決上述問題，以旋轉多組件RUL預測模型為遷移對象，針對源域與目標域工況存在差異，目標域缺乏標簽樣本的遷移場景，引入了域分類器，結合源域的標簽數(shù)據(jù)目標域的無標簽數(shù)據(jù)重新訓練RUL預測模型中的特征提取網(wǎng)絡，在訓練過程中加入自關聯(lián)性及對應...