基于CNN-Bi-LSTM的域自适应模型预测轴承的剩余使用寿命
预测机械轴承的剩余使用寿命（RUL）在工业中至关重要。估算RUL可以评估健康状况、维护计划和显著降低成本，从而促进工业发展。现有模型依赖于具有特征变化的传统特征工程，因为操作条件对RUL预测模型的泛化构成了重大挑战。本研究侧重于基于神经网络的特征工程和RUL的下游预测，消除了对特定先验知识的需求，简化了模型的开发和维护。最初，卷积神经网络（CNN）模型用于特征工程。随后，使用双向长短期记忆网络（Bi-LSTM）模型来捕捉工程特征的时间序列退化特征，并通过回归预测RUL。最后，该研究考察了模型中操作条件的影响，并整合了域自适应以最小化特征分布的差异，从而提高了模型对RUL预测的泛化能力。
