用于预测的多变量时间序列文本化变换

预测或早期故障检测是基于状态和预防性维护的重要工业挑战。由于多个相互作用的组件、不可控的环境因素和可观测性约束，基于物理的故障进展建模方法不可行。此外，此类预测方法不能推广到新领域。因此，领域无关的数据驱动机器学习预测方法是理想的。损伤进展是一个路径依赖过程，显式地对时间模式进行建模对于准确估计当前损伤状态及其向完全失效的进展至关重要。在本文中，我们提出了一种新颖的数据驱动预测方法，该方法采用多变量时间传感器观测的新颖文本表示，以在受监测设备寿命早期预测其未来健康状态。这种表示使我们能够以领域无关的方式，利用文本挖掘中充分理解的概念来进行建模、预测和理解故障模式。该方法已部署并在来自商用航空发动机的大规模多变量时间序列数据上成功进行了测试。我们报告了在著名的公开基准数据集和仿真数据集上的实验。结果表明，所提出的方法在预测准确率、预测提前期和可解释性方面均具有优越性。