一种基于 Transformer 的多变量时间序列框架:以剩余使用寿命预测为例
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
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
提出了一种用于旋转机器的剩余有用寿命预测和工况操作识别的鲁棒的多支路深度学习系统,该系统由 LSTM-Autoencoder、特征提取和多支路深度学习网络构成,实验证明该系统在轴承机器的实际应用中表现优于现有系统。
Sep, 2023
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
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
基于变压器神经网络和深度强化学习算法的集成框架,通过有效捕捉传感器数据中的复杂时间模式来准确预测设备的剩余寿命,并提供成本效益和及时的维护建议,从而为产业运营中存在的关键挑战提供创新的数据驱动方法,实现更高效、更经济、更可靠的系统。
Sep, 2023
本文介绍了 AutoRUL,这是一种自动化 RUL(Remaining Useful Life)预测的自动机器学习(AutoML)驱动的端到端方法,结合了标准回归方法的微调和高预测能力的集成,为领域专家提供了一种消除构建数据驱动模型中的机器学习专业知识,使 RUL 预测更易于实现的替代方案。
Jun, 2023
本文提出了一种基于 transformer 的无监督多元时间序列表示学习框架,可以应用于回归、分类、预测和缺失值插补等下游任务,并通过多项基准数据集的测试实验证明了该方法的优越性和效率。同时表明,与监督学习方法相比,该方法在样本有限、计算加速方面具有明显优势,未标注数据的无监督预训练可以改善模型性能。
Oct, 2020
通过评估不同的历史数据量和预测未来时间范围,以预测系统故障的性能表现,研究发现预测窗口的大小对性能起关键作用,并突显深度学习在分类具有不同时间依赖模式的数据方面的有效性,以及机器学习在分类相似和重复模式的数据方面的有效性。
Feb, 2024
提出了一种结构效应神经网络,通过估计机器学习和概率密度函数的混合模型的参数,预测了设备的剩余寿命,并证明了这种方法在预测性能和可解释性方面更为优越。
Jul, 2019