基于分层微分模型解耦退化推断中的慢速与快速时间动态
机器学习
2026-03-13 v2
摘要
从传感器数据可靠推断系统退化是机械和基础设施系统状态监测与预测的基本前提。由于退化很少可直接观测和测量，必须对其进行推断以实现准确的健康评估和决策。这尤其具有挑战性，因为运行和环境变化主导系统行为，而退化仅引入细微的长期变化。因此，传感器数据主要反映短期运行变异性，使得难以解耦底层退化过程。大多数无监督退化推断方法学习名义系统行为并使用残差作为退化代理。然而，残差仍与运行历史强烈耦合，导致噪声大且不可靠的退化估计，尤其是在具有主导瞬态动态的基础设施系统中。神经常微分方程（NODEs）为建模潜在动态提供了灵活框架，但在退化系统中，它们面临数值刚性问题，且退化解耦仍然困难。为应对这些挑战，我们提出了一种分层控制微分方程（H-CDE）框架，联合建模慢速退化动态和快速运行动态。H-CDE通过分离慢速和快速分量的时间积分提高了数值效率。通过可学习路径变换将原始输入映射到与退化相关的潜在控制路径，以及强制单调性的激活函数对推断的退化动态进行正则化，H-CDE实现了有效的解耦退化推断。在机械和基础设施系统上的评估表明，H-CDE优于基于残差的基线，在无监督设置中提供了更准确、鲁棒且可解释的退化推断。
引用
@article{arxiv.2509.00639,
title = {Disentangling Slow and Fast Temporal Dynamics in Degradation Inference with Hierarchical Differential Models},
author = {Mengjie Zhao and Olga Fink},
journal= {arXiv preprint arXiv:2509.00639},
year = {2026}
}