使用深度有序回归模型集成进行预测不确定性估计的数据驱动预测
机器学习
2021-03-05 v4 机器学习
摘要
从多传感器时间序列数据进行预测或剩余使用寿命（RUL）估计，有助于实现基于状态的维护并确保设备的高运行可用性。我们提出了一种新的基于深度学习的预测方法，并包含不确定性量化，适用于以下场景：(i) 由于故障罕见，标记的故障数据稀缺；(ii) 未来的运行条件未被观测；(iii) 传感器读数中存在固有噪声。上述三种场景都是 RUL 估计过程中不可避免的不确定性来源，通常会导致不可靠的 RUL 估计。针对 (i)，我们将 RUL 估计表述为有序回归（OR）问题，并提出 LSTM-OR：一种基于长短期记忆（LSTM）网络的深度学习方法来学习 OR 函数。我们表明，LSTM-OR 自然允许在训练中将截断运行实例与故障实例结合，从而实现更稳健的学习。针对 (ii)，我们提出了一种简单而有效的方法，通过训练 LSTM-OR 模型集成来量化 RUL 估计模型中的预测不确定性。通过在 C-MAPSS 涡扇发动机基准数据集上的实证评估，我们证明 LSTM-OR 在 RUL 估计方面显著优于常用的基于深度度量回归的方法，尤其是在故障训练实例稀缺时。此外，与单一最佳 LSTM-OR 模型相比，我们的不确定性量化方法产生了高质量的预测不确定性估计，同时也带来了更好的 RUL 估计。
引用
@article{arxiv.1903.09795,
title = {Data-driven Prognostics with Predictive Uncertainty Estimation using Ensemble of Deep Ordinal Regression Models},
author = {Vishnu TV and Diksha and Pankaj Malhotra and Lovekesh Vig and Gautam Shroff},
journal= {arXiv preprint arXiv:1903.09795},
year = {2021}
}
备注
Accepted at International Journal of Prognostics and Health Management (IJPHM), 2019