RUL论文阅读 ——Transfer learning for remaining useful life prediction based on consensus self-organizing

RUL论文阅读

——Transfer learning for remaining useful life prediction based on consensus self-organizing models
link : article
ress

Abstract

范式都是从实验数据里归纳总结的，但是实验数据和真实数据分布不能够控制
目标域的工况是unseen的然后只有source有标签（target的工况和label都没有）
提出一种基于feature representation的TL for RUL 应用偏差预测方法，一致自适应模型，产生可迁移的feature去build RUL。特征主要是抓取不同equipment的不同
在目标域比源域更复杂的情况下预测的更好

INtroduction

对于physical model based approach 数据驱动不需要额外的知识，
但是需要cover所有情况 train和tes统一分布最好，同一space，这意味着大量的在训练过程中的相关数据要包含post development的scenarios。
但是很少有run to failure的数据，同时损坏过程都很慢
传统的假设分布都一样

为了解决这个问题，TL in 诊断和预测。TL的目的就是从不同但相关的问题中合并，通过转移知识在两个不同领域。介绍TL 符号
In this study，哪种TL，确定两个域分别是两个工况

提出一种基于feature representation的TL for RUL 特征提取的思想来自 一致自组织模型，这个模型计算的是偏差等级。在RUL，距离代替偏差概率，这个feature用来衡量两个子系统差别，mapping function 是 random forest 学习CoSMO特征来预测RUL

数据集是The proposed approach is tested and verified on the Turbofan Engine Degradation Simulation Data Set, which is gen- erated by C-MAPSS (Commercial Modular Aero-Propulsion System Si- mulation) [47].
[47] Saxena A, Goebel K, Simon D, Eklund N. Damage propagation modeling for aircraft engine run-to-failure simulation. 2008 international conference on prognostics and
health management. IEEE; 2008. p. 1–9.

contribution
1.feature representation based on TL 利用COSMO 特征
2.RF regression predict RUL
3. 与其他方法比较

Background

TL MMD TCA CORAL
DANN
COSMO in TL

RUL prediction for run-to-failure Turbofan Engines

3.1. C-MAPSS dataset
很多文章没考虑train test 一致
3.2. Training sequences for RUL prediction
130前面的没用

Transfer learning with consensus self-organizing models

用COSMO方法将TL应用于预言学，包括三个步骤（如图3所示）：
i) 从源数据生成参考组，ΦS和ΦT，来自源数据XS和目标数据XT；
ii) 计算两个领域的样本的COSMO特征，ΘS和ΘT，并使用(ΘS, YS)来训练一个回归模型 f
iii) 执行参数 转移，f ( - ) → f ( - ) 并预测样本STT的剩余使用寿命Y^。
用COSMO特征ΘT而不是XT作为回归模型的输入数据，预测目标域的剩余使用寿命Y^。

4.1. Reference group generation

4.2. Computing COSMO features

4.3. RUL prediction with COSMO features (new subsection)