基于深度生成模型的半监督学习用于资产故障预测

KDDSep, 2017

基于深度生成模型的半监督学习用于资产故障预测

Semi-supervised Learning with Deep Generative Models for Asset Failure Prediction

Andre S. Yoon, Taehoon Lee, Yongsub Lim, Deokwoo Jung, Philgyun Kang...

TL;DR本研究提出了一种基于深度神经网络参数化的生成模型和非线性嵌入技术的半监督学习方法，用于在历史数据中只部分了解健康状况的情况下建立资产故障的数据驱动建模。该方法可以使用有限的健康状况信息构建预测模型，精确预测未来资产的可靠性，实验结果表明深度生成模型所基于的非线性嵌入技术可以有效规范复杂模型，并实现高预测精度，不受健康状况信息可用性的影响。

Abstract

This work presents a novel semi-supervised learning approach for data-driven modeling of asset failures when health status is only partially known in historical data. We combine a generative model parameterized b

semi-supervised learning asset failures prognostic models deep neural networks remaining useful life estimation

发现论文，激发创造

基于深度学习的具有不确定故障模式的资产剩余寿命预测

该研究介绍了两个将混合（对数）位置 - 尺度分布与深度学习相结合的预测模型，以应对多个故障模式的系统中存在的多重重叠降级信号、未标记历史数据的存在以及不同故障模式之间信号的相似性等挑战，并验证了这些模型相对于现有方法的卓越性能。

May, 2024

基于受控物理信息的数据生成，用于基于深度学习的未见过操作条件下的剩余寿命预测

提出了一种基于物理学信息生成和深度学习预测模型的新型混合框架，其中包括一个新的受控物理学信息生成对抗网络 (CPI-GAN)，该网络使用五个基本物理约束条件将生成的合成降级轨迹的变化趋势保持一致并提高了剩余寿命预测的准确性。与商业模块化航空推进系统模拟 (N-CMAPSS) 的实验结果表明，该框架能够产生与基础降级趋势一致的合成 TTF 轨迹，进而显著提高了剩余寿命预测的准确性。

Apr, 2023

基于循环神经网络的时间序列嵌入预测剩余寿命

提出一种名为 Embed-RUL 的新方法，用于基于传感器数据估计系统或机器的剩余寿命（RUL），使用递归神经网络生成多变量时间序列子序列的嵌入，以过滤噪声并捕获时间序列的总体模式，从而保持了机器运行行为类似的嵌入靠近，即使它们的传感器读数具有显着和不同的噪声内容，通过在公共和实际数据集上运行该方法，显示它优于以前报告的现有技术。

Sep, 2017

用于剩余使用寿命预测的集成神经网络

使用集成神经网络进行概率剩余寿命预测的方法，可以区分出系统产生的 aleatoric 不确定性和模型参数产生的 (epistemic) 不确定性，并通过在 NASA 的涡轮喷气发动机 CMAPSS 数据集上的测试，展示了这些不确定性可以被建模和解释的方式，并与现有的先进方法进行了评估。

Sep, 2023

疲劳损伤预测问题中的自监督学习对于数据稀缺性的应用

本研究探讨了利用自监督学习技术预先在未标记传感器数据上对深度学习模型进行预训练，以及少样本学习技术，是否对飞行器结构所使用的铝合金板的剩余寿命估计有用。结果表明，经过自监督预训练的模型能够显著地提高下游的剩余寿命预测任务中的预测性能，并且具有更小的计算成本，对于仅具有有限的标记数据的预测任务具有很大的价值。

Jan, 2023

用于利用工业设备结构的图神经网络：剩余寿命估计应用

通过将复杂设备的结构表示为图，并使用图神经网络对多传感器时间序列数据建模，可以实现自动化设备健康监测，估算设备剩余寿命以及故障诊断，相较于基于循环神经网络 (RNN) 和卷积神经网络 (CNN) 的方法，基于图神经网络 (GNN) 的剩余寿命估算模型表现更为优异。

Jun, 2020

生成对抗网络用于故障预测

这篇论文提出了一种利用生成式对抗网络的故障预测新算法 (GAN-FP)，该算法可以应用于机器学习算法解决的高度不平衡数据的故障预测问题，利用两个 GAN 网络同时生成训练样本并构建一个推理网络，以预测新样本的故障情况。

Oct, 2019

时序和异质图神经网络用于剩余寿命预测

通过 Temporal and Heterogeneous Graph Neural Networks (THGNN) 模型，我们准确地捕捉了传感器数据流中的时间动态和空间相关性，并利用 Feature-wise Linear Modulation (FiLM) 解决了传感器类型多样性的问题，通过全面的实验验证了我们的方法的有效性，实验结果显示与最先进的方法相比，在 N-CMAPSS 数据集上获得了高达 19.2% 和 31.6% 的改进。

May, 2024

基于 LSTM 编码器 - 解码器的无监督健康指数的多传感器预测

使用 Long Short Term Memory 编码器 - 解码器方案获取多传感器时间序列数据的无监督健康指数来进行设备剩余寿命估计。

Aug, 2016

深度生成模型的半监督学习

利用迭代方法的变分技术，基于生成模型，研发半监督学习的新算法，解决现代数据分析中处理大规模非标记数据集挑战。深度生成模型与贝叶斯推理结合，灵活、高效、可拓展，为半监督学习提供了有力支持。

Jun, 2014