In der intelligenten Fertigung ist die Vorhersage der verbleibenden Lebensdauer von Lagern (RUL) in einer Umgebung mit seltenen Etikettendaten von großer Bedeutung. Die aktuellen Methoden in Mehrsensorszenarien stehen häufig vor Herausforderungen bei der Ähnlichkeit des Verhaltens in verschiedenen Degradationsstadien. Angesichts der Eigenschaften der Verbesserung der Diskriminierungsfähigkeit von Degradationsmerkmalen über mehrere Sensoren schlägt dieser Artikel eine RUL-Vorhersagemethode auf der Basis des multisensorialen Vergleichs in einer Umgebung mit seltenen Etikettendaten vor. Durch die Verwendung der Ähnlichkeit zwischen den Sensoren können mehrfache Repräsentationen der Sensorähnlichkeit aus reichen unbeschrifteten Daten extrahiert werden, die den Gesundheitszustand der Ausrüstung enthalten. Konkret werden zunächst die Merkmale verschiedener Sensoren mithilfe von ResNet18 in den Koinzidenzraum abgebildet. Anschließend werden auf der Grundlage der Sensorenähnlichkeit im Koinzidenzraum durch alternierendes Vergleichslernen aus einer großen Menge unbeschrifteter Daten mehrfache Repräsentationen der Sensorsähnlichkeit extrahiert, die die Degradationsstadien der Ausrüstung darstellen, schließlich wird mithilfe begrenzter Etikettendaten das Modell angepasst, um die RUL-Vorhersage zu realisieren. Experimente mit öffentlichen Lagerdatensätzen zeigen, dass im Vergleich zu den aktuellen optimalen Methoden der durchschnittliche absolute prozentuale Fehler um mindestens 0,058 und die Bewertungspunkte um mindestens 0,122 steigen.

Selbstüberwachung; Vorhersage der verbleibenden Lebensdauer; Lernen durch Vergleich