회전 기계의 잔여 수명(RUL) 예측은 산업 안전 및 유지보수에 매우 중요하지만, 기존 방법들은 부족한 목표 도메인 데이터와 불분명한 열화 역학으로 어려움을 겪습니다. 본 논문에서는 이러한 문제를 해결하기 위해 메타 러닝과 지식 발견 기반 물리 정보 신경망(MKDPINN)을 제안합니다. 이 방법은 먼저 잡음이 많은 센서 데이터를 은닉 상태 매퍼(HSM)를 통해 저차원 은닉 상태 공간으로 매핑합니다. 그런 다음 물리 유도 조정기(PGR)는 열화 진화를 지배하는 알려지지 않은 비선형 편미분 방정식(PDE)을 학습하여 이러한 물리적 제약 조건을 PINN 프레임워크에 포함시킵니다. 이는 데이터 기반 및 물리 기반 접근 방식을 통합합니다. 이 프레임워크는 메타 러닝을 사용하여 소스 도메인 메타 작업에 걸쳐 최적화하여 새로운 목표 작업에 대한 몇 번의 시도만으로 적응을 가능하게 합니다. 산업 데이터와 C-MAPSS 벤치마크에 대한 실험 결과, MKDPINN이 일반화 및 정확성 측면에서 기준 모델보다 우수한 성능을 보여주어 데이터 부족 환경에서 RUL 예측에 대한 효과를 입증합니다.
