面向飞机发动机剩余可用寿命区间预测的混合高斯过程回归：时序特征提取与部分可解释性
机器学习
2024-11-26 v1 人工智能
机器学习
摘要
剩余可用寿命（RUL）估计在智能制造系统和工业4.0技术中占据重要位置。尽管近期进展提升了RUL预测，但许多模型仍面临可解释性和强大的不确定性建模挑战。本文引入了用于RUL区间预测的修改型高斯过程回归（GPR）模型，针对制造过程开发的复杂性进行优化。该修改GPR通过学习历史数据预测置信区间，并以更结构化的方式处理不确定性建模。该方法通过将GPR与深度自适应学习增强型AI过程模型耦合，有效捕捉现代制造系统中固有的复杂时序模式和动态行为。此外，模型评估特征重要性，以确保更透明的决策，这对于优化制造过程至关重要。该综合方法支持更准确的RUL预测，并提供对不确定性的透明、可解释的见解，为稳健的过程开发和管理作出贡献。
引用
@article{arxiv.2411.15185,
title = {Hybrid Gaussian Process Regression with Temporal Feature Extraction for Partially Interpretable Remaining Useful Life Interval Prediction in Aeroengine Prognostics},
author = {Tian Niu and Zijun Xu and Heng Luo and Ziqing Zhou},
journal= {arXiv preprint arXiv:2411.15185},
year = {2024}
}