面向预测性维护的持续学习：综述与挑战
机器学习
2023-06-30 v2
摘要
深度学习技术已成为高效解决工程问题的主要推动力之一。例如，预测性维护方法已被用于改进对不同机器与运行环境下何时需要维护的预测。然而，深度学习方法并非没有局限，这类模型通常在仅反映问题当前状态的固定分布上训练。由于内外部因素，问题状态可能改变，并因缺乏泛化与适应能力而导致性能下降。与这种平稳训练集相反，真实世界应用不断改变其环境，从而产生持续使模型适应演化场景的需求。为助力此努力，持续学习方法提出了在部署后不断调整预测模型并融入新知识的方式。尽管这些技术有优势，将其应用于真实世界问题仍存在挑战。本文简要介绍预测性维护、非平稳环境与持续学习，并广泛综述持续学习在真实世界应用尤其是预测性维护中的现状。继而讨论预测性维护与持续学习各自的当前挑战，提出两领域交叉处的未来方向。最后，我们提出一种新颖的基准构建方式，以有利于在更真实环境中应用持续学习方法，并给出预测性维护的具体示例。
引用
@article{arxiv.2301.12467,
title = {Continual Learning for Predictive Maintenance: Overview and Challenges},
author = {Julio Hurtado and Dario Salvati and Rudy Semola and Mattia Bosio and Vincenzo Lomonaco},
journal= {arXiv preprint arXiv:2301.12467},
year = {2023}
}