PEFT-MuTS：基于跨域时间序列表示模型的多变量参数高效微调框架用于剩余寿命预测
机器学习
2026-02-02 v1 人工智能
摘要
数据驱动的剩余寿命预测应用长期以来受限于大量退化数据的可用性。领域自适应和元学习等主流解决方案仍依赖于来自与目标设备相同或相似设备的大量历史退化数据，这在实际应用中带来了显著限制。本研究探讨了PEFT-MuTS，一种基于跨域预训练时间序列表示模型的少样本剩余寿命预测参数高效微调框架。与普遍认为剩余寿命预测中的知识迁移只能发生在相似设备之间的观点相反，我们证明通过在大规模跨域时间序列数据集上进行预训练过程可以获得显著收益。我们开发了一个独立特征调优网络和一个基于元变量的低秩多变量融合机制，使预训练的单变量时间序列表示骨干模型能够充分利用退化数据中的多变量关系，用于下游剩余寿命预测任务。此外，我们引入了一个零初始化回归器，以稳定少样本条件下的微调过程。在航空发动机和工业轴承数据集上的实验表明，即使仅使用目标设备不到1%的样本，我们的方法也能实现有效的剩余寿命预测。同时，它显著优于传统的监督方法和少样本方法，同时大幅减少了实现高预测精度所需的数据量。我们的代码可在https://github.com/fuen1590/PEFT-MuTS获取。
引用
@article{arxiv.2601.22631,
title = {PEFT-MuTS: A Multivariate Parameter-Efficient Fine-Tuning Framework for Remaining Useful Life Prediction based on Cross-domain Time Series Representation Model},
author = {En Fu and Yanyan Hu and Changhua Hu and Zengwang Jin and Kaixiang Peng},
journal= {arXiv preprint arXiv:2601.22631},
year = {2026}
}