通过多任务学习实现工程机群间知识迁移的分层贝叶斯建模

提出了一种群体层面的分析，以解决为工程基础设施构建预测模型时的数据稀疏性问题。利用可解释的分层贝叶斯方法和运行机群数据，领域专业知识在不同子群之间被自然地编码（并适当地共享），这些子群代表（i）使用类型、（ii）部件或（iii）运行条件。具体而言，领域专业知识被用来通过假设（和先验分布）约束模型，使该方法能够自动在相似资产之间共享信息，从而改进了卡车机群的生存分析和风电场的功率预测。在每个资产管理示例中，通过联合推断在整个机群上学习一组相关函数，以学习群体模型。当子机群在层次结构的不同级别共享相关信息时，参数估计得到改善。反过来，数据不完整的组会自动从数据丰富的组借用统计强度。统计相关性通过贝叶斯迁移学习实现知识迁移，并且可以检查这些相关性以了解哪些资产针对哪个效应（即参数）共享信息。两个案例研究均展示了该方法对实际基础设施监测的广泛适用性，因为该方法在不同现场示例的可解释机群模型之间自然适应。