用于机器剩余使用寿命预测的注意力序列到序列模型
机器学习
2020-07-21 v1 机器学习
摘要
准确估计工业设备的剩余使用寿命 (RUL) 可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，现有的 RUL 预测深度学习方法并未完全成功，原因有如下两点。首先，依赖单一目标函数估计 RUL 会限制所学表示，从而影响预测精度。其次，尽管较长序列对建模设备传感器动态更具信息量，现有方法主要聚焦于最新信息，因而处理极长序列的效果较差。为解决这两个问题，我们提出了一种新颖的带辅助任务的基于注意力的序列到序列 (ATS2S) 模型。具体而言，我们的模型联合优化重构损失（通过给定当前输入序列预测下一输入序列，赋予模型预测能力）与 RUL 预测损失（最小化预测 RUL 与实际 RUL 之差）。此外，为更好处理较长序列，我们采用注意力机制在训练过程中关注所有重要输入信息。最后，我们提出一种新的双潜特征表示，以整合编码器特征与解码器隐藏状态，从而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大量实验以评估所提方法的有效性。实验结果表明，我们所提方法始终优于 13 种最优方法。
引用
@article{arxiv.2007.09868,
title = {Attention Sequence to Sequence Model for Machine Remaining Useful Life Prediction},
author = {Mohamed Ragab and Zhenghua Chen and Min Wu and Chee-Keong Kwoh and Ruqiang Yan and Xiaoli Li},
journal= {arXiv preprint arXiv:2007.09868},
year = {2020}
}