面向剩余使用寿命估计的健康指标预测

prognostics（ prognostics，预测与健康管理）关注于预测设备的未来健康状态及任何潜在故障。随着物联网（IoT）的发展，利用机器学习模型力量的数据驱动 prognostics 方法日益流行。最重要的一类数据驱动方法依赖于预定义或学习的健康指标来刻画设备截至当前的状态，并推断其未来可能的演化。在这些方法中，利用部分观测测量值（即初始时段内的健康指标值）构建整个寿命周期健康指标曲线的健康指标预测起着关键作用。现有的健康指标预测算法，如函数经验贝叶斯方法、基于回归的公式化方法、基于最近邻的朴素场景匹配，均存在一定局限。本文提出一种新的“生成+场景匹配”算法用于健康指标预测。所提方法的核心思想是首先利用一组运行至失效的健康指标曲线样本，以连续高斯过程非参数化拟合潜在的健康指标曲线；然后从学到的分布中生成丰富的随机曲线集合，试图获得目标健康状态演化过程在系统寿命周期内的所有可能变化。对一台运行中的设备，其健康指标外推被推断为在观测时段内匹配度最高的生成曲线。实验结果表明，我们的算法优于其他最先进（state-of-the-art）方法。