Data-driven technologies, especially artificial intelligence ones, are widely used in residual useful life (RUL) prediction of machinery. They are flexible in predicting RUL without grasping prior knowledge of physical mechanisms. However, interpretability is generally absent, which makes them like “black boxes.” This shortcoming directly raises considerable uncertainty of high-reliability applications, questions on the trustworthiness of decision-making results, and even results in poor generalization under cross-domain RUL predictions. Therefore, the idea of exploring explainable life prediction models with desired cross-domain prediction performances is motivated. The above dilemmas are tackled through the in-depth research of symbolic life models: an evolving symbolic regression approach, namely, dynamic structure–adaptive symbolic approach (DSASA). DSASA, visually displaying internal model structures, gives considerations to historical samples and dynamically accommodates real-time degradation of service parts. In brief, multi-signal-based health indicators are first entered into three genetic programming algorithms for initial life modeling. Afterward, DSASA reconstructs initial life expressions and tracks the real-time degradation of machinery via dynamic coupling terms. Finally, cross-validations are conducted through slewing bearings’ accelerated run-to-failed experiments under variable working conditions. Encouraging prediction results deliver that DSASA has reliable generalizations and significantly reduces prediction error by 82.5%, 45.5%, and 79.8% compared with initial models before reconstruction.

中文翻译：

---

变工况下回转支承寿命预测的动态结构自适应符号方法

数据驱动技术，尤其是人工智能技术，广泛用于机械剩余使用寿命（RUL）预测。它们可以灵活地预测 RUL，而无需掌握物理机制的先验知识。然而，通常不存在可解释性，这使得它们就像“黑匣子”。这一缺点直接引发了高可靠性应用的相当大的不确定性，对决策结果的可信度提出质疑，甚至导致跨域RUL预测下泛化能力差。因此，激发了探索具有所需跨域预测性能的可解释寿命预测模型的想法。通过对符号生活模型的深入研究来解决上述困境：一种不断发展的符号回归方法，即，动态结构-自适应符号方法（DSASA）。DSASA 以可视化方式显示内部模型结构，考虑历史样本并动态适应服务部件的实时退化。简而言之，首先将基于多信号的健康指标输入到三个基因编程算法中，用于初始生命建模。之后，DSASA 重建初始寿命表达式并通过动态耦合项跟踪机械的实时退化。最后，通过回转轴承在可变工作条件下的加速运行到失败的实验进行交叉验证。令人鼓舞的预测结果表明，DSASA 具有可靠的泛化能力，与重建前的初始模型相比，预测误差显着降低了 82.5%、45.5% 和 79.8%。可视化显示内部模型结构，考虑历史样本并动态适应服务部件的实时退化。简而言之，首先将基于多信号的健康指标输入到三个基因编程算法中，用于初始生命建模。之后，DSASA 重建初始寿命表达式并通过动态耦合项跟踪机械的实时退化。最后，通过回转轴承在可变工作条件下的加速运行到失败的实验进行交叉验证。令人鼓舞的预测结果表明，DSASA 具有可靠的泛化能力，与重建前的初始模型相比，预测误差显着降低了 82.5%、45.5% 和 79.8%。可视化显示内部模型结构，考虑历史样本并动态适应服务部件的实时退化。简而言之，首先将基于多信号的健康指标输入到三个基因编程算法中，用于初始生命建模。之后，DSASA 重建初始寿命表达式并通过动态耦合项跟踪机械的实时退化。最后，通过回转轴承在可变工作条件下的加速运行到失败的实验进行交叉验证。令人鼓舞的预测结果表明，DSASA 具有可靠的泛化能力，与重建前的初始模型相比，预测误差显着降低了 82.5%、45.5% 和 79.8%。考虑历史样本并动态适应服务部件的实时退化。简而言之，首先将基于多信号的健康指标输入到三个基因编程算法中，用于初始生命建模。之后，DSASA 重建初始寿命表达式并通过动态耦合项跟踪机械的实时退化。最后，通过回转轴承在可变工作条件下的加速运行到失败的实验进行交叉验证。令人鼓舞的预测结果表明，DSASA 具有可靠的泛化能力，与重建前的初始模型相比，预测误差显着降低了 82.5%、45.5% 和 79.8%。考虑历史样本并动态适应服务部件的实时退化。简而言之，首先将基于多信号的健康指标输入到三个遗传编程算法中，用于初始生命建模。之后，DSASA 重建初始寿命表达式并通过动态耦合项跟踪机械的实时退化。最后，通过回转轴承在可变工作条件下的加速运行到失败的实验进行交叉验证。令人鼓舞的预测结果表明，DSASA 具有可靠的泛化能力，与重建前的初始模型相比，预测误差显着降低了 82.5%、45.5% 和 79.8%。基于多信号的健康指标首先被输入到三个基因编程算法中，用于初始生命建模。之后，DSASA 重建初始寿命表达式并通过动态耦合项跟踪机械的实时退化。最后，通过回转轴承在可变工作条件下的加速运行到失败的实验进行交叉验证。令人鼓舞的预测结果表明，DSASA 具有可靠的泛化能力，与重建前的初始模型相比，预测误差显着降低了 82.5%、45.5% 和 79.8%。基于多信号的健康指标首先被输入到三个基因编程算法中，用于初始生命建模。之后，DSASA 重建初始寿命表达式并通过动态耦合项跟踪机械的实时退化。最后，通过回转轴承在可变工作条件下的加速运行到失败的实验进行交叉验证。令人鼓舞的预测结果表明，DSASA 具有可靠的泛化能力，与重建前的初始模型相比，预测误差显着降低了 82.5%、45.5% 和 79.8%。交叉验证是通过回转轴承在可变工作条件下的加速运行到失败实验进行的。令人鼓舞的预测结果表明，DSASA 具有可靠的泛化能力，与重建前的初始模型相比，预测误差显着降低了 82.5%、45.5% 和 79.8%。交叉验证是通过回转轴承在可变工作条件下的加速运行到失败的实验进行的。令人鼓舞的预测结果表明，DSASA 具有可靠的泛化能力，与重建前的初始模型相比，预测误差显着降低了 82.5%、45.5% 和 79.8%。