一种基于观测可信度推断的受限学习网络用于少样本退化建模

学术背景

在复杂工程系统中，多传感器广泛应用于监控设备的退化过程并预测其剩余使用寿命（Remaining Useful Life, RUL）。然而，在仅有少量样本的情况下，确保预测性能仍然具有挑战性。少样本场景下，传感器数据中的不一致观测（discordant observations）会引入大量不确定性，导致经验损失与预期损失相差甚远。此外，学习到的退化模型往往会在有限的可用样本上过拟合，导致模型参数分布偏差，从而限制模型在未见样本上的泛化能力。为了解决这些问题，本论文提出了一种基于观测可信度推断（Observation Credibility Inference, OCI）的受限学习网络，用于少样本退化建模。

该研究旨在开发一种适用于少样本场景的退化建模方法，用于状态监测和RUL预测，解决了实践中如何识别并处理传感器数据中的不一致观测，以及如何在少样本场景下防止过拟合的问题。

论文来源

本文由Ying Wang、Fangyu Li、Di Wang和Wei Qin共同撰写，分别来自上海交通大学机械工程学院工业工程与管理系和北京工业大学信息科学与技术学院。论文于2024年11月24日被接受，并发表在《IEEE Transactions on Automation Science and Engineering》期刊上。该研究得到了中国国家重点研发计划、国家自然科学基金和上海市自然科学基金的支持。

研究流程

1. 观测可信度推断（OCI）

为了识别传感器的数据中的不一致观测，作者提出了OCI方法。通过对传感器的数据进行分析，OCI能够找出那些与预期行为不符的观测值。这些不一致观测通常由测量误差、传输误差或传感器故障引起，会显著增加模型的不确定性。OCI通过引入一个事件参数（incident parameter）来补偿高斯分布噪声项，从而表征不一致观测的异常偏差。

2. 受限学习网络

OCI被整合到受限学习网络中。受限学习通过删除传感器数据中的不一致观测，强制对退化模型参数施加先验分布约束，以防止过拟合。这种方法确保了模型参数分布能够逼近预定义的目标先验分布，从而提高了模型在未见样本上的泛化能力。

3. 后验增强分类器

在删除了不一致观测后，作者构建了一个后验增强分类器，用于基于后验传感器路径估计健康状态，并进一步预测RUL。该分类器通过最小化关于后验传感器路径的预期损失进行优化，确保在仅有的少量样本情况下仍能提供可靠的预测。

主要结果与逻辑关系

1. OCI的识别效果：OCI成功识别出传感器数据中的不一致观测，并通过对这些观测的删除或修正，显著提高了退化模型的参数估计精度。
2. 受限学习的效果：通过受限学习，模型参数分布被有效约束，避免了过拟合问题，提高了模型在未见样本上的泛化能力。
3. 后验增强分类器的表现：后验增强分类器基于修正后的传感器数据，能够准确预测设备的健康状态和RUL。在飞机发动机退化数据集的案例研究中，该方法在少样本场景下表现优于基准方法。

结论与意义

本研究提出了一种结合OCI的受限学习网络，有效解决了少样本退化建模中的两大挑战：不一致观测的处理和模型过拟合的预防。该方法通过引入OCI识别并修正不一致观测，并结合受限学习确保模型参数的先验分布约束，显著提高了模型的预测性能和泛化能力。该研究为工程系统中的退化建模和RUL预测提供了一种新的解决方案，特别是在数据稀缺的情况下具有重要的应用价值。

研究亮点

1. 创新性的OCI方法：通过引入事件参数，OCI能够有效识别并处理传感器数据中的不一致观测，显著提高了数据质量。
2. 受限学习的引入：通过强制模型参数分布逼近预定义先验分布，受限学习有效防止了模型在少样本场景下的过拟合问题。
3. 后验增强分类器的设计：该分类器基于后验传感器路径进行健康状态估计，为RUL预测提供了更加可靠的依据。
4. 实际应用价值：该研究为工程系统中的设备状态监测和RUL预测提供了一种高效的方法，特别是在数据稀缺的场景下具有广泛的应用前景。

其他有价值的信息

作者在研究中公开了相关代码和数据，便于其他研究者进行复现和进一步研究。该研究为少样本学习在退化建模领域的应用提供了重要的理论和实践参考。