基于元学习和知识发现的物理信息神经网络用于剩余使用寿命预测

该研究解决了旋转机械剩余使用寿命（RUL）预测中目标领域数据稀缺和降解动态不明确的问题。通过开发一种基于元学习和知识发现的物理信息神经网络（MKDPINN），该方法将噪声传感器数据映射到低维隐状态空间，并通过物理引导调节器学习未知的非线性偏微分方程，从而有效集成了数据驱动和基于物理的方法。实验表明，MKDPINN在数据稀缺条件下的泛化和准确性上超越了基线方法，证明了其在RUL预测中的有效性。