剩余使用寿命估计的保形预测区间

预测与健康管理的主要目标是估计剩余使用寿命（RUL），即系统或设备在开始异常工作之前仍处于正常工作状态的时间。近年来，众多机器学习算法被提出用于 RUL 估计，主要聚焦于提供更准确的 RUL 预测。然而，该问题存在多种不确定性来源，例如系统失效的固有随机性、对其未来状态认知的缺乏以及底层预测模型的不精确，使得精确预测 RUL 不可行。因此，在 RUL 预测的同时量化不确定性至关重要。本工作中，我们研究保形预测（CP）框架，该框架通过预测目标变量的可能值集合（在 RUL 情形下为区间）而非进行点预测来表示不确定性。在非常温和的技术假设下，CP 形式化地保证真实值（真实 RUL）以可预先指定的确信度被预测集覆盖。我们研究了三种 CP 算法，以将任意单点 RUL 预测器保形化并转化为有效的区间预测器。最后，我们对两种单点 RUL 预测器——深度卷积神经网络与梯度提升——进行保形化，并在 Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) 数据集上展示其性能。