MsFormer：面向工业设备的鲁棒预测性维护服务
机器学习
2026-03-25 v1
摘要
提供可靠的预测性维护是确保制造设备高可用性的关键工业AI服务。现有深度学习方法在此类任务上表现竞争，但缺乏面向服务的通用框架来捕捉工业物联网传感器数据中的复杂依赖关系。虽然基于Transformer的模型在序列建模方面表现强劲，但其直接部署为鲁棒AI服务面临显著瓶颈。具体而言，现实世界服务环境中收集的流式传感器数据常表现出由机器工作原理驱动的多尺度时序相关性。此外，用于训练时间到失效预测服务的数据集通常规模有限。这些问题对直接将现有模型应用于鲁棒预测服务提出了重大挑战。为解决这些挑战，我们提出MsFormer，一种面向工业预测性维护的轻量级多尺度Transformer。MsFormer集成了多尺度抽样（Multi-scale Sampling, MS）模块和量身定制的位置编码机制，以捕捉跨多流式服务数据的序列相关性。此外，为适应数据稀缺的服务环境，MsFormer采用简洁的池化操作而非自注意力机制。大量实验表明，所提出的框架在最新方法上实现了显著的性能提升。此外，MsFormer在不同工业设备和运行条件下均表现出色，显示出强大的可泛化能力，同时保持高度可靠的服务质量（Quality of Service, QoS）。
关键词
引用
@article{arxiv.2603.23076,
title = {MsFormer: Enabling Robust Predictive Maintenance Services for Industrial Devices},
author = {Jiahui Zhou and Dan Li and Ruibing Jin and Jian Lou and Yanran Zhao and Zhenghua Chen and Zigui Jiang and See-Kiong Ng},
journal= {arXiv preprint arXiv:2603.23076},
year = {2026}
}