3、加速进化神经网络架构搜索以进行剩余使用寿命预测

加速进化神经网络架构搜索以进行剩余使用寿命预测

1. 引言

预测性维护（PdM）是工业4.0的关键使能技术之一，它通过预测工业组件未来的故障来制定维护策略。而剩余使用寿命（RUL）预测作为实现这一目标的重要手段，吸引了大量的研究关注和行业利益相关者的兴趣。

如今，使用各种深度学习（DL）模型的数据驱动方法在开发RUL预测工具方面越来越受关注。然而，这些模型通常是手工设计的，其性能依赖于网络架构，而架构往往是凭经验设定的。这种设计过程既耗时又耗计算资源，因为它本质上是基于试错法。

神经架构搜索（NAS）技术可以自动设计架构，为解决上述问题提供了合理的解决方案。特别是通过进化算法（EA）实现的NAS，即进化NAS，受到了广泛关注。

在RUL预测领域，之前有工作应用进化NAS自动设计数据驱动的DL模型架构。但该优化任务存在两个问题：一是算法只关注预测精度而忽略网络规模，在工业环境中，限制可训练参数数量以节省成本是很重要的目标；二是该任务通常需要漫长且昂贵的训练过程。

为解决这些问题，本文提出同时优化一维卷积神经网络（1 - D CNN）的两个目标：降低RUL预测误差和最小化可训练参数数量。对于这个多目标优化（MOO）任务，使用了著名的非支配排序遗传算法II（NSGA - II）。同时，结合“无训练架构评分”和“学习曲线外推”两种技术来加速训练过程。

2. 背景

RUL预测方法主要分为基于物理的方法和数据驱动的方法。基于物理的方法需要大量知识来分析物理退化过程，但实际应用有限，因为只有相对简单的组件的退化物理机制才被充分理解。

数据驱动的方法则不受此限制，它假设可以从过去的监测数据中学