面向燃料电池剩余可用寿命精准预测的时间尺度转换器框架
机器学习
2025-04-15 v1
摘要
在探索质子交换膜燃料电池 (PEMFC) 的预测健康管理 (PHM) 策略时，Transformer 模型在数据驱动方法中广泛应用，但由于自注意力机制导致输入序列复杂度平方增长，计算效率低下。同时，它在捕获全局长期依赖和局部细节方面存在挑战。为此，我们提出了时间尺度转换器 (TSTransformer)，这是一种对倒置 Transformer (iTransformer) 的改进版本。不同于传统 Transformer 将每个时间步视为输入标记，TSTransformer 将不同长度的序列映射到不同阶段的标记，以进行序列间建模，利用注意力捕获多变量相关性并利用前馈网络 (FFN) 编码序列表示。通过将一维卷积层整合到多变量注意力中，对 K 和 V 矩阵进行多层次缩放，不仅改善了局部特征提取，捕获了时间尺度特征，还减少了标记数量和计算成本。与长短期记忆网络、iTransformer 和 Transformer 等模型的实验比较表明，TSTransformer 在可持续能源领域的 PHM 中具有强大的潜力，有效解决了纯 Transformer 模型在数据驱动时间序列任务中的局限性。
关键词
引用
@article{arxiv.2504.08803,
title = {A temporal scale transformer framework for precise remaining useful life prediction in fuel cells},
author = {Zezhi Tang and Xiaoyu Chen and Xin Jin and Benyuan Zhang and Wenyu Liang},
journal= {arXiv preprint arXiv:2504.08803},
year = {2025}
}
备注
7 figs, 10 pages