面向工业系统故障预警的高斯导数变点检测
机器学习
2024-11-26 v2
摘要
对未来系统故障进行早期预警，对于实施预测性维护和提高系统可用性至关重要。本文引入了一个用于评估系统健康状态以预测即将发生的系统故障的三步框架。首先，提出了高斯导数变点检测（GDCPD）算法，用于检测高维特征空间中的变化。GDCPD 通过实施高斯导数过程来识别关键系统特征上的变化位置，从而进行多变量变点检测（CPD），因为这些变化最终会导致系统故障。为了评估这些变化的显著性，在离线和在线分析中均应用了加权马氏距离（WMD）。在离线设置中，WMD 有助于建立一个确定显著系统变化的阈值；而在在线设置中，它有助于实时监控，对潜在的未来系统故障发出警报。利用从 GDCPD 和监控方案中获得的见解，然后采用长短期记忆（LSTM）网络来估计系统的剩余使用寿命（RUL）。对一个真实世界系统的实验研究表明，所提出的方法在准确预测系统故障方面是有效的，且能提前发出预警。通过将 CPD 与实时监控和 RUL 预测相结合，该方法显著提升了系统健康监测和早期预警能力。
引用
@article{arxiv.2410.22594,
title = {Gaussian Derivative Change-point Detection for Early Warnings of Industrial System Failures},
author = {Hao Zhao and Rong Pan},
journal= {arXiv preprint arXiv:2410.22594},
year = {2024}
}