使用基于 CVGAN 模型的振动信号生成框架，结合历史振动数据和剩余寿命，通过一维水平和垂直方向的条件振动信号生成，提高滚动轴承寿命预测模型的准确性。在 PHM 2012 数据集上的实验表明，CVGAN 模型在自回归和非自回归生成模式下，通过 MMD 和 FID 指标的表现优于许多先进方法。尤其值得注意的是，使用 CVGAN 模型生成的完整生命周期数据训练的预测模型在性能上得到了显著提升，突出了 CVGAN 生成的数据对模型预测能力的有效性。

Jan, 2024

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

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

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

提出了一种基于编码器 - Transformer 结构的多元时间序列预测框架，用于预测系统剩余可用寿命，与其他 13 种当前最先进模型相比，其性能提升了平均 137.65%。

Aug, 2023

通过检测设备的变化点，并利用所学习的变化点来提高剩余使用寿命估计的准确性，该论文提出了一种基于时间动力学学习的新模型。通过将传感器数据分解为可推广并代表多种工况下正常操作动态的融合时间相关特征，来进行离线模型开发。从这些学到的时间特征动态构建监控统计和正常行为控制限阈值，用于无监督检测设备级别的变化点。然后，使用这些检测到的变化点来标记降解数据，以训练基于 LSTM 的剩余使用寿命估计模型。在在线监测期间，监测查询设备的时间相关动态是否超过离线训练得出的控制限。若检测到变化点，则使用训练有素的离线模型估计设备的剩余使用寿命，以进行早期预防措施。在以 C-MAPSS 涡轮风扇发动机为案例研究的情况下，该方法相比不考虑异质变化点的现有 LSTM 基准模型，将准确性提高了 5.6％和 7.5％（针对六种工况的两种情况）。

Jan, 2024

利用生存分析提出了一种用于预测剩余寿命的概率估计方法，支持对被审查数据进行分析，通过训练多个生存模型，能够在有限时间内预测剩余寿命，实验证明随机生存森林在平均绝对误差方面表现更好，通过提出的方法可更好地进行预测性维护建模和早期故障检测。

May, 2024

本文提出一种基于掩蔽自编码器的方法，利用未标注数据进行自监督，并将其用于残余寿命（RUL）预测。在 C-MAPSS 数据集上的实验表明，相较于使用完全监督模型的方法，本文的方法在 RUL 预测的准确性和有效性上表现更佳。

Jul, 2022

本文提出了一种可解释的机器学习模型，使用 Local Interpretable Model-Agnostic Explanations 和 Shapley Additive Explanations 方法预测机器剩余使用寿命，为未来相关领域的研究提供了基础。

Apr, 2022