A Hybrid Deep Learning Model-based Remaining Useful Life Estimation for Reed Relay with Degradation Pattern Clustering
Singapore University of Technology and Design（新加坡科技设计大学）；Keysight Company（是德科技公司）
干簧继电器是功能测试的基本元件，它与电子产品质量检验的成败密切相关。为了提供准确的干簧继电器剩余使用寿命（RUL）估计，基于以下三个考虑，提出了一种具有退化模式聚类的混合深度学习网络。首先，多种退化行为观察干簧继电器，因此，一个动态的时间包裹为基础的$K$均值聚类提供区分退化模式。第二，虽然适当的特征选择具有重要意义，但很少有研究可以指导选择。所提出的方法建议的操作规则，易于实现的目的。第三，针对卷积神经网络（CNN）在捕捉时序数据时序信息方面的不足，提出了一种基于卷积神经网络的剩余使用寿命估计方法（RULNet）。通过这种方式，RULNet的三种变体被构建为健康指标，自组织映射特征或曲线拟合特征。最后，通过一个具有两种不同退化方式的实际干簧继电器数据集，将所提出的混合模型与典型的基线模型（包括CNN和长短期记忆网络（LSTM））进行了比较。两种退化情况的结果表明，所提出的方法在指标均方根误差方面优于CNN和LSTM。
2022-09-14 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
FedCMAPSS: A Benchmark for Federated Learning in Remaining Useful Life Estimation
University of Catania（卡塔尼亚大学）
本文提出基于NASA C-MAPSS数据集的联邦RUL估计基准FedCMAPSS，定义五类任务模拟工业挑战，评估多种联邦优化算法，为联邦预测性维护提供标准基础。
2026-08-28 cs.LG
SARNet: A Spike-Aware consecutive validation Framework for Accurate Remaining Useful Life Prediction
Georgetown University（乔治·华盛顿大学）；Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）
SARNet通过引入时序卷积网络和时序验证机制，提升剩余寿命预测的准确性和可解释性，降低误差并保持轻量和鲁棒性。
2026-01-25 cs.LG
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
Predicting Remaining Useful Life using Time Series Embeddings based on Recurrent Neural Networks
TCS Research（塔塔咨询服务研究部）
我们考虑的问题，估计剩余使用寿命（RUL）的系统或机器的传感器数据。许多基于传感器数据的RUL估计方法都假设机器如何降级。此外，来自机器的传感器数据是嘈杂的，并且在许多实际设置中经常遭受缺失值。我们建议Embed-RUL：一种用于从传感器数据估计RUL的新方法，其不依赖于任何退化趋势假设，对噪声是鲁棒的，并且处理缺失值。Embed-RUL利用基于循环神经网络（RNN）的序列到序列模型来生成多变量时间序列序列的嵌入。嵌入正常和退化的机器往往是不同的，因此被发现是有用的RUL估计。我们表明，嵌入捕获的时间序列中的整体模式，同时过滤掉噪声，使嵌入的两台机器具有相似的操作行为是彼此接近，即使他们的传感器读数有显着和不同程度的噪声内容。我们在公开的涡扇发动机数据集和专有的真实世界数据集上进行实验，并证明Embed-RUL在几个指标上优于先前报道的最先进的技术。
2017-10-06 cs.LG
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 of Lithium-ion batteries using spatio-temporal multimodal attention networks
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；RPTU Kaiserslautern-Landau（凯泽斯劳滕-兰道工业大学）；University of Lorraine（洛林大学）；Centre de Recherche en Automatique de Nancy (CRAN)（南锡自动化研究中心）
本文提出基于时空多模态注意力网络（ST-MAN）的两阶段锂离子电池剩余使用寿命预测方法，有效捕捉复杂时空依赖并纳入温度、内阻等被忽视特征，在无寿命终止先验知识下取得优于CNN和LSTM的预测精度。
2024-06-06 cs.LG
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
Spatio-Temporal Attention Graph Neural Network for Remaining Useful Life Prediction
University of Kassel（卡塞尔大学）
针对现有剩余使用寿命预测模型时空特征融合不足、归一化方法选择不一致的问题，提出结合图神经网络、时间卷积网络和时空多头注意力的时空注意力图神经网络，在C-MAPSS数据集上取得SOTA性能，聚类归一化可使多工况下性能最高提升27%。
2024-01-29 cs.LG
Pre-Trained Large Language Model Based Remaining Useful Life Transfer Prediction of Bearing
Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院）；Institute of Reliability Engineering, Beihang University（北京航空航天大学可靠性工程研究所）；School of Reliability and Systems Engineering, Beihang University（北京航空航天大学可靠性与系统工程学院）；China Electronics Information Industry Group Co., Ltd. Sixth Research Institute（中国电子信息产业集团有限公司第六研究所）
针对轴承等旋转机械剩余使用寿命预测需求，指出传统数据驱动深度学习方法存在分布不一致、长期预测泛化性不足的问题，提出基于预训练大语言模型的迁移预测思路。
2025-01-13 cs.LG cs.SY eess.SY
A Mapping Study of Machine Learning Methods for Remaining Useful Life Estimation of Lead-Acid Batteries
SENAI Institute of Innovation for Information and Communication Technologies (ISI-TICs)（SENAI信息与通信技术创新研究所（ISI-TICs））；Rural Federal University of Pernambuco (UFRPE)（伯南布哥农村联邦大学（UFRPE））
本文通过映射研究系统梳理了机器学习方法在铅酸电池SoH和RUL估计中的应用，分析了算法类型、准确性与推理时间及传感器组合，并指出未来研究空白与方向。
2023-07-11 cs.LG
Temporal Convolutional Memory Networks for Remaining Useful Life Estimation of Industrial Machinery
Singapore University of Technology and Design（新加坡科技设计大学）；University of Moratuwa（莫拉图瓦大学）；University of Melbourne（墨尔本大学）；Keysight Technologies（是德科技）；National University of Singapore（新加坡国立大学）
准确估计工业机械的剩余使用寿命（RUL）在许多实际应用中是有益的。估计技术主要利用线性模型或基于神经网络的方法，重点是短期时间依赖性。本文介绍了一个系统模型，它结合了时间卷积与长期和短期的时间依赖性。该网络学习传感器值的显著特征和复杂的时间变化，并预测RUL。使用数据增强方法来提高精度。所提出的方法进行了比较与几个国家的最先进的算法公开可用的数据集。它展示了有希望的结果，对于从复杂环境中获得的数据集具有优异的结果。
2018-12-10 cs.LG stat.ML
Remaining Useful Life Estimation for Turbofan Engines: A Comparative Study of Classical, CNN, and LSTM Approaches
Khoury College of Computer Science, Northeastern University（东北大学计算机科学学院）
本文比较了经典方法、CNN和LSTM在NASA C-MAPSS数据集上对涡轮风扇发动机剩余寿命估计的性能，发现LSTM在FD001和FD003上分别取得14.93和14.20的RMSE，优于其他方法。
2026-04-29 cs.LG
Hybrid Deep Learning with Temporal Data Augmentation for Accurate Remaining Useful Life Prediction of Lithium-Ion Batteries
School of Physics and Electronic Information, Anhui Normal University（安徽师范大学物理与电子信息学院）；College of Mechanical and Vehicle Engineering, Hunan University（湖南大学机械与运载工程学院）；School of Design, NingboTech University（浙大宁波理工学院设计学院）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Bay Laboratory（深圳湾实验室）
本文提出CDFormer模型，结合卷积神经网络、深度残差收缩网络和Transformer编码器，提取电池测量信号的多尺度时间特征，提升RUL预测准确性，并通过复合时间数据增强策略提高预测可靠性。
2026-03-28 cs.LG
A Quantile Regression Approach for Remaining Useful Life Estimation with State Space Models
Department of Information Engineering University of Padova（信息工程系帕多瓦大学）
本文提出一种基于状态空间模型和同步分位数回归的剩余使用寿命估计方法，在C-MAPSS数据集上优于LSTM、Transformer和Informer，兼具高精度与计算效率。
2025-06-20 cs.AI cs.LG
Remaining Useful Life Estimation Under Uncertainty with Causal GraphNets
ETH Zürich（苏黎世联邦理工学院）
在这项工作中，提出了一种新的时间序列模型的构建和训练方法，该方法处理具有非等间距观测的大型时间序列的学习问题，同时可能具有跨多个尺度的感兴趣的特征。该方法适用于非平稳随机时间序列的预测建模，并在模拟的随机退化数据集和实际的球轴承加速寿命试验数据集上验证了该方法的有效性。所提出的方法，这是基于GraphNets，隐式地学习一个模型，该模型描述了系统的演化在一个状态向量的水平，而不是一个原始的观察。将所提出的方法与具有时间卷积特征提取器头（RNN-tCNN）的递归网络进行比较，该时间卷积特征提取器头（RNN-tCNN）形成了所考虑的问题上下文的已知可行替代方案。最后，通过利用最近的进展，在学习概率分布的重新参数化梯度的计算，一个简单而有效的技术，用于表示预测的不确定性作为一个伽玛分布在剩余的使用寿命预测。
2020-11-23 cs.LG stat.AP
Joint Prediction of Remaining Useful Life and Failure Type of Train Wheelsets: A Multi-task Learning Approach
University at Buffalo, The State University of New York（纽约州立大学布法罗分校）；IBM T J Watson Research Center（IBM T J 沃森研究中心）
训练车轮的故障导致训练运行中断，甚至导致大部分训练脱轨。轮对的剩余使用寿命（RUL）衡量下一次故障的发生时间，而故障类型则揭示了故障的严重程度。RUL预测是一个回归任务，而故障类型是一个分类任务。在本文中，我们提出了一种多任务学习方法，通过使用一个共同的输入空间来共同完成这两个任务，以达到更理想的结果。我们开发了一个凸优化公式，以整合最小二乘损失和负最大似然逻辑回归，并建模的联合稀疏的L2/L1范数的模型参数耦合跨任务的特征选择。实验结果表明，我们的方法比单任务学习方法的预测精度提高了3%。
2021-01-20 cs.LG math.OC
Learning representations with end-to-end models for improved remaining useful life prognostics
Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；LORIA（洛林计算机科学及其应用实验室）；CRAN（自动化研究中心）；INRIA（法国国家信息与自动化研究所）
设备的剩余使用寿命（RUL）定义为当前时间与其故障之间的持续时间。对剩余使用寿命作出准确可靠的预测，可为决策者提供宝贵的信息，以便采取适当的维护战略，最大限度地提高设备利用率，避免代价高昂的故障。在这项工作中，我们提出了一个基于多层感知器和长短期记忆层（LSTM）的端到端深度学习模型来预测RUL。在所有数据标准化之后，输入直接馈送到MLP层进行特征学习，然后馈送到LSTM层以捕获时间依赖性，最后馈送到其他MLP层进行RUL预测。提出的架构进行了测试，美国宇航局商业模块化航空推进系统仿真（C-MAPSS）数据集。尽管它的简单性，相对于其他最近提出的模型，该模型开发优于他们的竞争得分显着下降，并在均方根误差之间的预测和黄金价值的RUL得分。在本文中，我们将讨论所提出的端到端模型如何能够实现如此好的结果，并将其与其他深度学习和最先进的方法进行比较。
2021-05-26 cs.AI cs.LG
On an Application of Generative Adversarial Networks on Remaining Lifetime Estimation
The University of Sheffield（谢菲尔德大学）
结构健康监测的一个主要问题是结构的损伤预测和剩余使用寿命的确定。这两项任务都依赖于许多参数，其中许多参数往往是不确定的。许多模型已被开发用于上述任务，但它们要么是确定性的，要么是随机性的，只考虑结构的有限数量的过去状态。在目前的工作中，生成模型，提出了为了对结构的损伤演化的预测。该模型能够执行基于人口的SHM（PBSHM）框架，考虑到许多过去的状态的损坏的结构，将不确定性的建模过程中，并产生潜在的损伤演化结果，根据从结构获得的数据。该算法进行了测试模拟损伤演化的例子，结果表明，它是能够提供相当有信心的预测人口内的结构的剩余使用寿命。
2022-08-18 cs.LG eess.SP stat.ML
Artificial Neural Networks and Adaptive Neuro-fuzzy Models for Prediction of Remaining Useful Life
The University of Texas at Arlington（德克萨斯大学阿灵顿分校）
美国的配水系统包括数千英里的管道，这些管道由不同的材料、不同的尺寸和年龄建造而成。这些管道受到物理、环境、结构和操作应力的影响，导致恶化，最终导致其失效。管道老化会导致破裂率增加、水力能力降低，并对水质产生不利影响。因此，至关重要的是使用准确的模型来预测恶化率，同时估计管道的剩余使用寿命，以实施必要的干扰计划，以防止灾难性故障。本文讨论了一种应用人工神经网络（ANN）和自适应神经模糊推理系统（ANFIS）预测水管RUL的计算模型。这些模型经过训练和测试，获得现场数据，以确定影响RUL预测的重要参数。得出的结论是，平均而言，现有铸铁、球墨铸铁、石棉水泥和钢水管的壁厚损失约为10%，剩余使用寿命约减少50%
2019-08-28 cs.LG cs.NE stat.ML
Joint Remaining Useful Life Prediction and Capacity Estimation of Lithium-Ion Batteries Using Partial-Charging Data
Ton Duc Thang University（孙德胜大学）；The University of Danang—University of Science and Technology（岘港大学—科技大学）；AIWARE Limited Company（AIWARE有限公司）
提出交叉专家框架，利用部分充电数据联合预测锂离子电池剩余使用寿命与容量，在公开数据集上取得最低RUL误差。
2026-09-23 cs.LG
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
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
Slow-varying Dynamics Assisted Temporal Capsule Network for Machinery Remaining Useful Life Estimation
Singapore University of Technology and Design（新加坡科技设计大学）；Chongqing University（重庆大学）；Inner Mongolia University of Science and Technology（内蒙古科技大学）；Institute for Infocomm Research (I2R), A*STAR（新加坡科技研究局信息通信研究所（I2R））
胶囊网络（CapsNet）作为典型卷积神经网络的一种很有前途的替代方案，是开发机械设备剩余使用寿命（RUL）估计模型的主导网络。虽然CapsNet具有通过高维向量嵌入来表示实体的层次关系的令人印象深刻的能力，但它无法捕获从退化机械设备测量的运行到故障时间序列的长期时间相关性。另一方面，慢变动态，揭示了隐藏在机械动力学行为中的低频信息，在现有的RUL估计模型中被忽视，限制了先进网络的最大能力。为了解决上述问题，我们提出了一个慢变动力学辅助时间CapsNet（SD-TemCapsNet），同时学习慢变动力学和时间动力学从测量准确的RUL估计。首先，根据故障演化的敏感性，从正常原始数据中分解慢变特征，以传达对应于系统动态的低频分量。接下来，将长短期记忆（LSTM）机制引入CapsNet，以捕获时间序列的时间相关性。为此，在航空发动机和铣床上进行的实验验证了所提出的SD-TemCapsNet优于主流方法。与CapsNet相比，四种不同情景下的飞机发动机估计精度分别提高了10.17%、24.97%、3.25%和13.03%。同样，铣床的估计精度比LSTM提高了23.57%，比CapsNet提高了19.54%。
2022-03-30 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
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
Multi-Channel Swin Transformer Framework for Bearing Remaining Useful Life Prediction
Faculty of Engineering and Computer Science University of Victoria, Canada（工程与计算机科学学院 维多利亚大学）
针对轴承剩余使用寿命估计受噪声、退化趋势复杂等影响的难题，提出结合WPD去噪与带注意力特征融合、定制损失函数的MCSFormer框架，在PRONOSTIA数据集上同/跨工况性能均优于现有模型，且能减少晚期预测、提升安全性。
2025-05-20 cs.LG
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
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
Remaining Useful Life Estimation of Hard Disk Drives using Bidirectional LSTM Networks
Murray State University（默里州立大学）；Manipal Institute of Technology（曼尼帕尔理工学院）
物理和云存储服务由功能和可靠的大容量存储系统提供良好的服务。最近的观察指出，硬盘可靠性是包含大量存储设备（如HDD）的数据中心中最紧迫的可靠性问题之一。在这方面，早期检测磁盘级别即将发生的故障有助于减少系统停机时间并减少运营损失，从而使主动健康监控成为此类设置中AIOps的优先事项。在这项工作中，我们介绍的方法提取有意义的属性与操作失败和预处理的高度不平衡的健康统计数据的后续预测任务，使用数据驱动的方法。我们使用具有多日回顾期的双向LSTM来学习健康指标的时间进展，并将其与普通LSTM和随机森林模型进行比较，以提出几个关键指标，这些指标在一些严格定义的操作约束下确定了我们模型的有用性和优越性。例如，使用15天的回顾期，考虑到故障前60天的测试数据，我们的方法可以预测磁盘故障的发生，准确率为96.4%。这有助于提前提醒运营维护人员潜在的缓解需求。此外，我们的模型报告了0.12的平均绝对误差预测故障提前60天，在最近的文献中的最先进的。
2021-09-11 cs.LG
Graph Neural Networks for Leveraging Industrial Equipment Structure: An application to Remaining Useful Life Estimation
TCS Research（TCS研究院）
通过流式多传感器时间序列数据进行的自动化设备健康监测可用于实现基于状态的维护，避免突然的灾难性故障，并确保高运营可用性。我们注意到，大多数复杂的机器都有一个记录良好且易于访问的底层结构，用于捕获子系统或模块之间的相互依赖关系。基于递归神经网络（RNN）或卷积神经网络（CNN）的深度学习模型未能明确地将这种潜在的丰富领域知识源利用到学习过程中。在这项工作中，我们建议捕捉复杂设备的结构图的形式，并使用图神经网络（GNNs）建模多传感器的时间序列数据。使用剩余使用寿命估计作为一个应用任务，我们评估的优势，通过GNNs的公开可用的涡轮风扇发动机基准数据集上的图形结构。我们观察到，所提出的基于GNN的RUL估计模型与文献中的几个强基线（例如基于RNN和CNN的基线）相比毫不逊色。此外，我们观察到，学习网络能够通过简单的注意力机制关注即将发生故障的模块（节点），这可能为可操作的诊断铺平道路。
2020-06-30 cs.LG stat.ML
Mechanisms for Integrated Feature Normalization and Remaining Useful Life Estimation Using LSTMs Applied to Hard-Disks
Vanderbilt University（范德堡大学）
随着智能社区的兴起，提高整体系统可用性正成为一个主要问题。为了提高系统中组件的可靠性，我们提出了一个推理模型来预测这些组件的剩余使用寿命（RUL）。在本文中，我们与后端数据服务器的组件，如硬盘，受到降级。深度长短期记忆（LSTM）网络被用作这个快速、数据驱动的决策框架的主干，并动态捕获传入数据的模式。在这篇文章中，我们讨论了神经网络的体系结构，并描述了选择各种超参数的机制。此外，我们描述了从高度无组织和类别不平衡的大数据中提取有效训练集所面临的挑战，并通过在线模拟集建立了大量数据预处理，特征提取和验证的在线预测方法，其中硬盘的剩余使用寿命未知。我们的算法在预测接近故障的设备的临界区附近的RUL方面表现得特别好。使用所提出的方法，我们能够预测磁盘是否会在未来十天内失败，平均精度为0.8435。我们还表明，在特定模型上训练的架构可以通过迁移学习来预测来自同一制造商的不同型号设备的RUL。
2019-06-17 cs.LG stat.ML
A Neural Network-Evolutionary Computational Framework for Remaining Useful Life Estimation of Mechanical Systems
University of California Merced（加州大学默塞德分校）；CINVESTAV（国立理工学院高级研究中心）
本文提出了一个框架，估计机械系统的剩余使用寿命（RUL）。该框架由一个多层感知器和一个进化算法优化数据相关的参数。该框架利用跨越的时间窗口来估计机械部件的RUL。调整与数据相关的参数可能会成为一项非常耗时的任务。这里提出的框架自动重塑数据，从而提高模型的效率。此外，模型的复杂度保持较低，例如，具有很少的隐藏层和在每层的很少的神经元的神经网络。拥有简单的模型有几个优点，比如训练时间短，以及在计算资源有限的环境中的能力，比如嵌入式系统。在公开的C-MAPSS数据集上对所提出的方法进行了评估，并将其精度与其他最先进的方法进行了比较。
2019-05-15 cs.LG cs.NE stat.ML
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
Automatic Remaining Useful Life Estimation Framework with Embedded Convolutional LSTM as the Backbone
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
预测性维修的一个重要任务是通过对多变量时间序列的分析来预测剩余使用寿命。使用滑动窗口方法，卷积神经网络（CNN）和传统的递归神经网络（RNN）方法已经在这个问题上产生了令人印象深刻的结果，因为它们能够学习优化的特征。然而，序列信息仅部分地由CNN方法建模。由于传统RNN中的扁平化机制，如长短期记忆（LSTM），窗口内的时间信息没有完全保留。为了利用多层次的时间信息，提出了许多结合CNN和RNN模型的方法。在这项工作中，我们提出了一种新的LSTM变体，称为嵌入式卷积LSTM（ECLSTM）。在ECLSTM中，一组不同的1D卷积被嵌入到LSTM结构中。通过这样，时间信息在窗口之间和窗口内被保留。由于模型的超参数需要仔细调整，我们还提出了一个自动预测框架的基础上贝叶斯优化与hyperband优化器，这使得网络架构的有效优化。最后，我们展示了我们提出的ECLSTM方法在几个广泛使用的基准数据集上的优越性。
2020-08-10 cs.LG stat.ML
Generalized multiscale feature extraction for remaining useful life prediction of bearings with generative adversarial networks
KIST Europe（韩国科学技术研究院欧洲分院）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Korea Institute of Science and Technology Europe Forschungsgesellschaft mbH（韩国科学技术研究院欧洲研究有限公司）
轴承是工业机械中的关键部件，其故障可能导致不必要的停机时间和经济损失。因此，有必要预测轴承的剩余使用寿命（RUL）。传统的数据驱动的RUL预测方法需要专家领域知识来进行手动特征提取，并且可能遭受训练数据和测试数据之间的数据分布差异。在这项研究中，我们提出了一种新的广义多尺度特征提取方法与生成对抗网络。对抗训练从不同的方位学习训练数据的分布，并被引入健康阶段划分和RUL预测。为了从一维振动信号中捕获序列特征，我们采用了一种U-Net架构，该架构可以重构特征，以便在对抗网络的生成器中使用多尺度层来处理它们。为了验证所提出的方法，在两个旋转机械数据集上进行了综合实验，以预测RUL。实验结果表明，该特征提取方法能够有效地预测规则语言，优于传统的基于深度神经网络的规则语言预测方法。实现代码可在https://github.com/opensuh/GMFE上获得。
2021-09-26 cs.CV cs.LG
A Comparative Study between Bayesian and Frequentist Neural Networks for Remaining Useful Life Estimation in Condition-Based Maintenance
在过去的十年中，深度学习（DL）在基于状态的维护环境中预测机器剩余使用寿命（RUL）方面的表现优于基于模型和统计方法。DL的主要缺点之一是它严重依赖于大量的标记数据，这些数据通常是昂贵且耗时的，特别是在工业应用中。稀缺的训练数据导致模型参数的不确定估计，这反过来又导致预测性能差。量化此参数不确定性对于确定预测的可靠性非常重要。传统的深度学习技术，如神经网络，无法捕捉训练数据中的不确定性，因此他们对自己的估计过于自信。相反，贝叶斯深度学习最近成为一种很有前途的解决方案，可以解决训练过程中的不确定性，在许多分类和回归任务中实现最先进的性能。在这项工作中，将贝叶斯密集神经网络和贝叶斯卷积神经网络等贝叶斯DL技术应用于RUL估计，并与文献中的频率论对应技术进行比较。在流行的C-MAPSS数据集上验证了所提模型的有效性。此外，参数的不确定性被量化，并用于获得更多的洞察数据。
2019-12-20 cs.LG stat.ML
Hybrid Gaussian Process Regression with Temporal Feature Extraction for Partially Interpretable Remaining Useful Life Interval Prediction in Aeroengine Prognostics
Fudan University（复旦大学）
本文提出一种改进的高斯过程回归与深度自适应学习相结合的混合模型，用于航空发动机剩余使用寿命区间预测，通过时序特征提取和特征重要性评估提升预测准确性、可解释性与不确定性建模能力。
2024-11-19 cs.AI cs.LG stat.ML
Generalization bounds and sample complexity for remaining useful life prediction from complete degradation trajectories
研究数据驱动的剩余使用寿命预测中样本复杂度问题，通过建立泛化界等七个围绕三个主题的结果，给出基本学习率，量化领域知识作用及数据质量影响，提供闭式表达式，跨域验证结果，为相关应用提供实用指南。
2026-07-28 cs.LG
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
A temporal scale transformer framework for precise remaining useful life prediction in fuel cells
University College London（伦敦大学学院）；University of Sheffield（谢菲尔德大学）；University of Liverpool（利物浦大学）；Newcastle University（纽卡斯尔大学）；Iowa State University（爱荷华州立大学）
针对Transformer在燃料电池剩余寿命预测中存在的时间序列分析复杂度高、全局与局部特征捕捉不足问题，提出增强型TSTransformer框架，通过多阶段标记映射、卷积增强注意力等改进，提升预测性能与效率，助力可再生能源PHM发展。
2025-04-08 cs.LG
Conformal Prediction Intervals for Remaining Useful Lifetime Estimation
Institute of Informatics（信息学研究所）；University of Munich (LMU)（慕尼黑大学（LMU））
预测和健康管理的主要目标是估计剩余使用寿命（RUL），即系统或设备在开始不正确运行之前仍然处于工作状态的时间。近年来，已经提出了许多机器学习算法用于RUL估计，主要集中于提供更准确的RUL预测。然而，问题中存在许多不确定性来源，例如系统故障的固有随机性，缺乏关于其未来状态的知识，以及底层预测模型的不准确性，使得精确预测RUL不可行。因此，在RUL预测的同时量化不确定性至关重要。在这项工作中，我们调查的保形预测（CP）框架，表示不确定性预测集的目标变量（间隔的情况下，RUL），而不是点预测的可能值。在非常温和的技术假设下，CP正式保证实际值（真实RUL）被预测集覆盖，并且具有可以预先指定的确定性程度。我们研究了三个CP算法，以符合任何单点RUL预测，并把它变成一个有效的区间预测。最后，我们整合了两个单点RUL预测器，深度卷积神经网络和梯度提升，并在商用模块化航空推进系统仿真（C-MAPSS）数据集上展示了它们的性能。
2022-12-30 cs.LG stat.AP
Remaining useful life prediction with uncertainty quantification: development of a highly accurate model for rotating machinery
Georgia Institute of Technology（佐治亚理工学院）
旋转机械对于现代生活至关重要，从发电到运输以及许多其他工业应用。由于这些设备通常在具有挑战性的工作条件下运行，这可能导致过早的故障，因此准确的剩余使用寿命（RUL）预测对于维护计划和防止灾难性故障至关重要。在这项工作中，我们解决了当前旋转机械数据驱动的RUL预测面临的挑战。挑战围绕着预测的准确性和不确定性量化，以及给定传感器数据的系统退化和RUL估计的非平稳性。我们设计了一种新的架构和具有不确定性量化的RUL预测模型，称为VisPro，它集成了时频分析，深度学习图像识别和非平稳高斯过程回归。我们使用PHM12轴承振动数据集对我们的模型与其他先进的数据驱动的RUL预测模型进行分析和基准测试。计算实验表明，（1）VisPro预测是高度准确的，并提供了显着的改进，现有的预测模型（比第二个最好的模型准确三倍），和（2）RUL的不确定性界限是有效的和信息。我们确定和讨论的架构和建模的选择，解释这种出色的预测性能的VisPro。
2021-09-23 cs.CE cs.LG eess.SP
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
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
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
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
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
Spatio-temporal Attention-based Hidden Physics-informed Neural Network for Remaining Useful Life Prediction
Lancaster University（兰卡斯特大学）；University of Western Ontario（西安大略大学）
针对剩余使用寿命预测中深度学习方法精度低、可解释性差的问题，提出融合时空注意力与隐式物理信息的STA-HPINN模型，通过双维度自注意力提取退化特征并结合物理约束提升性能，在基准数据集尤其复杂工况下优于前沿方法。
2024-05-20 cs.LG cs.SY eess.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
