利用光谱混合核和混合不确定性校准方法,对铝电解电容器进行不确定性感知的剩余使用寿命估算

《IEEE Reliability Magazine》:Uncertainty-Aware Remaining Useful Life Estimation for Aluminium Electrolytic Capacitors Using Spectral Mixture Kernels and Hybrid Uncertainty Calibration

【字体: 大 中 小 】 时间:2025年12月25日 来源:IEEE Reliability Magazine

编辑推荐:

  针对工业机器学习剩余寿命预测中数据稀缺、噪声干扰及非平稳退化问题,提出基于高斯过程回归与谱混合核框架的解决方案,结合分位数回归和分式一致预测优化不确定性量化,并在资源受限平台部署稀疏化实现。实验表明在铝电解电容器退化数据集上,RMSE降低66.5%-68.3%,覆盖率达预期要求。

  

摘要:

在工业领域中,将机器学习技术应用于预测产品的剩余使用寿命(RUL)受到数据量的限制,而非模型本身的限制。由于完整的生命周期测试成本高昂且耗时较长,因此关于设备故障前的运行记录非常稀少,且往往存在噪声、数据不完整、数据分布不规律或不一致等问题。深度学习在这些限制下表现不佳,它需要大量数据集,并且对不确定性的量化能力有限。为了解决数据稀缺环境下的RUL预测问题,我们以铝电解电容器(AECs)为例,研究了这种具有复杂、非平稳退化特性的产品。我们的方法针对生命周期观测数据有限的场景——通常每个单元的设备观测数据点少于30个——在这些场景下传统模型的预测性能会下降。我们提出了一种基于高斯过程回归(GPR)的框架,该框架能够提供贝叶斯不确定性估计,并在数据量有限的情况下保持预测的稳健性。为了解决非平稳行为问题,我们引入了谱混合核(SMKs)来建模频域特征。为了实现精确的不确定性量化,我们将分位数回归与分裂共形预测相结合,并采用了Mondrian相位分层方案。在该方案中,局部共形校准能够根据设备所处的早期、中期或晚期阶段动态调整预测区间。为了在资源受限的平台上进行部署,我们实现了基于稀疏GPR(SGPR)的方法,该方法使用特定的k均值生成点来辅助预测。在两个加速老化数据集上的评估结果显示出了显著的性能提升:在数据集1(105°C、20V的条件下,SMK-GPR将平均均方根误差从47.43小时降低到15.90小时,降低了66.5%;在数据集2(125°C、22V的条件下,均方根误差从11.24小时降低到3.56小时,降低了68.3%),同时实际预测的覆盖率也超过了预期目标。这些结果证明了该方法在各种退化场景下的稳健性,并支持在真实工业环境中实现准确、可解释且可应用的RUL预测。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号