基于LSTM编码器-解码器无监督健康指标的多传感器剩余寿命预测
机器学习
2016-08-23 v1 人工智能
摘要
许多利用机器运行传感器数据估计剩余有用寿命（RUL）的方法，都对系统如何退化或故障如何演变做出假设，例如指数退化。然而，在许多领域中退化可能不遵循某种模式。我们提出一种基于长短期记忆（LSTM）的编码器-解码器（LSTM-ED）方案，利用多传感器时间序列数据获得系统的无监督健康指标（HI）。LSTM-ED被训练来重建对应于系统健康状态的时间序列。重建误差用于计算HI，进而用于RUL估计。我们在公开可用的涡扇发动机（Turbofan Engine）和铣床（Milling Machine）数据集上评估了我们的方法。我们还展示了一个来自磨煤机（pulverizer mill）的真实工业数据集上的结果，其中我们发现基于LSTM-ED的HI与维护成本之间存在显著相关性。
引用
@article{arxiv.1608.06154,
title = {Multi-Sensor Prognostics using an Unsupervised Health Index based on LSTM Encoder-Decoder},
author = {Pankaj Malhotra and Vishnu TV and Anusha Ramakrishnan and Gaurangi Anand and Lovekesh Vig and Puneet Agarwal and Gautam Shroff},
journal= {arXiv preprint arXiv:1608.06154},
year = {2016}
}
备注
Presented at 1st ACM SIGKDD Workshop on Machine Learning for Prognostics and Health Management, San Francisco, CA, USA, 2016. 10 pages