近日，一篇来自爱尔兰高威大学数据科学研究所和都柏林城市大学电子工程学院的论文 “TCRSCANet: Harnessing Temporal Convolutions and Recurrent Skip Component for Enhanced RUL Estimation in Mechanical Systems”（译：TCRSCANet：利用时间卷积和循环跳过组件提升机械系统剩余使用时间的预测准确性）在国际期刊《以人为中心的智能系统（英文）》（Human-Centric Intelligent Systems, HCIN, eISSN: 2667-1336）上公开发表（DOI：https://doi.org/10.1007/s44230-023-00060-0）。
▲ 图1 TCRSCANet整体框架。
一句话概要：
综合了时间卷积和循环跳跃组件的TCRSCANet方法，旨在有效利用长期复杂的传感器数据，提高对工业机械系统剩余使用时间（Remaining Useful Life, RUL）的预测准确性。
研究动机：
关键工业资产的RUL预测对工业系统的优化维护策略、可靠性、健康管理宕机时间是至关重要的。目前，针对RUL预测研究阶段可以分为：基于物理的方法、基于混合模型的方法和数据驱动的方法。尽管基于深度学习的数据驱动方法在RUL预测方面表现出色，但传统方法往往忽视数据中的相似性和差异，降低了预测的准确性。为克服基于深度学习的数据驱动方法面临的局限，如特征表示的依赖性、单目标优化的限制以及长时序退化等问题，本文提出了一种结合时间卷积、递归跳过组件和注意力机制的TCRSCANet方法来提高RUL的预测准确性，该方法可以高效的利用复杂的传感器数据来预测工业机械系统的RUL。
研究方法与发现：
本文提出了一个名为TCRSCANet的数据驱动URL预测框架，该框架实现了时间卷积、循环跳过组件和注意力机制三个模块的有机组合，使RUL预测更加准确。循环跳过组件在时间序列数据中形成长期模式，捕获长期序列的语义信息，而时间卷积可以从较长的序列中提取出高级特征。注意力机制通过估算输入矩阵中每个窗口位置的特征之间的隐藏表示和退化发展的交互作用，进而提高长期序列表示学习中的重要语义特征分布。在广泛用于飞机引擎RUL预测研究的C-MAPSS数据集上对TCRSCANet方法进行了测试与验证。结果显示，相较于其他前沿方法，TCRSCANet模型在RUL预测方面表现更为出色。此项研究不仅验证了TCRSCANet的有效性，更凸显了循环跳过组件和注意力机制在确定工业资产价值寿命方面的重要性。
研究优势：
1) 提出了一种深度学习框架，可以有效地提取在多维输入时间序列中表现出局部或短期时间依赖模式的显著特征。该模型将封装在指定时间窗口内的所有数据视为一个不可分割且完整的实体序列信息，而不考虑时间序列的长度或嵌入在窗口数据中的特征数量；
2) 提出了一个带有注意力机制的循环跳过组件。该组件中的循环跳过结构可以学习输入矩阵中时间窗的每个位置隐藏表示的加权组合。注意力机制在不同的时间段内从一个时间序列中提取出关键的时间模式和特征关系，并且获得了跨越输入时间序列的完整持续时间的各种退化模式的知识。
▲ 图2 左：使用时间窗口的方法来分割数据。窗口长度为30最适合FD001数据集（C-MAPSS dataset，共分为FD001-FD004）；右：图中分别展示了单个信号的分布，如运行到故障的周期，以及FD001数据子集中的三个操作设置。该id显示了FD001中100个不同单元的最大寿命。在视图中可以看到，设置3不显示任何信息。
关于期刊
Human-Centric Intelligent Systems（eISSN：2667-1336）是一本国际化的，经过严格同行评审的开放获取期刊，致力于传播 “以人为中心的智能系统” 中所有相关理论和实际应用的最新研究成果，并提供以人为中心的计算与分析领域的前沿理论和算法见解。为了鼓励科研成果的传播，本刊暂不收取文章处理费。
期刊主编：西南交通大学李天瑞教授与澳大利亚悉尼科技大学徐贯东教授
顾问委员：东京大学教授，日本国家信息研究所所长Masaru Kitsuregawa与伊利诺伊大学芝加哥分校Philip S. Yu教授
投稿咨询：
HCIN期刊编辑部
Tel：17320182488
邮箱：hcin@editorialoffice.cn
