用于剩余使用寿命预测的自动化机器学习
机器学习
2025-01-20 v2 人工智能
摘要
能够预测工程系统的剩余使用寿命（RUL）是 prognostics 与健康管理中的一项重要任务。近来，由于不需要工程系统的底层物理知识，数据驱动的 RUL 预测方法正变得比基于模型的方法更普遍。然而，这仅仅是将对底层物理的必需专业知识替换为机器学习（ML）专业知识，而后者往往同样不具备。自动化机器学习（AutoML）有望自动构建端到端 ML 流水线，使不具备 ML 专业知识的领域专家也能创建自己的模型。本文介绍 AutoRUL，一种由 AutoML 驱动的用于自动 RUL 预测的端到端方法。AutoRUL 将经过微调的标准回归方法组合为一个具有强预测能力的集成模型。通过在八个真实世界与合成数据集上针对最先进的手工定制模型进行评估，我们表明 AutoML 为手工定制的数据驱动 RUL 预测提供了一种可行的替代方案。因此，通过从数据驱动模型构建中消除 ML 专业知识，利用 AutoML 可使领域专家更容易地创建 RUL 预测。
引用
@article{arxiv.2306.12215,
title = {Automated Machine Learning for Remaining Useful Life Predictions},
author = {Marc-André Zöller and Fabian Mauthe and Peter Zeiler and Marius Lindauer and Marco F. Huber},
journal= {arXiv preprint arXiv:2306.12215},
year = {2025}
}
备注
Manuscript accepted at IEEE SMC 2023