ReNo：在低质量数据条件下，通过内生分布匹配实现最优的正则化归一化方法，以提升剩余使用寿命预测的准确性

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：ReNo: Optimal regularized normalization with endogenous distribution matching under low-quality data for remaining useful life prognostics

　　

郝淼|倪张|宁泽飞|郝晨阳|王莉

摘要

预测性维护和可靠性分析正成为维护复杂工程系统的关键方法，其中剩余使用寿命（RUL）的预测是健康管理与智能决策的核心任务。在实际工业场景中，时间序列数据常受到噪声影响，具有较低的质量特征。作为一种广泛采用的预处理技术，标准化旨在消除数据之间的维度差异，提高输入空间中数据的可比性。然而，传统的标准化方法（如最小-最大值标准化和z分数标准化）依赖于固定的统计参数，在噪声主导的条件下往往无法保持尺度的一致性。在本文中，我们提出了ReNo（一种具有内生分布匹配的最优正则化方法）。首先，我们分析了传统标准化方法在低质量数据下的失效模式，并将这些失效模式统一到一个潜在的优化框架中。基于这一认识，我们将观测分布与参考分布之间的差异构建为一个基于KL散度的正则化项，从而在不进行显式噪声分离的情况下抑制尺度估计偏差。此外，我们提出了一个通用的RUL预测框架，并设计了一种简单而有效的退化感知表示放大器（DARA）作为时间序列编码器的实现方式，在多个公开数据集上取得了先进的性能。大量实验进一步证明了ReNo在各种主流模型中都能带来一致的改进，验证了其作为复杂工业系统中数据驱动预测性维护的通用且稳健的标准化方法的有效性。