En la fabricación inteligente, la predicción del tiempo de vida útil restante (RUL) de los rodamientos es de gran importancia en condiciones de datos de etiquetado escasos. Los métodos actuales en escenarios multicámara a menudo enfrentan desafíos de similitud en el comportamiento de diferentes etapas de degradación. Dadas las características de mejora de la capacidad de discriminación de las características de degradación a través de múltiples sensores, este artículo propone un método de predicción RUL basado en la comparación multi-sensor en condiciones de escasez de etiquetado. Utilizando la similitud entre sensores, es posible extraer representaciones multifunción de la similitud entre sensores de datos no etiquetados ricos que contienen el estado de salud del equipo. Específicamente, utilizando primero ResNet18 para mapear las características de sensores diferentes en el espacio de co-ocurrencia, luego, basándose en la similitud entre sensores en el espacio de co-ocurrencia mediante el aprendizaje de comparaciones alternas a partir de una gran cantidad de datos no etiquetados, se extraen representaciones de similitud entre sensores que representan las etapas de degradación del equipo, finalmente, utilizando datos etiquetados limitados para ajustar el modelo, se realiza la predicción RUL. Los experimentos en el conjunto de datos público de rodamientos muestran que en comparación con los métodos óptimos actuales, el error porcentual absoluto promedio disminuye al menos 0.058 y el puntaje de evaluación aumenta al menos 0.122.

Auto-supervisión; predicción del tiempo de vida útil restante; aprendizaje por comparación