An empirical evaluation of attention-based multi-head models for improved turbofan engine remaining useful life prediction
Zhejiang University（浙江大学）；Tianjin Jinhang Technical Physics Institute（天津津航技术物理研究所）；Complex System Control and Intelligent Agent Cooperative Laboratory（复杂系统控制与智能体协同实验室）
单个单元（头部）是在多变量时间序列信号上训练的深度学习架构中的常规输入特征提取器。由单头网络生成的固定维矢量表示对于工业机械状态监测和预测性维护的重要性已经被证明。然而，用单头处理异质传感器信号可能导致不能明确地说明时变多变量输入的多样性的模型。这项工作将传统的单头深度学习模型扩展到更强大的形式，通过开发特定于上下文的头来独立捕获每个传感器读数中的固有模式。使用涡扇发动机基准数据集（CMAPSS），进行了大量的实验，以验证多头多层感知器、递归网络、卷积网络、变压器式独立注意力网络及其变体在剩余使用寿命估计中的有效性和优势。此外，不同的注意力机制对多头模型的影响也进行了评估。此外，还分析了每种体系结构的相对优势和计算开销。结果表明，利用注意力层是任务敏感和模型相关的，因为它没有提供一致的改善跨模型的研究。最好的模型进一步与五个国家的最先进的模型进行了比较，比较表明，一个相对简单的多头架构比国家的最先进的模型表现更好。在这项研究中提出的结果表明多头模型和注意力机制的重要性，以提高对工业资产的剩余使用寿命的理解。
2021-09-17 cs.LG
Remaining Useful Life Prediction for Batteries Utilizing an Explainable AI Approach with a Predictive Application for Decision-Making
Nepal Engineering College, Pokhara University（博卡拉大学尼泊尔工程学院）；University of Delaware（特拉华大学）；Delft University of Technology（代尔夫特理工大学）；The Hague University of Applied Science（海牙应用科学大学）；Institute of Engineering, Pulchowk Campus, Tribhuvan University（特里布文大学工程学院普尔乔克校区）
本研究提出两层集成学习（TLE）框架和CNN+MLP混合模型预测电池剩余使用寿命（RUL），结合SHAP提升可解释性，并开发Tkinter GUI实现实时预测，支持数据驱动的可持续电池管理决策。
2025-01-30 cs.AI cs.LG cs.SY
Sparse Low-Ranked Self-Attention Transformer for Remaining Useful Lifetime Prediction of Optical Fiber Amplifiers
Adtran（阿德创公司）；Advanced Technology（先进技术部）
针对光纤放大器剩余使用寿命预测中小数据集泛化难的问题，提出带稀疏低秩自注意力的编解码Transformer模型，在EDFA及涡扇数据集上性能超越现有最优方法。
2025-01-15 cs.AI cs.LG eess.SP
Remaining Useful Life Estimation Using Functional Data Analysis
Hitachi America, Ltd.（日立美国有限公司）
设备或其组件的剩余使用寿命（RUL）定义为设备或组件达到其使用寿命结束之前所剩的时间。准确的RUL估计对预测性维护和预测与健康管理（PHM）非常有益。利用传感器和操作时间序列数据来利用算法的能力进行RUL估计的数据驱动方法越来越受欢迎。现有的算法，如线性回归，卷积神经网络（CNN），隐马尔可夫模型（HHMM），和长短期记忆（LSTM），有自己的局限性的RUL估计任务。在这项工作中，我们提出了一种新的功能数据分析（FDA）的方法称为功能多层感知器（功能MLP）的RUL估计。函数MLP将来自多个设备的时间序列数据视为随时间推移的随机连续过程的样本。FDA明确将同一设备内的相关性和不同设备传感器时间序列的随机变化纳入模型。FDA还具有允许RUL和传感器变量之间的关系随时间变化的好处。我们实现功能MLP的基准NASA C-MAPSS数据，并使用两个常用的指标的性能进行评估。结果表明，我们的算法优于所有其他国家的最先进的方法。
2019-04-12 cs.LG stat.ML
Federated learning framework for collaborative remaining useful life prognostics: an aircraft engine case study
Department of Information and Computing Sciences, Utrecht University（乌特勒支大学信息与计算科学系）；Faculty of Aerospace Engineering, Delft University of Technology（代尔夫特理工大学航空航天工程学院）
本文提出一种保护隐私的联邦学习框架，使多家航空公司无需共享数据即可协同训练航空发动机剩余使用寿命预测模型，并提出四种鲁棒参数聚合方法应对噪声传感器数据，在N-CMAPSS数据集上验证其优于各航空公司独立建模。
2025-05-31 cs.DC cs.ET cs.LG
Multi-Dimensional Self Attention based Approach for Remaining Useful Life Estimation
University of Electronic Science and Technology of China（电子科技大学）
剩余使用寿命（RUL）估计在故障预测与健康管理（PHM）中起着至关重要的作用。传统的机器健康维护系统通常成本高昂，需要足够的专业知识，并且难以适应高度复杂和不断变化的工业场景。随着传感器在工业设备上的广泛部署，构建工业物联网（IIoT）来互连这些设备已成为数字工厂发展的必然趋势。使用IIoT收集的设备实时运行数据，通过RUL预测算法获得估计的RUL，PHM系统可以为设备制定主动维护措施，从而降低维护成本并减少运行期间的故障次数。本文对工业物联网场景下多传感器设备的剩余使用寿命预测模型进行了研究。研究了主流的RUL预测模型，总结了该场景下RUL预测建模的基本步骤。在此基础上，本文提出了一种数据驱动的RUL估计方法。该算法采用多头注意力机制对多个传感器输出的多维时间序列数据进行融合，其中特征注意力用于捕捉特征间的相互作用，序列注意力用于学习时间步长的权值。然后，利用长短期记忆网络学习时间序列的特征。我们在两个基准数据集（C-MAPSS和PHM 08）上对所提出的模型进行了评估，结果表明它优于最先进的模型。此外，通过多头注意力机制的可解释性，该模型可以提供一个初步的解释发动机退化。因此，这种方法很有希望在IIoT场景中进行预测性维护。
2022-12-12 cs.LG stat.ML
Asymmetric-Loss-Guided Hybrid CNN-BiLSTM-Attention Model for Industrial RUL Prediction with Interpretable Failure Heatmaps
Omdurman Islamic University（奥尔曼伊斯兰大学）
本文提出融合1D-CNN、BiLSTM和自定义Bahdanau加性注意力机制的模型，通过非对称指数损失函数提升工业安全预测精度，并利用可解释性故障热图支持维护决策。
2026-04-17 cs.AI cs.LG cs.SY
Attention Sequence to Sequence Model for Machine Remaining Useful Life Prediction
准确估计工业设备的剩余使用寿命（RUL）可以实现先进的维护计划，提高设备可用性并降低运营成本。然而，由于以下两个原因，用于RUL预测的现有深度学习方法并不完全成功。首先，依赖于单个目标函数来估计RUL将限制学习的表示，从而影响预测精度。第二，虽然较长的序列是更多的信息建模的传感器动态的设备，现有的方法是不太有效的处理非常长的序列，因为它们主要集中在最新的信息。为了解决这两个问题，我们开发了一个新的基于注意力的序列与辅助任务（ATS2S）模型。特别地，我们的模型联合优化了重建损失以使我们的模型具有预测能力（通过预测给定当前输入序列的下一个输入序列）和RUL预测损失以最小化预测的RUL和实际RUL之间的差异。此外，为了更好地处理较长的序列，我们采用了注意力机制集中在所有重要的输入信息在训练过程中。最后，我们提出了一种新的双潜在特征表示，将编码器特征和解码器隐藏状态相结合，以捕获数据中丰富的语义信息。我们在四个真实数据集上进行了广泛的实验，以评估所提出的方法的有效性。实验结果表明，我们提出的方法可以实现优越的性能超过13个国家的最先进的方法一致。
2020-07-20 cs.LG stat.ML
Hybrid quantum recurrent neural network for remaining useful life prediction of turbofan engines
Terra Quantum AG
本文提出混合量子递归神经网络用于剩余寿命预测，实验表明其在误差指标上优于传统方法，展示了混合量子-经典方法在有限数据下的应用潜力。
2026-08-18 cs.LG quant-ph
Temporal convolutional and fusional transformer model with Bi-LSTM encoder-decoder for multi-time-window remaining useful life prediction
本文提出一种结合时序卷积网络和改进的时序融合变换器的模型，通过多时间窗口方法提升工业系统剩余寿命预测的准确性。
2025-11-06 cs.AI cs.LG
Time-Series Retrieval for Grounding Multimodal Language Models in Remaining Useful Life Prediction
University of Luxembourg（卢森堡大学）
本文提出时间序列检索关联的多模态大语言模型框架，在C-MAPSS基准FD001分区实验显示，该方法可提升RUL预测的误差与稳定性，且效果随模型容量变化。
2026-08-25 cs.AI cs.CL cs.LG
An Explainable Deep Learning-based Prognostic Model for Rotating Machinery
本文开发了一个可解释的深度学习模型，用于估计旋转机械的剩余使用寿命。该模型使用自动编码器从傅立叶变换中提取高级特征。该等特征用作前馈神经网络的输入以估计剩余可使用年期。本文通过分析特征的组成以及特征与估计结果之间的关系来解释模型的行为。为了使该模型具有可解释性，本文引入了倍频带滤波。滤波减小了自动编码器的输入大小并简化了模型。最后通过一个案例说明了该模型的解释方法。该研究还表明，该模型中的倍频程带滤波模仿了低级卷积层的功能。这一结果支持了使用滤波来降低模型深度的有效性。
2020-04-28 cs.LG eess.SP
Calibration of prediction rules for life-time outcomes using prognostic Cox regression survival models and multiple imputations to account for missing predictor data with cross-validatory assessment
Leiden University Medical Center（莱顿大学医学中心）
在本文中，我们扩大了方法，在Mertens等。al（2020，Biometrical Journal）的研究，该研究受删失的影响，并且当插补用于解释缺失值时。我们考虑的问题，缺失值可能会发生在校准数据以及新的预测观测（验证）。我们关注的是考克斯模型。描述了在删失的生存建模中将插补与预测校准相结合的方法。交叉验证的应用进行了讨论。我们展示了结论如何广泛地证实了第一篇仅限于二元结果研究的论文。具体来说，预测平均似乎具有优越的统计特性，特别是较小的预测变化，而不是直接应用鲁宾的规则。当使用鲁宾的基于规则的方法时，讨论了处理基线危险的不同方法。
2021-05-04 cs.LG stat.AP stat.ME
Multi-Sensor Prognostics using an Unsupervised Health Index based on LSTM Encoder-Decoder
TCS Research（塔塔咨询服务公司研究院）
使用机器的操作传感器数据来估计机器的剩余使用寿命（RUL）的许多方法对系统如何降级或故障如何演变做出假设，例如，指数退化然而，在许多领域中，退化可能并不遵循一种模式。我们提出了一个基于长短期记忆的编码器-解码器（LSTM-ED）计划，以获得一个无监督的健康指数（HI）的系统使用多传感器的时间序列数据。LSTM-ED被训练来重构与系统的健康状态相对应的时间序列。重建误差用于计算HI，HI然后用于RUL估计。我们在公开的涡扇发动机和铣床数据集上评估了我们的方法。我们还提出了一个现实世界的工业数据集从粉碎机磨，我们发现基于LSTM-ED的HI和维护成本之间的显着相关性的结果。
2016-08-22 cs.AI cs.LG
Accurate Remaining Useful Life Prediction with Uncertainty Quantification: a Deep Learning and Nonstationary Gaussian Process Approach
Georgia Institute of Technology（佐治亚理工学院）
针对高维特征、噪声鲁棒性和时间依赖问题，提出融合深度学习与非平稳高斯过程的DL-NSGPR模型，实现更精确且不确定性界更紧的RUL预测。
2021-09-23 cs.LG
A Hybrid CNN-LSTM Approach for Laser Remaining Useful Life Prediction
ADVA Optical Networking SE（ADVA光网络公司）；Christian-Albrechts-Universität zu Kiel（基尔大学）
提出了一种基于卷积神经网络（CNN）和长短期记忆（LSTM）的激光剩余寿命预测模型。实验结果表明，该方法优于传统方法。
2022-03-19 cs.LG eess.SP
Transformer-Based Prognostics: Enhancing Network Availability by Improved Monitoring of Optical Fiber Amplifiers
Adtran Networks SE；University of Augsburg（奥格斯堡大学）
本文提出一种轻量级变换器模型，通过基于状态的监控数据预测光纤放大器寿命，实现边缘级别的实时预测维护，提升网络可用性。
2026-03-30 cs.LG eess.SP
Self-Supervised Learning for Data Scarcity in a Fatigue Damage Prognostic Problem
Institut Clément Ader（克莱蒙·阿代尔研究所）；Université de Toulouse（图卢兹大学）；ISAE-SUPAERO（法国高等航空航天学院）
随着预测和健康管理（PHM）数据的可用性越来越高，深度学习（DL）技术现在成为该应用程序的关注主题，通常可以实现更准确的剩余使用寿命（RUL）预测。然而，DL技术的主要挑战之一在于难以在工业系统上获得大量的标记数据。为了克服这种缺乏标记数据的情况，我们在工作中考虑了一种新兴的学习技术：自监督学习，这是无监督学习方法的一个子类。本文旨在研究在未标记的传感器数据上以自监督的方式预训练DL模型是否可以用于仅使用少镜头学习（即具有稀缺标记数据）的RUL估计。在这项研究中，一个疲劳损伤力学问题的解决，通过估计的RUL的铝合金板（典型的航空航天结构）的疲劳裂纹应变片数据。使用由应变数据组成的合成数据集，允许广泛研究数据集大小对预测性能的影响。结果表明，自监督预训练模型在下游RUL预测任务中能够显著优于非预训练模型，并且计算费用更少，在只有有限的标记数据可用时，在预测任务中显示出有希望的结果。
2023-01-20 cs.AI cs.LG stat.ML
Deep Learning-Based Residual Useful Lifetime Prediction for Assets with Uncertain Failure Modes
North Carolina State University（北卡罗来纳州立大学）；Edward P. Fitts Department of Industrial and Systems Engineering, North Carolina State University（北卡罗来纳州立大学爱德华·P·菲茨工业与系统工程系）
针对多故障模式系统预测模型面临的信号重叠、数据未标注、模式信号相似等问题，提出两种结合混合（对数）位置尺度分布与深度学习的预测模型，经数值研究验证性能优于现有方法。
2025-01-13 cs.LG eess.SP stat.AP
Estimation of Remaining Useful Life and SOH of Lithium Ion Batteries (For EV Vehicles)
Vellore Institute of Technology（韦洛尔理工大学）
本文综述了锂离子电池剩余使用寿命的估计方法，并提出一种基于电压、电流和温度等性能参数训练的机器学习预测模型，实验证明其能准确估计电池剩余使用寿命。
2023-05-17 cs.AI cs.LG
Prognostics Estimations with Dynamic States
University of Macau（澳门大学）
机器设备的健康状态评估和剩余使用寿命估计在机器设备健康管理中具有重要的作用，可以减少机器设备的维护量，提高机器设备的安全性。然而，它们通常遭受缺乏先验知识的问题，以预先定义在具有高水平的不确定性的动态环境中操作的机器的确切故障阈值。在这种情况下，由离散状态描述的动态阈值是一种非常有吸引力的方法来估计动态机器的RUL。目前，考虑动态阈值的研究很少，而且这些研究采用不同的算法分别确定离散状态和预测连续状态，这大大增加了学习过程的复杂度。本文提出了一种新的航空发动机RUL估计的自联合预测的连续和离散状态，其中连续和离散状态的预测是同时进行的，在一个学习框架内动态的学习方法。
2018-09-23 cs.LG stat.ML
Computational framework for real-time diagnostics and prognostics of aircraft actuation systems
Politecnico di Torino（都灵理工大学）；Massachusetts Institute of Technology（麻省理工学院）
预测与健康管理（PHM）是一种新兴的产品生存周期管理方法，它将维护系统的安全性，提高可靠性，同时降低运行和维护成本。这对于航空航天系统尤其重要，因为航空航天系统同时需要高水平的完整性和高性能。提出了一种新的动态装配体故障实时的【形】检测与识别（FDI）以及系统剩余使用寿命（RUL）估计策略。如果能够及时估计系统的健康状况，就可以在知情的情况下对维护进行适应性规划，并对任务剖面进行动态重新配置，从而降低运营成本并提高可靠性。这项工作解决了预测流程的三个阶段-即（1）信号采集，（2）故障检测和识别，以及（3）剩余使用寿命估计-并介绍了一个计算效率高的程序，适用于实时的【形】，板载执行。为了实现这一目标，我们建议将来自不同保真度的物理模型的信息与机器学习技术相结合，以获得适用于几乎实时的【形】应用的有效表示（代理模型）。此外，我们提出了一种重要性采样策略和一种新的动力系统损伤传播建模方法。该方法进行评估的FDI和RUL估计的飞机机电作动器（EMA）的二次飞行控制。结果表明，所提出的方法允许在系统的RUL的评估精度高，同时优于常见的基于模型的技术在计算时间。
2020-09-30 cs.CE cs.LG cs.SY
Integrating Survival-Based Aging Models with Data-Driven RUL Prognostics
Traton AB；Halmstad University（哈尔姆斯塔德大学）；RISE Research Institutes of Sweden AB（瑞典RISE研究院）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本研究提出一种概率融合框架，整合基于磨损的生存模型与基于传感器的深度学习模型，通过失效概率分布实现不确定性感知的自适应加权，在N-CMAPSS数据集上提升了剩余使用寿命预测的精度与校准性。
2026-10-06 cs.LG
On the Soundness of XAI in Prognostics and Health Management (PHM)
Departamento de Ciencias de la Computación e Inteligencia Artificial（计算机科学与人工智能系）；Datrik Intelligence, S.A.（Datrik智能股份公司）；Universidad de Sevilla（塞维利亚大学）
在预测与健康管理（PHM）领域中，预测性维护的目的是在设备中的潜在问题变得至关重要之前识别和预测这些问题。要解决的主要挑战是评估一件设备在失效之前有效运行的时间，即剩余使用寿命（RUL）。深度学习（DL）模型，如深度卷积神经网络（DCNN）和长短期记忆（LSTM）网络，已被广泛采用来解决这一任务，并取得了巨大成功。然而，众所周知，这种黑箱模型是不透明的决策系统，并且可能很难向利益相关者（工业设备专家）解释其输出。由于决定这些复杂模型行为的参数数量庞大，因此理解预测背后的推理具有挑战性。这项工作提出了一个关键的和比较的修订，一些XAI方法应用于时间序列回归模型PM。其目的是探索时间序列回归中的XAI方法，这些方法的研究比时间序列分类方法少。实验期间使用的模型是经过训练的DCNN，用于预测飞机发动机的RUL。使用一组量化任何XAI方法应该实现的一些理想属性的度量来审查和比较这些方法。结果表明，GRAD-CAM是最稳健的方法，并且最佳层不是底部层，这在图像处理的上下文中是常见的。
2023-03-09 cs.AI cs.LG
Prognostic Framework for Robotic Manipulators Operating Under Dynamic Task Severities
School of Industrial and Systems Engineering, Georgia Institute of Technology（工业与系统工程系，佐治亚理工学院）；Department of Mechanical and Aerospace Engineering, University of California Davis（机械与航空航天工程系，加州大学戴维斯分校）
本文提出一种预后框架，通过布朗运动与连续时间马尔可夫链建模任务严重度对机器人操作手位置精度的影响，预测剩余使用寿命，并验证高严重度任务会缩短RUL。
2025-10-25 cs.LG cs.RO cs.SY
Remaining Useful Lifetime Prediction via Deep Domain Adaptation
Eindhoven University of Technology（埃因霍温理工大学）
在预测与健康管理（PHM）中，充分的先前观察到的退化数据通常是剩余使用寿命（RUL）预测的关键。大多数以前的数据驱动预测方法假设训练（源）和测试（目标）状态监测数据具有相似的分布。然而，由于不同的操作条件，故障模式，噪声和设备更新分布偏移存在于不同的数据域。这种转变降低了先前针对特定条件构建的预测模型的性能，因为没有观察到的运行至故障数据可用于重新训练。为了解决这个问题，本文提出了一种新的数据驱动的方法，用于使用长短期神经网络（LSTM）的统计学中的领域自适应。我们使用一个时间窗口的方法来提取时间信息的时间序列数据中的源域与观察到的RUL值和目标域只包含传感器信息。我们提出了一种域对抗性神经网络（DANN）方法来学习域不变特征，这些特征可用于预测目标域中的RUL。实验结果表明，该方法可以提供更可靠的RUL预测数据集的不同操作条件和故障模式。这些结果表明，所提出的方法提供了一个有前途的方法来执行领域自适应在实际的PHM应用。
2019-07-17 cs.LG stat.ML
A stacked deep convolutional neural network to predict the remaining useful life of a turbofan engine
Seville University（塞维利亚大学）；Datrik Ingellicence S.A.
本文介绍了数据驱动的技术和方法，用于预测剩余使用寿命（RUL）的机队的飞机发动机，可以遭受不同性质的故障。提出的解决方案是基于两个深度卷积神经网络（DCNN）堆叠在两个层次。第一DCNN用于使用归一化的原始数据作为输入来提取低维特征向量。第二个DCNN摄取从前一个DCNN获取的向量列表并估计RUL。模型选择是通过贝叶斯优化使用重复随机抽样验证方法进行的。该方法在2021年PHM会议数据挑战赛中排名第三。
2021-11-24 cs.AI cs.LG
Interpretable Prognostics with Concept Bottleneck Models
Intelligent Maintenance and Operations Systems, EPFL（EPFL智能维护与运营系统中心）
本研究提出将概念瓶颈模型应用于工业资产剩余使用寿命预测，利用退化模式作为可解释概念，在N-CMAPSS数据集上验证了其性能可与黑盒模型媲美或更优，同时提供固有可解释性和干预能力。
2024-05-27 cs.LG eess.SP stat.ML
Prognostics for Autonomous Deep-Space Habitat Health Management under Multiple Unknown Failure Modes
本文提出一种无监督预测框架，用于在未知故障模式下预测剩余使用寿命，通过聚类退化轨迹和选择模式特定传感器提高预测准确性和可解释性。
2026-10-08 cs.LG cs.SY eess.SY
BACE-RUL: A Bi-directional Adversarial Network with Covariate Encoding for Machine Remaining Useful Life Prediction
School of Software Engineering, Sun Yat-Sen University（中山大学软件学院）；School of Computer Science and Technology, China University of Mining and Technology（中国矿业大学计算机科学与技术学院）；National University of Singapore（新加坡国立大学）
本文提出BACE-RUL模型，通过双向对抗网络和协变量编码，利用当前传感器数据预测机器剩余寿命，优于现有方法。
2026-03-05 cs.AI cs.LG
Meta-Learning and Knowledge Discovery based Physics-Informed Neural Network for Remaining Useful Life Prediction
Dalian University of Technology（大连理工大学）
针对旋转机械RUL预测中目标域数据稀缺、退化动力学不明确的问题，提出MKDPINN，通过HSM映射数据、PGR学习物理约束并结合元学习，在工业数据和C-MAPSS基准上泛化性与准确性优于基线，解决数据稀缺下的预测难题。
2025-04-18 cs.AI cs.LG
Robust-MBDL: A Robust Multi-branch Deep Learning Based Model for Remaining Useful Life Prediction and Operational Condition Identification of Rotating Machines
University of Science and Technology - The University of Danang（岘港大学科技大学）；Institute for Computational Science and Artificial Intelligence, Van Lang University（文郎大学计算科学与人工智能研究院）；Van Lang University（文郎大学）；AIT Austrian Institute of Technology GmbH（奥地利AIT技术研究院有限公司）；University of Technology of Compiègne（贡比涅技术大学）
本研究提出Robust-MBDL鲁棒多分支深度学习系统，整合去噪模块、多域特征提取与多分支网络，实现旋转机械剩余使用寿命预测与状态识别，在两个基准数据集上性能优于现有最优方法。
2023-12-14 cs.AI cs.LG
Data-driven Prognostics with Predictive Uncertainty Estimation using Ensemble of Deep Ordinal Regression Models
TCS Research（塔塔咨询服务研究中心）
预测或剩余使用寿命（RUL）估计从多传感器时间序列数据是有用的，使基于条件的维护，并确保设备的高操作可用性。我们提出了一种新的基于深度学习的方法，用于预测不确定性量化，这在以下情况下是有用的：（i）由于故障的罕见性，对标记的故障数据的访问是稀缺的（ii）未来的操作条件是不可观察的（iii）传感器读数中存在固有的噪声。上述三种情况都是RUL估计过程中不可避免的不确定性来源，通常会导致不可靠的RUL估计。为了解决（i），我们将RUL估计公式化为有序回归（OR）问题，并提出LSTM-OR：基于深度长短期记忆（LSTM）网络的方法来学习OR函数。我们表明，LSTM-OR自然允许在训练中结合审查的操作实例以及失败的实例，从而实现更强大的学习。为了解决（ii），我们提出了一个简单而有效的方法来量化预测的不确定性，在RUL估计模型的训练LSTM-OR模型的合奏。通过对C-MAPSS涡扇发动机基准数据集的实证评估，我们证明了LSTM-OR明显优于常用的基于深度度量回归的RUL估计方法，特别是当失败的训练实例很少时。此外，我们的不确定性量化方法产生高质量的预测不确定性估计，同时也导致改进的RUL估计相比，单一的最佳LSTM-OR模型。
2021-03-04 cs.LG stat.ML
An Explainable Regression Framework for Predicting Remaining Useful Life of Machines
University of Engineering and Technology（工程技术大学）；Munster Technological University（芒斯特理工大学）；AJOU University（亚洲大学）
预测设备的剩余使用寿命是预测性维护的关键任务之一。该任务被视为一个回归问题，其中机器学习（ML）算法用于预测机器组件的RUL。这些机器学习算法通常被用作黑箱，完全专注于性能，而不确定算法决策背后的潜在原因及其工作机制。我们认为，性能（在均方误差（MSE）等方面）仅凭这些是不足以建立利益相关者对ML预测的信任的，还需要对预测背后的原因有更多的了解。为此，在本文中，我们通过提出一个可解释的回归框架来预测机器的RUL，从而探索可解释AI（XAI）技术的潜力。我们还评估了几种ML算法，包括经典的和基于神经网络（NN）的任务解决方案。对于解释，我们依赖于两种模型不可知的XAI方法，即局部可解释模型不可知解释（LIME）和Shapley加法解释（SHAP）。我们相信，这项工作将为该领域的未来研究提供一个基线。
2022-04-30 cs.AI cs.LG
Time-Series Foundation Model Embeddings for Remaining Useful Life Estimation
University of Erlangen-Nuremberg（埃尔朗根-纽伦堡大学）；Siemens AG（西门子股份公司）
提出冻结预训练时间序列基础模型Chronos-2作为骨干，结合轻量回归头进行剩余寿命预测，在工业传感器数据上优于多种基线方法。
2026-08-12 cs.AI cs.LG
Fault Prognosis of Turbofan Engines: Eventual Failure Prediction and Remaining Useful Life Estimation
Michigan Institute for Data Science, University of Michigan（密歇根大学密歇根数据科学研究所）；Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系）
本文提出一种融合PCA特征正交化与定制损失函数的多任务预测方法，同时预测涡扇发动机健康状态、最终故障部件和剩余使用寿命，其中ANN-Flux在分类和RUL估计上均显著优于以往工作。
2023-03-23 cs.LG cs.SY eess.SP
Controlled physics-informed data generation for deep learning-based remaining useful life prediction under unseen operation conditions
Nanjing University of Science and Technology（南京理工大学）；EPFL（洛桑联邦理工学院）
本研究提出一种结合受控物理信息生成对抗网络（CPI-GAN）与深度学习预测模型的混合框架，通过生成物理可解释的合成退化轨迹，解决TTF数据稀缺问题，并在N-CMAPSS数据集上显著提升RUL预测精度。
2023-05-08 cs.LG
Transfer learning for Remaining Useful Life Prediction Based on Consensus Self-Organizing Models
Halmstad University（哈尔姆斯塔德大学）
传统的开发机器性能的范例通常依赖于在设备部署之前在受控条件下从实验中获得的数据的概括。以这种方式检测或预测故障并估计机器健康假设未来的现场数据将具有与实验数据非常相似的分布。然而，许多复杂的机器在动态环境条件下运行，并以许多不同的方式使用。这使得收集全面的数据非常具有挑战性，部署前数据和部署后数据遵循非常相似的分布的假设不太可能成立。迁移学习（TL）是指将在一个环境（源域）中学习的知识转移到另一个环境（目标域）的方法。在这项工作中，我们提出了一个TL方法预测剩余使用寿命（RUL）的设备，假设标签只适用于源域，而不是目标域。该设置对应于将部署前执行的有限数量的运行至故障实验概括为使用来自在多个新操作条件下使用并经历以前未见过的故障的已部署设备的数据进行预测。我们采用偏差检测方法，共识自组织模型（COSMO），创建可转移的功能，建立RUL回归模型。这些功能捕捉目标设备与其同类设备相比的差异。使用NASA涡扇发动机退化模拟数据集证明了所提出的TL方法的有效性。当目标域比源域复杂时，使用COSMO可转移特征的模型在预测RUL上表现出比其他方法更好的性能。
2019-09-30 cs.LG stat.ML
Multiscale Dual-path Feature Aggregation Network for Remaining Useful Life Prediction of Lithium-Ion Batteries
Southwest University（西南大学）；College of Computer（计算机学院）；College of Han Hong（韩红学院）
本文提出多尺度双路径特征聚合网络用于锂离子电池剩余使用寿命预测，通过整合深浅属性有效把握局部和全局模式，实验表明其在预测精度上优于现有方法。
2025-12-16 cs.AI cs.LG
Automated Machine Learning for Remaining Useful Life Predictions
USU Software AG（USU软件公司）；Esslingen University of Applied Sciences（埃斯林根应用科学大学）；Leibniz University Hannover（汉诺威莱布尼茨大学）；University of Stuttgart（斯图加特大学）；Fraunhofer IPA（弗劳恩霍夫制造工程与自动化研究所）
针对剩余使用寿命预测需机器学习专业知识的痛点，提出AutoRUL——基于AutoML的端到端集成预测方法，在8个数据集上性能比肩手工构建的先进模型，降低了领域专家的使用门槛。
2025-01-17 cs.AI cs.LG
Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction
Scania CV AB（斯堪尼亚商用车有限公司）；KTH Royal Institute of Technology（瑞典皇家理工学院）；RISE Research Institutes of Sweden（瑞典RISE研究院）
本文提出集成神经网络方法用于剩余使用寿命的概率预测，同时建模并解耦任意不确定性与认知不确定性，在NASA CMAPSS数据集上验证了其有效性并优于现有方法。
2023-09-21 cs.AI cs.LG
Demonstration of a Response Time Based Remaining Useful Life (RUL) Prediction for Software Systems
University of Maryland（马里兰大学）
针对现有软件健康管理仅能诊断无法预测剩余使用寿命的问题，本文将PHM理念引入软件领域，提出基于使用与性能参数的软件RUL预测方法，经多维度验证及Bugzilla案例证实方法可行，可支撑软件系统管理决策。
2023-07-23 cs.LG cs.SE stat.AP
Interaction models for remaining useful life estimation
Artificial Intelligence Research Institute (AIRI)（人工智能研究院（AIRI））；JCS MERI；HSE University（高等经济大学）；National University of Science and Technology MISIS（国立科技研究大学MISIS）
本文讨论了根据传感器读数控制工业设备状态的问题。当前的方法依赖于一种发生预测的特征提取方法。我们提出了一种技术来构建一个可扩展的模型，结合多个不同的特征提取器块。一个新的模型的基础上，顺序传感器空间分析实现了最先进的C-MAPSS基准设备剩余使用寿命估计的结果。验证了所得到的模型性能，包括随缩放的预测变化。
2023-01-10 cs.LG
Supervised Contrastive Learning based Dual-Mixer Model for Remaining Useful Life Prediction
Key Laboratory of Intelligent Bionic Unmanned Systems, Ministry of Education, University of Science and Technology Beijing（北京科技大学智能仿生无人系统重点实验室（教育部））；School of Automation and Electrical Engineering, University of Science and Technology Beijing（北京科技大学自动化与电气工程学院）
本文提出Dual-Mixer时空同质特征提取器与基于监督对比学习的FSGRI训练方法，通过逐层渐进特征融合和关系一致性约束提升剩余使用寿命预测精度，并在C-MAPSS数据集上验证了其优越性。
2024-01-29 cs.AI cs.LG
CNN-LSTM Hybrid Deep Learning Model for Remaining Useful Life Estimation
Indira Gandhi Centre for Atomic Research (IGCAR)（英迪拉·甘地原子能研究中心）；Christ (deemed to be) University（基督（被视为）大学）
针对传统方法在剩余使用寿命（RUL）估计中精度不足且忽略数据序列特性的问题，提出一种结合CNN特征提取与LSTM序列预测的混合深度学习模型，在预测性维护中实现了更高精度和更优评分。
2024-12-20 cs.AI cs.LG
IIP-Mixer:Intra-Inter Patch Mixing Architecture for Battery Remaining Useful Life Prediction
Dongguan Polytechnic（东莞职业技术学院）
本文提出一种纯MLP架构IIP-Mixer，通过块内与块间双头混合并行提取局部和全局时间模式，并首次引入加权损失函数，在电池剩余使用寿命预测中优于Transformer等主流时间序列模型。
2024-03-27 cs.AI cs.LG
ChatGPT-Like Large-Scale Foundation Models for Prognostics and Health Management: A Survey and Roadmaps
Tsinghua University（清华大学）；Institute for Quality and Reliability, Tsinghua University（清华大学质量与可靠性研究院）
本文综述了ChatGPT等大规模基础模型在预测与健康管理（PHM）中的应用，提出了构建适用于PHM任务的LSF-Model的方法，并规划了未来发展的挑战与路线图。
2023-05-12 cs.AI cs.CL cs.LG
Improving Semi-Supervised Learning for Remaining Useful Lifetime Estimation Through Self-Supervision
Technische Universität Berlin（柏林工业大学）；IAV GmbH（IAV公司）
RUL估计受到服务器数据不平衡的影响，其中来自接近其生命周期结束的机器的数据很少。此外，机器产生的数据只能在机器故障后才能标记。半监督学习（SSL）可以合并尚未失败的机器产生的未标记数据。以前的SSL工作评估他们的方法在不切实际的条件下，接近失败的数据仍然可用。即便如此，也只有适度的改善。提出了一种基于自监督预训练的SSL方法。该方法可以优于两个竞争的方法，从文献和监督基线在现实条件下的NASA C-MAPSS数据集。
2021-08-26 cs.LG
Time-Series Regeneration with Convolutional Recurrent Generative Adversarial Network for Remaining Useful Life Estimation
Peking University（北京大学）；Singapore University of Technology and Design（新加坡科技设计大学）
对于健康预测任务，越来越多的努力集中在基于机器学习的方法上，这些方法能够在不探索退化机制的情况下为工业设备或部件产生准确的剩余使用寿命（RUL）估计。确保这些方法成功的先决条件取决于大量的运行至故障数据，然而，运行至故障数据在实践中可能是不够的。也就是说，进行大量的破坏性实验不仅成本高昂，而且可能造成灾难性的后果。基于这种考虑，本文首次提出了一种针对非循环和循环退化模式的数据自生成的增强型RUL框架。它旨在以数据驱动的方式丰富数据，生成逼真的时间序列以增强当前的RUL方法。首先，通过所提出的卷积递归生成对抗网络（CR-GAN）确保高质量的数据生成，该网络采用双通道融合卷积递归神经网络。接下来，提出了一个分层框架，将生成的数据结合到当前的RUL估计方法中。最后，通过非循环和循环退化系统验证了所提出的方法的有效性。利用改进的RUL框架，采用三种典型的RUL模型对航空发动机系统进行了非循环退化试验。最先进的RUL估计结果是通过用生成的时间序列增强胶囊网络来实现的。具体而言，估计误差的指标评分函数已分别减少了21.77%，和32.67%的两个工作条件，分别。此外，估计误差降低到零的锂离子电池系统，这是周期性退化。
2021-01-11 cs.AI cs.LG
Health Indicator Forecasting for Improving Remaining Useful Life Estimation
Hitachi America, Ltd.（日立美国有限公司）
预测是关于预测设备未来的健康状况和任何潜在的故障。随着物联网（IoT）的发展，利用机器学习模型的数据驱动方法越来越受欢迎。数据驱动方法的最重要类别之一依赖于预定义或学习的健康指标来表征设备到目前为止的状况，并推断未来可能如何演变。在这些方法中，健康指标预测使用部分观察的测量（即，健康指标值）起着关键作用。现有的健康指标预测算法，如函数经验贝叶斯方法、基于回归的公式化方法、基于最近邻的朴素情景匹配方法等，都存在一定的局限性。在本文中，我们提出了一种新的“生成+场景匹配”算法的健康指标预测。所提出的方法背后的关键思想是首先使用运行到故障的健康指标曲线的样本，用连续高斯过程非参数化地拟合潜在的健康指标曲线。然后，所提出的方法从学习的分布生成一组丰富的随机曲线，试图获得目标健康状况演变过程在系统的生命周期内的所有可能的变化。功能正常的设备的健康指标外推被推断为在观察期内具有最高匹配水平的生成曲线。我们的实验结果表明，我们的算法优于其他国家的最先进的方法。
2020-06-05 cs.LG stat.AP stat.ML
Utilizing Multiple Inputs Autoregressive Models for Bearing Remaining Useful Life Prediction
本文提出一种融合振动信号与历史健康指标预测值的多输入自回归模型，用于轴承剩余使用寿命预测，并通过分割方法与多次训练迭代抑制误差累积，在PMH2012数据集上显著优于传统自回归和非自回归方法。
2023-11-26 cs.AI cs.LG eess.SP
Dual Aspect Self-Attention based on Transformer for Remaining Useful Life Prediction
Shandong University（山东大学）；Institute of Marine Science and Technology（海洋科学与技术研究院）
剩余使用寿命预测是状态维修的关键技术之一，对维护工业设备的可靠性和安全性具有重要意义。大量的工业测量数据有效地提高了基于数据驱动的RUL预测方法的性能。虽然深度学习在RUL预测方面取得了巨大成功，但现有方法在处理长序列以及从传感器和时间步长方面提取信息方面存在困难。在本文中，我们提出了基于Transformer的双方面自注意（DAST），这是一种新的深度RUL预测方法，它是一种纯粹基于自注意的编码器-解码器结构，没有任何RNN/CNN模块。DAST由两个编码器组成，它们并行工作，同时提取不同传感器和时间步长的特征。DAST编码器仅基于自关注，在处理长数据序列时更有效，并且能够自适应地学习以关注输入的更重要部分。此外，并行特征提取设计避免了两方面信息的相互影响。两个广泛使用的涡扇发动机数据集上的实验表明，我们的方法显着优于最先进的RUL预测方法。
2022-04-20 cs.AI cs.LG eess.SP
Uncertainty-aware Remaining Useful Life predictor
ETH Zürich（苏黎世联邦理工学院）；CSEM SA（瑞士电子与微技术中心）
剩余使用寿命（RUL）估计是推断某个工业资产在其定义的规格范围内预计可以运行多久的问题。在实际应用中部署成功的RUL预测方法是设计智能维护策略的先决条件，具有大幅降低维护成本和机器停机时间的潜力。鉴于其在广泛的工程领域中的卓越性能，机器学习（ML）算法是解决智能维护系统设计中所涉及的挑战的自然候选者。特别是，考虑到与太晚或太早的维护决策相关的潜在灾难性后果或大量成本，ML算法在其预测的同时提供不确定性估计是可取的。然而，用于RUL问题中的不确定性估计的标准数据驱动方法不能很好地扩展到大型数据集，或者不能充分表达从原始传感器数据到RUL估计的高维映射。在这项工作中，我们认为深度高斯过程（DGP）作为上述限制的可能解决方案。我们执行一个彻底的评估和比较的几个变种的DGP适用于RUL预测。算法的性能进行评估的N-CMAPSS（新的商业模块化航空推进系统仿真）数据集从美国宇航局的飞机发动机。结果表明，所提出的方法能够提供非常准确的RUL预测以及合理的不确定性估计，为（安全关键的）现实生活中的工业应用提供更可靠的解决方案。
2021-04-08 cs.AI cs.LG stat.AP
Forecasting remaining useful life: Interpretable deep learning approach via variational Bayesian inferences
ETH Zurich（苏黎世联邦理工学院）
预测机械、基础设施或其他设备的剩余使用寿命可以促进抢先维护决策，从而通过及时维修或更换来防止故障。这允许通过考虑预期的故障时间来提供更好的决策支持，从而有望降低成本。在这里，可以通过将概率密度函数拟合到过去的寿命，然后利用（有条件的）预期剩余使用寿命作为预测，来得出共同的基线。这种方法在实践中得到广泛使用，因为它具有很高的解释力。机器学习有望提供一种更准确的替代方案，其中预测通过传感器数据将退化过程和环境变量纳入其中。然而，机器学习在很大程度上起着黑箱方法的作用，因此其预测丧失了大部分所需的可解释性。作为我们的主要贡献，我们提出了一种结构效应神经网络来预测剩余使用寿命，它结合了两种方法的有利特性：其关键创新在于它提供了高度的问责制和深度学习的灵活性。通过变分贝叶斯推断的参数估计。根据航空发动机的实际故障时间，对不同的方法进行了比较。这表明了我们的方法的性能和优越的可解释性，而我们最后讨论的决策支持的影响。
2019-07-19 cs.LG stat.ML
