剩余使用寿命预测：基于变分贝叶斯推断的可解释深度学习方法
机器学习
2019-07-22 v2 机器学习
摘要
预测机械、基础设施或其他设备的剩余使用寿命有助于做出预防性维护决策，即通过及时维修或更换来避免故障发生。通过考虑预期的故障时间，这能够提供更好的决策支持，从而有望降低成本。此处的一个常见基线方法是：将概率密度函数拟合至过往寿命数据，然后利用（条件）期望剩余使用寿命作为预测值。该方法因其高解释力而在实践中得到广泛应用。机器学习提供了一种更精确的替代方案，其预测通过传感器数据纳入退化过程与环境变量。然而，机器学习在很大程度上作为黑箱方法运行，其预测因此丧失了大部分所需的可解释性。作为我们的主要贡献，我们提出了一种用于预测剩余使用寿命的结构化效应神经网络，它结合了两种方法的优良特性：其关键创新在于同时具备高度可解释性与深度学习的灵活性。参数通过变分贝叶斯推断进行估计。基于飞机发动机的实际故障时间对不同方法进行了比较。这证明了我们方法的性能与优越的可解释性，最后我们讨论了其对决策支持的意义。
引用
@article{arxiv.1907.05146,
title = {Forecasting remaining useful life: Interpretable deep learning approach via variational Bayesian inferences},
author = {Mathias Kraus and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:1907.05146},
year = {2019}
}