Dans la fabrication intelligente, la prédiction de la durée de vie résiduelle (RUL) des roulements revêt une importance particulière dans des conditions de données étiquetées rares. Les méthodes actuelles dans les scénarios multi-capteurs sont souvent confrontées à des défis de similitude de comportement à différentes étapes de dégradation. Ayant en vue les caractéristiques d'augmentation de la capacité de discrimination des caractéristiques de dégradation à travers les capteurs multiples, cet article propose une méthode de prédiction RUL basée sur la comparaison multi-capteurs dans des conditions d'étiquetage rare. En utilisant la similarité inter-capteurs, il est possible d'extraire des représentations multi-capteurs de la similarité inter-capteurs riches en données non étiquetées contenant l'état de santé de l'équipement. Plus précisément, en utilisant d'abord ResNet18 pour mapper les caractéristiques des capteurs différents dans l'espace de co-occurrence, puis en se basant sur la similarité inter-capteurs dans l'espace de co-occurrence en apprenant des comparaisons alternées à partir d'une grande quantité de données non étiquetées, des représentations de similarité inter-capteurs représentant les étapes de dégradation de l'équipement sont extraites, enfin, en utilisant des données étiquetées limitées pour ajuster le modèle, la prédiction RUL est réalisée. Les expériences sur l'ensemble de données public de roulements montrent que par rapport aux méthodes actuelles optimales, l'erreur moyenne absolue en pourcentage diminue d'au moins 0,058 et le score d'évaluation augmente d'au moins 0,122.

Auto-supervision; prédiction de la durée de vie résiduelle; apprentissage par comparaison