用预训练大模型提升轴承剩余寿命预测的泛化能力。

Pre-Trained Large Language Model Based Remaining Useful Life Transfer Prediction of Bearing

• 基于预训练大语言模型构建跨域寿命预测框架。
• 在多数据集上实现比传统方法高12.3%的预测精度。
• 适合工业界需要长期可靠预测的场景。

准确预测旋转机械（如轴承）的剩余使用寿命（RUL）对于保障设备可靠性、减少意外工业故障至关重要。传统数据驱动的深度学习方法在实际应用中面临训练与测试数据分布不一致的问题，且难以实现长期预测的泛化能力。本文提出一种基于预训练大语言模型的迁移预测方法，通过利用大规模语义先验知识，增强模型对不同工况下轴承退化序列的理解能力。实验在多个公开轴承数据集（包括CWRU、PU、PTC）上验证，结果表明该方法在长周期预测任务中显著优于传统深度学习模型，平均预测误差降低12.3%，尤其在小样本和跨域场景下表现更优。

原文摘要 · Abstract (English)

Accurately predicting the remaining useful life (RUL) of rotating machinery, such as bearings, is essential for ensuring equipment reliability and minimizing unexpected industrial failures. Traditional data-driven deep learning methods face challenges in practical settings due to inconsistent training and testing data distributions and limited generalization for long-term predictions.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。