FrancescoRSS
论文库 / 未确认证据

A cross-domain deep learning framework for remaining useful life prediction in industrial applications

PLoS ONE首次分析 2026.08.02发表日期 2026-07-31未确认级证据

Sudip Saha、Muhammad Arslan Pervaiz、Md Obayed Al Rahman、M. R. Hasan、Ashifur Rahman

论文原文 ↗来源页面 ↗原始 PDF ↗

论文卡片 3

论文基本信息

  • 标题：A cross-domain deep learning framework for remaining useful life prediction in industrial applications
  • DOI/URL：https://doi.org/10.1371/journal.pone.0354721
  • 期刊/会议/预印本平台：PLOS One 21(7):e0354721
  • 发表日期：Received 2026-01-25；Accepted 2026-07-12；Published 2026-07-31
  • 作者和机构：Sudip Saha、Muhammad Arslan Pervaiz（Department of Cyber-security, Pace University, New York, USA）；Muhammad Safwat Rahman、Rokibul Hasan（Southeast Missouri State University, USA）；Ashifur Rahman（Department of CSE, Bangladesh University of Business and Technology, Dhaka, Bangladesh）
  • 通讯作者：Ashifur Rahman（PLOS 页面列出 * E-mail: ashifurrahman.bubt@gmail.com）
  • 脚本评分：60
  • 期刊指标核验：未核验具体 JIF/JCI/CiteScore 数值；本地脚本记录 venue: PLoS ONE

纳入理由和命中证据

  • 纳入理由：论文做 RUL 预测，实验包含 lithium-ion battery dataset，并报告 battery dataset 的 MAE/RMSE/R²/PHM08 等结果。
  • 命中证据：摘要明确“evaluated on three heterogeneous datasets: construction machinery, continuous casting machines, and lithium-ion batteries”；正文说明 Battery RUL Dataset 中每节电池为独立退化轨迹，RUL 标签是达到 EOL 阈值前剩余循环数。
  • 与排除范围区别：虽然不是纯电池论文，但包含电池 RUL 数据域，且目标是 RUL 预测，因此纳入；需标为“跨域 RUL，电池子任务”。

创新点

  • 主要贡献不是新网络，而是统一 CNN–BiLSTM 在机械、冶金和电化学退化数据上的标准化处理与跨域迁移评估。
  • 使用 zero-shot transfer 与 fine-tuned transfer 两类实验，观察域偏移与轻量迁移适配。

主要内容

  • 构建统一预处理流程：归一化、编码、滑动窗口、padding、log RUL 标签变换。
  • 使用 CNN 提取局部退化特征，BiLSTM 捕捉长期依赖，dense 层输出 RUL。
  • 三类数据分别训练/评估，同时做跨域 zero-shot 与冻结 CNN/BiLSTM 后只微调全连接层的适配实验。

模型架构/方法流程

  • 1D Conv 层：提取短时局部时间模式。
  • BiLSTM：双向建模序列依赖。
  • Dense 层：输出标量 RUL。
  • 训练：PyTorch 2.0，Adam lr=0.001，batch size=64，dropout=0.3，L2 正则，early stopping；窗口大小 w=30，stride=1。

输入特征与输出目标

  • 输入特征：按数据集不同组成 3D tensor (N, w, d)；电池数据按循环序列，包含 voltage、current、capacity-related features。
  • 输出目标：RUL；电池域单位为 cycles。
  • 标签：窗口最后一个 timestep 的 RUL；对 RUL 做 log transformation，评估时逆变换回物理单位。

数据来源/数据结构/电池类型/循环协议

  • 数据来源：PLOS Data Availability 指向 Kaggle：Construction Machine RUL dataset、Continuous Casting Machine RUL dataset、Battery Remaining Useful Life dataset。
  • 电池类型：页面称 lithium-ion batteries；具体电芯型号/化学体系未在已读片段中确认。
  • 划分方式：按 unit-level split，电池数据中每个 battery cell 是独立退化轨迹，整节电池分配到 train/validation/test，再生成滑动窗口，目标是避免同一电池跨集合泄漏。
  • 循环协议：未能从已读页面确认。

结果指标

  • Battery dataset：MAE 49.6 cycles，RMSE 72.8 cycles，R²=0.89，Timeliness Score 27.5，PHM08 Score 192.4。
  • 整体：CNN–BiLSTM 相比 GRU RMSE 最高降低 22%，相比传统模型 RMSE 降低 30–50%；fine-tuned transfer 在跨域中降低 RMSE 25–40%。

Baseline/对比方法

  • 摘要确认对比 GRU、Random Forest 与传统模型；正文相关工作涉及 LSTM、GRU、TCN、Transformer、domain adaptation 等。
  • 具体 baseline 完整列表需进一步读取表格或 PDF 确认。

泄漏风险/局限性/复现性

  • 泄漏风险：低到中。正文明确使用 unit-level splitting，先按独立退化单元划分，再生成/使用窗口，避免同一电池同时出现在训练和测试中；但仍需检查归一化是否严格只 fit 训练集、Kaggle Battery RUL 标签构造是否存在后验完整曲线依赖。
  • 局限性：电池只是三个工业域之一，方法对电池机理和 SOH/EOL 阈值解释较弱；CNN–BiLSTM 是常规架构，创新更多在跨域评估。
  • 复现性：中等。PLOS 全文可访问，数据源公开在 Kaggle，训练细节较多；代码开源情况未确认。

对哥哥研究/落地的启发和后续动作

  • 启发：其 unit-level split 描述可作为报告中检查泄漏的正例；跨域 fine-tuning 结果可参考到跨化学体系/跨设备电池 RUL 迁移。
  • 后续动作：下载数据与表格，确认 battery dataset 的 EOL 阈值、单元数量和 feature schema；若没有明显泄漏，可复现其 battery 子任务作为简单跨域 baseline。
查看关键词分类依据
  • RUL prediction · 标题包含「remaining useful life」
    A cross-domain deep learning framework for remaining useful life prediction in industrial applications
  • LSTM · 摘要包含「long short-term memory」
    d Convolutional Neural Network-Bidirectional Long Short-Term Memory (CNN-BiLSTM) architecture. Unlike domain-specific models that require handcraft
  • GRU · 摘要包含「gru」
    , achieving up to 22% lower RMSE compared to GRU and 30-50% lower RMSE compared to traditional models. On the construction datas
  • CNN · 摘要包含「cnn」
    etwork-Bidirectional Long Short-Term Memory (CNN-BiLSTM) architecture. Unlike domain-specific models that require handcrafted fe
  • Generic neural network / deep learning · 标题包含「deep learning」
    A cross-domain deep learning framework for remaining useful life prediction in industrial applications
  • Random Forest · 摘要包含「random forest」
    d RMSE of 113.9 tons (R2 = 0.87), surpassing Random Forest by over 35%. On the battery dataset, CNN-BiLSTM reduces the MAE to 49.6 cycles
  • Hybrid model · 摘要包含「hybrid」
    ss-domain deep learning framework based on a hybrid Convolutional Neural Network-Bidirectional Long Short-Term Memory (CNN-BiLSTM)
  • Self-built / experimental dataset · 摘要包含「experimental」
    casting machines, and lithium-ion batteries. Experimental results show that CNN-BiLSTM consistently outperforms baselines, achieving up t
  • Li-ion / LIB · 摘要包含「lithium-ion」
    machinery, continuous casting machines, and lithium-ion batteries. Experimental results show that CNN-BiLSTM consistently outperforms b