预后有助于实地系统或产品的寿命。量化该系统的当前健康状况使预后能够增强操作员的决策以保护系统的健康状况。由于(a)未知的身体关系和/(b)数据中的不规则性远远超出了问题的启动,因此很难为系统创建预后。传统上,三种不同的建模范例已被用来开发预后模型:基于物理学(PBM),数据驱动(DDM)和混合模型。最近,结合了基于PBM和DDM的方法并减轻其局限性的混合建模方法在预后域中获得了吸引力。在本文中,概述了基于模糊逻辑和生成对抗网络(GAN)的概念的组合概念的一种新型混合建模方法。基于Fuzzygan的方法将基于物理的模型嵌入模糊含义的聚集中。该技术将学习方法的输出限制为现实解决方案。轴承问题的结果表明,在模糊逻辑模型中添加基于物理的聚集的功效,以提高GAN对健康建模的能力并提供更准确的系统预后。
translated by 谷歌翻译