RESS基于监督对比学习的双混合器剩余使用寿命预测模型
剩余使用寿命（RUl）预测问题旨在准确估计从当前预测时刻到设备完全失效的剩余时间，近年来受到了研究人员的极大关注。为了克服大多数现有RUL预测方法中时间和空间特征刚性组合的缺点，本文首先提出了一种时空均匀特征提取器，称为双混合器模型。采用灵活的逐层渐进特征融合，确保时空特征的同质性，提高预测精度。其次，引入了基于监督对比学习的特征空间全局关系方差（FSGRl）训练方法。该方法在模型训练过程中保持了样本特征与其退化过程之间关系的一致性，简化了输出层中的后续回归任务，提高了模型在RUL预测中的性能。最后，通过与C-MAPSS数据集上的其他最新研究工作进行比较，验证了所提出方法的有效性。双混合器模型在大多数指标上表现出优越性，而FSGRI训练方法显示，对于所有基线模型，RMSE和MAPE的平均改进率分别为7.00%和2.41%，我们实验和模型代码可在https://github.com/fuen1590/PhmDeepLearningProjects.剩余使用寿命、对比学习、深度学习、多层感知器
