SSM-CGM: Interpretable State-Space Forecasting Model of Continuous Glucose Monitoring for Personalized Diabetes Management
Harvard Medical School（哈佛医学院）
针对现有CGM预测模型临床可解释性不足的问题，提出基于Mamba的SSM-CGM模型，整合多源生理信号，在提升短期预测精度的同时实现可解释性与反事实预测，为个性化糖尿病管理提供生理可解释的框架。
2025-10-05 cs.LG
Continuous Temporal Learning of Probability Distributions via Neural ODEs with Applications in Continuous Glucose Monitoring Data
Universidad Autónoma de Madrid（马德里自动大学）；Harvard University（哈佛大学）
本文提出一种结合MMD非参数估计与Neural ODE的高斯混合概率模型，用于捕捉连续时间随机过程的演化，在26周临床试验中有效分析CGM数据分布变化并实现严格的纵向比较。
2025-09-17 cs.LG math.DS stat.AP
A dual mode adaptive basal-bolus advisor based on reinforcement learning
University of Bern（伯尔尼大学）；Debiotech S.A.（Debiotech股份公司）；St. Mary's University（圣玛丽大学）；Insel Gruppe AG（Insel集团股份公司）
本研究提出基于强化学习的自适应基础-大剂量算法（ABBA），支持SMBG和CGM双模式输入，在100名成人计算机模拟中验证了其能实现个性化胰岛素优化与血糖控制，且不受监测技术类型影响。
2019-01-07 cs.LG cs.SY eess.SY
Use of Continuous Glucose Monitoring with Machine Learning to Identify Metabolic Subphenotypes and Inform Precision Lifestyle Changes
Department of Genetics, Stanford University（遗传学系，斯坦福大学）；Stanford University（斯坦福大学）；Google Research（谷歌研究）；Systems and Biomedical Engineering Department, Cairo University（系统与生物医学工程系，开罗大学）；Department of International Health, Johns Hopkins Bloomberg School of Public Health（国际健康系，约翰·霍普金斯布劳尔学校公共卫生学院）；Department of Medicine, Stanford University（医学系，斯坦福大学）
本文综述了利用连续血糖监测与机器学习对早期血糖异常进行动态代谢亚表型识别的方法，证明其可预测胰岛素抵抗和β细胞功能，并为个体化营养与生活方式干预提供依据。
2025-11-06 cs.LG q-bio.QM
Lightweight Sequential Transformers for Blood Glucose Level Prediction in Type-1 Diabetes
Department of Informatics, Systems and Communication, University of Milano-Bicocca（信息学、系统与通信系，米兰-比科卡大学）
本文提出了一种轻量级顺序变换器模型，用于1型糖尿病的血糖预测，通过结合注意力机制和循环神经网络的优势，实现高效且准确的血糖预测与不良事件检测。
2025-06-14 cs.AI cs.LG
GlucoFM: A Dual-Stream Foundation Model for Continuous Glucose Monitoring
Google Research（谷歌研究）；University of New South Wales（新南威尔士大学）
提出GlucoFM，一种轻量级CGM基础模型，通过将血糖动态分解为慢生理状态和瞬态事件流，在7个临床预测任务上平均PR-AUC比最佳CGM专用模型提高4.1点。
2026-08-27 cs.LG
GlucoBench: Curated List of Continuous Glucose Monitoring Datasets with Prediction Benchmarks
Texas A&M University（德克萨斯农工大学）
针对现有CGM血糖预测研究缺乏统一公开数据集、标准任务与基准导致可复现性差、临床落地少的问题，该研究推出GlucoBench资源库，整合公开数据集、标准化任务、基准模型及性能影响因素分析，以推动领域协同研究。
2024-10-08 cs.LG q-bio.QM stat.AP
Hearing Your Blood Sugar: Non-Invasive Glucose Measurement Through Simple Vocal Signals, Transforming any Speech into a Sensor with Machine Learning
Istanbul Technical University（伊斯坦布尔技术大学）
针对传统血糖监测有创、现有无创技术存在局限的问题，本研究提出基于语音分析的无创血糖预测方法，通过机器学习结合逻辑回归与岭正则化构建模型，验证了语音与血糖的显著相关性，为糖尿病管理提供了低成本无痛的新方案。
2024-08-15 cs.LG cs.SD eess.AS
Multimodal Fusion of Glucose Monitoring and Food Imagery for Caloric Content Prediction
针对2型糖尿病管理中热量摄入估算难的问题，提出融合CGM数据、人口统计学/微生物组数据与食物图像的多模态深度学习框架，在40余人的数据集上实现0.2544的RMSRE，性能超基线50%以上，助力慢性病饮食评估工具优化。
2025-05-20 cs.CV cs.LG
An Exploratory Study of Blood Glucose Estimation from Photoplethysmography Signals using Machine Learning
Indraprastha Institute of Information Technology, Delhi（德里印度信息技术学院）
本研究利用智能手表PPG信号和CGM血糖数据构建机器学习模型，探索无创血糖估计的可行性，初步结果显示存在预测信号但需更多数据验证。
2026-06-16 cs.LG
Digital Twin-Driven Pavement Health Monitoring and Maintenance Optimization Using Graph Neural Networks
针对传统路面管理系统缺乏实时智能的问题，提出统一的数字孪生与图神经网络框架，通过图结构学习退化模式并预测病害，结合强化学习模块实现自适应维护规划，为主动智能的路面管理奠定基础。
2025-11-04 cs.CE cs.ET cs.LG
A Large Sensor Foundation Model Pretrained on Continuous Glucose Monitor Data for Diabetes Management
Johns Hopkins University（约翰斯·霍普金斯大学）；Welldoc Inc.（Welldoc公司）；Northwestern University（西北大学）
针对现有血糖预测模型泛化性不足的问题，提出基于Transformer解码器、在160万条多群体CGM数据上预训练的大型传感器模型CGM-LSM，显著提升2小时内血糖预测的准确性与鲁棒性，还具备跨群体零样本预测能力。
2025-08-01 cs.AI cs.LG q-bio.QM
Continuous-Time Learning of Probability Distributions: A Case Study in a Digital Trial of Young Children with Type 1 Diabetes
Universidad Autónoma de Madrid（马德里自治大学）；Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学）
本文提出基于神经ODE的高斯混合模型，用于分析CGM数据中时间索引分布的连续时间演变，检测治疗相关血糖动态改善。
2026-03-25 cs.LG stat.ML
DPA-Net: A Dual-Path Attention Neural Network for Inferring Glycemic Control Metrics from Self-Monitored Blood Glucose Data
Binghamton University, Department of Computer Science（宾夕法尼亚州立大学比恩代特分校计算机科学系）；University of Virginia, School of Data Science（弗吉尼亚大学数据科学学院）
提出DPA-Net双路径注意力网络，从稀疏SMBG数据估计AGP指标，结合轨迹重建与直接预测，在真实数据上实现低误差并减少偏差。
2025-10-08 cs.LG
Predicting the meal macronutrient composition from continuous glucose monitors
Texas A&M University（得克萨斯农工大学）
2型糖尿病（T2DM）患者持续高血糖水平可能会造成灾难性的长期健康后果。T2DM临床干预的一个重要组成部分是监测饮食摄入，以将血糖水平保持在可接受的范围内。然而，目前监测食物摄入的技术是时间密集型的并且容易出错。为了解决这个问题，我们正在开发技术，使用连续葡萄糖监测仪（CGMs）自动监测食物摄入量和这些食物的成分。本文介绍了一项临床研究的结果，在该研究中，参与者在佩戴CGM的同时食用了9种已知大量营养素（碳水化合物，蛋白质和脂肪）的标准化膳食。我们建立了一个多任务神经网络来估计CGM信号中的常量营养素成分，并将其与基线线性回归进行比较。最好的预测结果来自我们提出的神经网络，训练与主题相关的数据，测量均方根相对误差和相关系数。这些发现表明，有可能从CGM信号中估计常量营养素组成，从而有可能开发自动技术来跟踪食物摄入量。
2022-06-23 cs.LG q-bio.QM
Blood Glucose Level Prediction in Type 1 Diabetes Using Machine Learning
University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）；Hospital for Advanced Medicine & Surgery (HAMS)（高级医学与外科医院（HAMS））
本研究利用机器学习、深度神经网络、深度强化学习及集成回归器，基于DiaTrend数据集预测1型糖尿病患者30分钟后的血糖水平，以辅助优化糖尿病管理系统。
2025-01-30 cs.LG q-bio.QM
Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing for Blood Glucose Prediction
The University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）；University of Pennsylvania（宾夕法尼亚大学）
血糖（BG）管理对于1型糖尿病患者至关重要，因此需要可靠的人工胰腺或胰岛素输注系统。近年来，深度学习技术已被用于更准确的BG水平预测系统。然而，连续葡萄糖监测（CGM）读数易受探头错误的影响。因此，不准确的CGM读数将影响BG预测并使其不可靠，即使使用最佳的机器学习模型。在这项工作中，我们提出了一种新的方法来预测血糖水平与堆叠的长短期记忆（LSTM）为基础的深度循环神经网络（RNN）模型考虑传感器故障。我们使用卡尔曼平滑技术的校正不准确的CGM读数由于传感器误差。对于OhioT 1DM数据集，包含来自6名不同患者的8周数据，我们分别在30分钟和60分钟的预测范围（PH）内实现了6.45和17.24 mg/dl的平均RMSE。据我们所知，这是OhioT 1DM数据集的领先平均预测精度。不同的生理信息，例如，卡尔曼平滑的CGM数据、膳食中的碳水化合物、餐时胰岛素和固定时间间隔内的累积步数被精心制作，以表示用作模型输入的有意义的特征。我们的方法的目标是降低预测CGM值和手指针刺血糖读数之间的差异-基础事实。我们的研究结果表明，所提出的方法是可行的，更可靠的血糖预测，可能会提高性能的人工胰腺和胰岛素输注系统的T1 D糖尿病管理。
2021-01-18 cs.AI cs.LG
Basal Glucose Control in Type 1 Diabetes using Deep Reinforcement Learning: An In Silico Validation
Imperial College London（伦敦帝国学院）；University College London（伦敦大学学院）
1型糖尿病（T1 D）患者需要定期外源性输注胰岛素，以将其血糖浓度维持在治疗上足够的目标范围内。尽管人工胰腺和连续葡萄糖监测已被证明在实现闭环控制方面是有效的，但由于葡萄糖动力学的高度复杂性和技术上的限制，仍然存在重大挑战。在这项工作中，我们提出了一种新的用于单激素（胰岛素）和双激素（胰岛素和胰高血糖素）传递的深度强化学习模型。特别是，交付策略是通过双Q学习与扩张的递归神经网络开发的。出于设计和测试目的，采用FDA认可的UVA/Padova 1型模拟器。首先，我们进行了长期的广义训练，以获得人口模型。然后，这个模型是个性化的一个小的数据集的特定主题的数据。计算机模拟结果表明，与使用低葡萄糖胰岛素混悬液的标准基础-餐时胰岛素治疗相比，单激素和双激素给药策略可实现良好的血糖控制。具体而言，在成人队列（n=10）中，目标范围[70，180] mg/dL内的时间百分比从77.6%改善至80.9%（单激素对照组）和$85.6\%$（双激素对照组）。在青少年队列（n=10）中，目标范围内的时间百分比从55.5%提高到65.9%，单激素控制，双激素控制为78.8%。在所有情况下，观察到低血糖症显著减少。这些结果表明，使用深度强化学习是T1 D闭环葡萄糖控制的可行方法。
2020-05-18 cs.LG eess.SP q-bio.QM
Hybrid Attention Model Using Feature Decomposition and Knowledge Distillation for Glucose Forecasting
College of Health Solutions at Arizona State University（亚利桑那州立大学健康解决方案学院）
本文提出GlucoNet系统，通过特征分解和知识蒸馏提升血糖预测精度与效率，实现更准确的实时预测与干预。
2026-04-14 cs.LG eess.SP
Bridging POMDPs and Bayesian decision making for robust maintenance planning under model uncertainty: An application to railway systems
ETH Zürich（苏黎世联邦理工学院）；Swiss Federal Railways SBB（瑞士联邦铁路）；Technical University of Munich（慕尼黑工业大学）；Pennsylvania State Univ.（宾夕法尼亚州立大学）
结构健康监测（SHM）描述了用于推断结构状况的可量化指标的过程，其可以用作支持关于基础设施资产的操作和维护的决策的输入。由于关键结构的寿命很长，这个问题可以被看作是一个连续的决策问题，在规定的范围。部分可观测马尔可夫决策过程（POMDPs）提供了一个正式的框架来解决潜在的最优规划任务。然而，两个问题可能会破坏POMDP解决方案。首先，需要一个模型，可以充分描述恶化或纠正措施下的结构条件的演变，其次，从可用的监测数据的观察过程参数的恢复的非平凡的任务。尽管存在这些潜在的挑战，但所采用的POMDP模型通常不考虑模型参数的不确定性，导致解决方案可能不切实际地自信。在这项工作中，我们解决了这两个关键问题。我们提出了一个框架，估计POMDP过渡和观察模型参数直接从现有的数据，通过马尔可夫链蒙特卡罗（MCMC）采样的隐马尔可夫模型（HMM）的条件下的行动。MCMC推断估计所涉及的模型参数的分布。然后，我们形成并解决POMDP问题，利用推断的分布，推导出的解决方案，是强大的模型的不确定性。我们成功地应用我们的方法对铁路轨道资产的维修规划的基础上的“分形值”指标，这是从实际的铁路监测数据计算。
2022-12-15 cs.AI cs.LG cs.SY
Toward Affordable and Non-Invasive Detection of Hypoglycemia: A Machine Learning Approach
Department of Computer Science, Virginia Digital Maritime Center (VDMC) Old Dominion University（计算机科学系，弗吉尼亚数字海洋中心（VDMC）旧 Dominion 大学）
本文提出利用可穿戴设备采集的皮肤电反应（GSR）信号，通过机器学习模型实现无创低血糖检测，其中LSTM召回率达1.00，为资源有限环境提供了可负担的CGM替代方案。
2025-09-22 cs.HC cs.LG
Blood Glucose Level Prediction: A Graph-based Explainable Method with Federated Learning
University College London（伦敦大学学院）
针对现有血糖预测模型缺乏属性关联解释和隐私问题，提出图注意力记忆模型结合联邦学习，在OhioT1DM数据集上验证了其有效性和稳定性。
2023-12-19 cs.LG
Privacy Preserved Blood Glucose Level Cross-Prediction: An Asynchronous Decentralized Federated Learning Approach
Institute of Health Informatics, University College London（伦敦大学学院健康信息学研究所）；Department of Psychiatry, University of Oxford（牛津大学精神病学系）；Department of Diabetes & Endocrinology, University College London Hospitals（伦敦大学学院医院糖尿病与内分泌科）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）
针对1型糖尿病新患者血糖预测冷启动问题与隐私保护需求，提出异步去中心化联邦学习方法GluADFL，在多数据集上性能优于基线，支持不同网络拓扑与灵活参与，为隐私保护的跨患者血糖预测提供实用方案。
2024-06-21 cs.AI cs.LG
PMB-NN: Physiological-Model-Based Neural Network for Glucose Forecasting in Type 1 Diabetes
University of Twente（特温特大学）
该研究提出PMB-NN框架，结合个性化生理模型与TCN，在1型糖尿病血糖预测中表现优于单独生理模型，可评估预测准确性、生理反应及参与者特定系数。
2026-10-16 cs.LG physics.med-ph
GlyTwin: Digital Twin for Glucose Control in Type 1 Diabetes Through Optimal Behavioral Modifications Using Patient-Centric Counterfactuals
College of Health Solutions, Arizona State University（亚利桑那州立大学健康解决方案学院）；School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）；Department of Endocrinology, Mayo Clinic Arizona（梅奥诊所亚利桑那分部内分泌科）
提出GlyTwin框架，通过整合反事实解释生成最佳行为干预（如调整碳水化合物摄入和胰岛素剂量），以降低高血糖事件，并在AZT1D数据集上验证其有效性。
2026-05-21 cs.AI cs.HC cs.LG
Physics-informed data-driven machine health monitoring for two-photon lithography
Department of Mechanical Engineering, University of Michigan, Ann Arbor, MI 48109, United States（密歇根大学安娜堡分校机械工程系）；Department of Mechanical Science and Engineering, University of Illinois at Urbana-Champaign, Urbana, IL 61801, United States（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系）
本文提出三种方法，结合物理信息数据驱动预测模型与统计方法，实现双光子光刻机健康状态的准确及时监测，通过实验验证其高准确度、鲁棒性和泛化能力。
2025-10-16 cs.LG stat.ML
A Review on Machine Learning Approaches for the Prediction of Glucose Levels and Hypogylcemia
Helmut-Schmidt-University（赫尔穆特·施密特大学）；Helios Klinikum Gifhorn GmbH（赫利俄斯吉夫霍恩医院有限公司）
本文综述了利用机器学习预测1型糖尿病患者葡萄糖水平和低血糖的方法，探讨了不同模型在不同预测时间范围内的性能及影响因素。
2026-01-09 cs.LG
SERVIMON: AI-Driven Predictive Maintenance and Real-Time Monitoring for Astronomical Observatories
INAF, Osservatorio Astrofisico di Catania（意大利国家天体物理研究所，卡塔尼亚天文物理观测站）
ServiMon提出一种结合云原生技术与机器学习的可扩展智能流水线，用于天文望远镜系统的预测性维护、实时异常检测与监控，有效提升系统弹性与科学数据质量。
2025-10-31 astro-ph.IM cs.LG
A Digital Twin Framework Utilizing Machine Learning for Robust Predictive Maintenance: Enhancing Tire Health Monitoring
Northwestern University（西北大学）；Michelin North America（米其林北美公司）
本研究提出一种面向轮胎健康监测的数字孪生预测性维护框架，通过数据降维、transformer模型预测RCP及不确定性、混合建模实时更新、轮胎状态决策算法实现维护决策，提升汽车安全与运维效率。
2024-08-12 cs.CE cs.LG
Reassessing the Feasibility of PPG-Based Non-Invasive Blood Glucose Level Estimation
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
该研究提出首个可复现的PPG血糖评估流程，发现随机划分会高估模型泛化能力，严格划分下模型性能崩溃但临床区域指标掩盖失效，强调需先做稳健ML评估再临床验证。
2026-08-04 cs.HC cs.LG
A function approximation approach to the prediction of blood glucose levels
Claremont Graduate University（克莱蒙特研究生大学）；The Johann Radon Institute for Computational and Applied Mathematics (RICAM), Austrian Academy of Sciences（奥地利科学院约翰·拉东计算与应用数学研究所（RICAM））；Westmont College（韦斯特蒙特学院）
基于来自连续葡萄糖监测（CGM）设备的读数的血糖（BG）水平的实时的预测问题是糖尿病护理中非常重要的问题，并且因此近年来吸引了大量研究，特别是基于机器学习的研究。准确预测30、60或90分钟的预测范围有可能节省数百万美元的紧急护理费用。在本文中，我们把这个问题作为一个函数逼近，其中的值的血糖水平在时间$t+h$（其中$h$的预测范围）被认为是一个未知的函数的$d$读数之前的时间$t$。这个未知的功能可以支持，特别是在一些未知的子流形的$d$维欧氏空间。虽然流形学习通常是在半监督设置中完成的，其中整个数据必须事先已知，但我们使用最近的想法来实现监督设置中的准确函数近似;即，为目标函数建立模型。我们使用最先进的临床相关PRED-EGA网格来评估我们的结果，并证明对于现实生活中的数据集，我们的方法比标准的深度网络更好，特别是在低血糖和高血糖状态下。这项工作的一个值得注意的方面是，训练数据和测试数据可能来自不同的分布。
2021-06-29 cs.LG cs.NA math.NA
LLM-Powered Prediction of Hyperglycemia and Discovery of Behavioral Treatment Pathways from Wearables and Diet
School of Computing and Augmented Intelligence, Arizona State University（计算与增强智能学院，亚利桑那州立大学）；College of Health Solutions, Arizona State University（健康解决方案学院，亚利桑那州立大学）
本研究提出GlucoLens系统，利用大语言模型和多模态数据预测餐后血糖及高血糖，提供可解释的治疗路径建议。
2025-07-03 cs.AI cs.LG
PACD-Net: Pseudo-Augmented Contrastive Distillation for Glycemic Control Estimation from SMBG
University of Virginia, School of Data Science, Charlottesville, VA 22903, USA（弗吉尼亚大学数据科学学院）；University of Virginia, Department of Pediatrics, Charlottesville, VA 22903, USA（弗吉尼亚大学儿科系）
本研究提出PACD-Net，一种自监督对比学习框架，用于从稀疏不规则采样的SMBG数据中估计血糖控制指标，通过伪SMBG样本指导学习并提高模型的准确性和稳定性。
2026-05-20 cs.AI cs.LG cs.SY
Towards Affordable, Non-Invasive Real-Time Hypoglycemia Detection Using Wearable Sensor Signals
Department of Computer Science, Old Dominion University, Norfolk, VA, USA（计算机科学系，旧 Dominion 大学）；Virginia Digital Maritime Center (VDMC), Old Dominion University, Norfolk, VA, USA（弗吉尼亚数字水路中心（VDMC），旧 Dominion 大学）
本研究提出了一种多模态深度学习方法，利用可穿戴传感器信号实现低成本、非侵入式实时低血糖检测，通过融合皮肤电反应和心率信号提升检测性能。
2026-02-11 cs.HC cs.LG
Design & Implementation of Automatic Machine Condition Monitoring and Maintenance System in Limited Resource Situations
Chittagong University of Engineering and Technology（吉大港工程技术大学）；Khulna University（库尔纳大学）
本研究针对发展中国家资源有限的现状，开发低成本数据采集系统与结合小波等理论的特征工程方法，搭配SVM和NN模型实现机器故障自动监测维护，验证了轻量混合方案的有效性，可应用于中小企业并为FDD自动化研究提供基础。
2024-01-22 cs.CY cs.LG cs.SY
Condition monitoring and early diagnostics methodologies for hydropower plants
水力发电厂是最方便的发电选择之一，因为它们利用可再生能源发电，运营和维护成本相对较低，并且可用于提供辅助服务，利用大型水库的可用水。信息和通信技术（ICT）和机器学习方法的最新进展被视为在状态监测，早期诊断和最终预测性维护方面升级和现代化大多数水电站当前运营的基本推动力。虽然很少的工程，或运行技术，已记录到目前为止的水电案例，在本文中，我们提出了一种新的关键绩效指标（KPI），我们最近开发和测试的运行水电厂。特别是，我们表明，经过一年多的运行，它已经能够识别几个故障，并支持工厂运营商的操作和维护任务。此外，我们表明，建议的KPI优于传统的多变量过程控制图，如霍特林$t_2$指数。
2019-11-13 cs.LG eess.SP stat.ML
Towards a Universal Vibration Analysis Dataset: A Framework for Transfer Learning in Predictive Maintenance and Structural Health Monitoring
University of Ottawa（渥太华大学）；Universidade Federal do Espírito Santo（圣埃斯皮里图联邦大学）；Instituto Federal do Espírito Santo（圣埃斯皮里图联邦学院）
针对振动分析领域缺乏大规模标注数据集的问题，提出以轴承振动数据为起点的通用振动分析数据集框架，实验验证预训练加微调可提升模型性能，未来将扩展数据并标准化方法以推动工业智能系统发展。
2025-04-15 cs.LG eess.SP
Early fault detection with multi-target neural networks
Bern University of Applied Sciences（伯尔尼应用科学大学）
风力发电在世界各地都有强劲的增长。与此同时，能源市场利润率的下降使风电场管理人员能够探索降低涡轮机运营和维护成本的选择。基于传感器的状态监测有助于涡轮子系统的远程诊断，从而在需要进行不可预见的维护时实现更快的响应。提出了利用汽轮机监控和数据采集（SCADA）系统的数据进行状态监测，并在汽轮机状态变量单任务正常运行模型的基础上，提出了基于SCADA的故障检测与诊断方法。随着SCADA通道数量的强劲增长，如今已有数千个独立的单目标模型用于监控单个涡轮机。最近提出了多目标学习来限制模型的数量。本研究将多目标神经网络应用于传动系元件的早期故障检测。检测齿轮轴承故障的准确性和延迟进行了比较，最先进的单目标方法。我们发现，多目标多层感知器（MLP）检测故障至少早，在许多情况下早于单目标MLP。多目标MLP可以比单目标模型早几天检测到故障。这可以在维护工作的规划和性能方面提供显著的优势。同时，多目标MLP实现了相同水平的预测稳定性。
2021-06-12 cs.LG cs.SY eess.SY
CGM-JEPA: Learning Consistent Continuous Glucose Monitor Representations via Predictive Self-Supervised Pretraining
University of New South Wales（新南威尔士大学）；Google Research（谷歌研究）
本文提出CGM-JEPA框架，通过预测掩码的潜在表示来提升多模态数据的迁移能力，实验显示其在不同场景下均优于基线方法。
2026-05-01 cs.AI cs.LG
Application of Deep Learning for Predictive Maintenance of Oilfield Equipment
University of M’hamed Bougara（姆哈迈德·布格拉大学）；Faculty of Hydrocarbons & Chemistry（碳氢化合物与化学学院）；EXPRO（EXPRO公司）
本论文探索深度学习（神经网络）在油田设备预测性维护中的应用，通过多种架构在公开数据集上诊断健康状态和预测剩余寿命，并结合特征提取技术，旨在减少石油钻井平台的意外停机与维护成本。
2023-06-19 cs.LG stat.ML
Agent-based Condition Monitoring Assistance with Multimodal Industrial Database Retrieval Augmented Generation
本文提出MindRAG框架，将多模态RAG、专用向量存储与LLM推理智能体引入工业状态监测，以降低误报、支持严重程度评估与维护决策并增强可解释性。
2025-06-10 cs.LG
PreMa: Predictive Maintenance of Solenoid Valve in Real-Time at Embedded Edge-Level
Indian Institute of Science（印度科学学院）
在工业过程自动化中，传感器（压力，温度等），控制器和执行器（电磁阀、机电继电器、断路器、电机等）确保生产线在预定条件下工作。当这些系统发生故障或有时完全失效时，必须实时的【形】发出警报，以确保不仅生产质量不受影响，而且人员和设备的安全也得到保证。在这项工作中，我们描述了一个智能和实时的【形】基于边缘的电子产品PreMa的建设，这基本上是一个传感器，用于监测电磁阀（SV）的健康。PreMa结构紧凑，功耗低，易于安装，并且具有成本效益。其数据保真度和测量精度可与使用高端的设备捕获的信号相媲美。智能螺线管传感器运行TinyML，这是TensorFlow的紧凑版（又名TensorFlow）。TFLite）机器学习框架。虽然故障检测推理是在现场，模型训练使用移动电话来完成“设备上”的培训。我们的产品评估表明，该传感器能够区分不同类型的故障。这些故障包括：（a）线轴卡住（b）弹簧故障和（c）电压不足。此外，该产品为维护人员提供SV的剩余使用寿命（RUL）。RUL提供帮助以决定瓣膜置换或其他。我们对整个系统（即嵌入式平台和神经网络模型）的性能相关的优化指标进行了广泛的评估。所提出的实施方式是这样的，给定任何机电致动器具有类似的瞬态响应的SV，该系统是能够状态监测，因此提出了第一种通用的基础设施。
2022-11-21 cs.LG
Axle Sensor Fusion for Online Continual Wheel Fault Detection in Wayside Railway Monitoring
GECAD, ISEP, Polytechnic of Porto（GECAD、ISEP、波尔图理工大学）
本文提出了一种基于轴传感器融合和持续学习的铁路轮故障检测方法，通过变分自编码器和梯度提升分类器实现在线持续检测，适应动态操作条件。
2026-02-18 cs.LG
