Continuous Degradation Representation Learning for Remaining Useful Life Prediction
El artículo propone CoDeR, un marco de aprendizaje de representación de degradación continua que integra un Codificador Transformer Acoplado de Doble Eje y un módulo de Aprendizaje Contrastivo Sensible al Tiempo para superar las limitaciones de las representaciones fragmentadas en los modelos de aprendizaje profundo existentes, logrando así predicciones más precisas de la Vida Útil Remanente para motores aeroespaciales.