面向机械退化趋势预测的时序隐空间扩散模型研究

《Knowledge-Based Systems》：Temporal latent diffusion model for machine degradation trend forecasting

本文提出了一种时序隐空间扩散模型（TLDM），通过双向门控循环单元（BiGRU）构建时序预增强模块，结合软条件引导策略，在数据稀缺条件下实现机械退化趋势预测（DTF）。该模型突破了传统剩余使用寿命（RUL）预测对全生命周期数据的依赖，为工业预测性维护（PHM）提供了新的生成式解决方案。

　　

Highlight

本研究首次将扩散生成模型应用于机械退化趋势预测，提出具有时序感知能力的隐空间扩散模型（TLDM）。通过双向门控循环单元（BiGRU）构建的时序预增强模块，将回看窗口数据映射为低维隐状态，显著提升模型对时序依赖关系的捕获能力。结合软条件引导策略，从全局和局部视角强化生成序列的时序一致性，为数据稀缺场景下的预测性维护（PHM）提供了创新解决方案。

Conclusion

本文提出的时序隐空间扩散模型为机械退化趋势预测提供了一种生成式解决方案，有效解决了预测性维护中全生命周期数据缺失的困境。通过集成BiGRU的时序预增强模块和软条件引导机制，模型在保留扩散模型（DM）生成优势的同时，显著增强了对细粒度时序依赖的建模能力。在齿轮和轴承平台上的实验验证了该方法在退化趋势预测（DTF）任务中的有效性和优越性。