Un réseau d’apprentissage restreint avec inférence de crédibilité d’observation pour la modélisation de dégradation avec peu d’échantillons

Contexte académique

Dans les systèmes d’ingénierie complexes, les capteurs multiples sont largement utilisés pour surveiller le processus de dégradation des équipements et prédire leur durée de vie utile restante (Remaining Useful Life, RUL). Cependant, garantir les performances de prédiction avec seulement un petit nombre d’échantillons reste un défi. Dans les scénarios avec peu d’échantillons, les observations discordantes (discordant observations) dans les données des capteurs introduisent une incertitude considérable, entraînant une perte empirique loin de la perte attendue. De plus, le modèle de dégradation appris a tendance à sur-appliquer sur les quelques échantillons disponibles, ce qui entraîne une distribution biaisée des paramètres du modèle, limitant ainsi la capacité de généralisation du modèle sur des échantillons non vus. Pour résoudre ces problèmes, cet article propose un réseau d’apprentissage restreint avec inférence de crédibilité d’observation (Observation Credibility Inference, OCI) pour la modélisation de dégradation avec peu d’échantillons.

Cette étude vise à développer une méthode de modélisation de dégradation adaptée aux scénarios avec peu d’échantillons, pour la surveillance de l’état et la prédiction de la RUL, en résolvant les problèmes pratiques de comment identifier et traiter les observations discordantes dans les données des capteurs, et comment prévenir la sur-application dans les scénarios avec peu d’échantillons.

Source de l’article

Cet article est co-écrit par Ying Wang, Fangyu Li, Di Wang et Wei Qin, respectivement issus du Département de génie industriel et de gestion de l’École de génie mécanique de l’Université Jiao Tong de Shanghai et de l’École des sciences et technologies de l’information de l’Université de technologie de Beijing. L’article a été accepté le 24 novembre 2024 et publié dans la revue “IEEE Transactions on Automation Science and Engineering”. Cette recherche a été soutenue par le Programme national de recherche et développement de la Chine, la Fondation nationale des sciences naturelles de Chine et la Fondation des sciences naturelles de Shanghai.

Processus de recherche

1. Inférence de crédibilité d’observation (OCI)

Pour identifier les observations discordantes dans les données des capteurs, les auteurs proposent la méthode OCI. En analysant les données des capteurs, l’OCI est capable de repérer les observations qui ne correspondent pas au comportement attendu. Ces observations discordantes sont généralement causées par des erreurs de mesure, des erreurs de transmission ou des défaillances des capteurs, ce qui augmente considérablement l’incertitude du modèle. L’OCI introduit un paramètre incident pour compenser le terme de bruit distribué de manière gaussienne, caractérisant ainsi les écarts anormaux des observations discordantes.

2. Réseau d’apprentissage restreint

L’OCI est intégrée dans un réseau d’apprentissage restreint. L’apprentissage restreint supprime les observations discordantes des données des capteurs et impose une contrainte de distribution a priori sur les paramètres du modèle de dégradation pour prévenir la sur-application. Cette méthode garantit que la distribution des paramètres du modèle s’approche de la distribution a priori prédéfinie, améliorant ainsi la capacité de généralisation du modèle sur des échantillons non vus.

3. Classificateur augmenté par la postérieure

Après la suppression des observations discordantes, les auteurs construisent un classificateur augmenté par la postérieure pour estimer l’état de santé en fonction des chemins de capteurs postérieurs, et prédire la RUL. Ce classificateur est optimisé en minimisant la perte attendue par rapport aux chemins de capteurs postérieurs, garantissant ainsi des prédictions fiables même avec un nombre limité d’échantillons.

Résultats principaux et relations logiques

1. Effet de l’OCI : L’OCI identifie avec succès les observations discordantes dans les données des capteurs, et en supprimant ou corrigeant ces observations, elle améliore significativement la précision de l’estimation des paramètres du modèle de dégradation.
2. Effet de l’apprentissage restreint : Grâce à l’apprentissage restreint, la distribution des paramètres du modèle est efficacement contrainte, évitant ainsi la sur-application et améliorant la capacité de généralisation du modèle sur des échantillons non vus.
3. Performance du classificateur augmenté par la postérieure : Le classificateur augmenté par la postérieure, basé sur les données des capteurs corrigées, est capable de prédire avec précision l’état de santé des équipements et la RUL. Dans une étude de cas utilisant des données de dégradation de moteurs d’avion, cette méthode surpasse les méthodes de référence dans les scénarios avec peu d’échantillons.

Conclusion et signification

Cette étude propose un réseau d’apprentissage restreint combiné à l’OCI, résolvant efficacement deux grands défis de la modélisation de dégradation avec peu d’échantillons : le traitement des observations discordantes et la prévention de la sur-application du modèle. En introduisant l’OCI pour identifier et corriger les observations discordantes, et en combinant l’apprentissage restreint pour garantir la contrainte de distribution a priori des paramètres du modèle, cette méthode améliore significativement les performances de prédiction et la capacité de généralisation. Cette recherche offre une nouvelle solution pour la modélisation de dégradation et la prédiction de la RUL dans les systèmes d’ingénierie, en particulier dans les scénarios où les données sont rares.

Points forts de la recherche

1. Méthode OCI innovante : En introduisant un paramètre incident, l’OCI est capable d’identifier et de traiter efficacement les observations discordantes dans les données des capteurs, améliorant ainsi la qualité des données.
2. Introduction de l’apprentissage restreint : En forçant la distribution des paramètres du modèle à s’approcher de la distribution a priori prédéfinie, l’apprentissage restreint prévient efficacement la sur-application du modèle dans les scénarios avec peu d’échantillons.
3. Conception du classificateur augmenté par la postérieure : Ce classificateur, basé sur les chemins de capteurs postérieurs, fournit une base fiable pour l’estimation de l’état de santé et la prédiction de la RUL.
4. Valeur pratique : Cette recherche offre une méthode efficace pour la surveillance de l’état des équipements et la prédiction de la RUL dans les systèmes d’ingénierie, en particulier dans les scénarios où les données sont rares.

Autres informations de valeur

Les auteurs ont rendu publics les codes et les données associés à cette recherche, facilitant ainsi la réplication et les recherches supplémentaires par d’autres chercheurs. Cette étude fournit une référence théorique et pratique importante pour l’application de l’apprentissage avec peu d’échantillons dans le domaine de la modélisation de dégradation.