基于预训练大语言模型的轴承剩余使用寿命迁移预测
Pre-Trained Large Language Model Based Remaining Useful Life Transfer Prediction of Bearing
Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院）；Institute of Reliability Engineering, Beihang University（北京航空航天大学可靠性工程研究所）；School of Reliability and Systems Engineering, Beihang University（北京航空航天大学可靠性与系统工程学院）；China Electronics Information Industry Group Co., Ltd. Sixth Research Institute（中国电子信息产业集团有限公司第六研究所）
AI总结：
针对轴承等旋转机械剩余使用寿命预测需求，指出传统数据驱动深度学习方法存在分布不一致、长期预测泛化性不足的问题，提出基于预训练大语言模型的迁移预测思路。
摘要：
准确预测轴承等旋转机械的剩余使用寿命（RUL），对保障设备可靠性、减少工业突发故障至关重要。传统数据驱动深度学习方法在实际场景中面临训练与测试数据分布不一致、长期预测泛化能力有限的挑战。
英文摘要：
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.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
