提出了一种使用生存分析预测滚动轴承的失效时间的新方法，该方法通过分析频域数据并比较来自时域的协变量，利用机器学习模型对滚动轴承的风险进行概率预测，从而促进了预测性维护建模中对截尾数据的进一步研究。

Sep, 2023

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

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

通过使用神经网络模型判断降解数据的健康状态并预测第一次预测周期之后的降级模式，本文提出了一种用于锂离子电池剩余寿命（RUL）预测的新方法，并通过实验证明该方法在 RUL 预测方面优于传统方法，显示出在实际场景中提供更准确可靠的电池管理能力。

Aug, 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

利用多输入自回归模型将振动信号与先前预测的健康指标值相结合，通过特征融合输出当前窗口的健康指标值，从而解决滚动轴承寿命预测中通用性有限的问题。通过自回归迭代，该模型具有全局感受野，有效克服通用化的限制。在 PMH2012 数据集上的实证评估表明，与使用类似自回归方法的其他骨干网络相比，我们的模型在均方根误差（RMSE）和得分（Score）方面表现明显更低，优于传统的自回归模型和非自回归网络，具有出色的通用性能力。

Nov, 2023

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

利用物理知情机器学习（PIML）领域开发模型来预测航空发动机的剩余寿命，采用 C-MAPSS 数据集，使用随机方法估计 C-MAPSS 数据的物理模型并将其应用于 LSTM 模型，结果表明 PIML 方法在这个问题上表现优异，同时该框架灵活性高，适用于其他情况。

Jun, 2024

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