PerFormer：一种基于置换的视觉 Transformer 用于剩余寿命预测
机器学习
2025-06-17 v2 计算机视觉与模式识别
摘要
准确估计退化系统的剩余使用寿命（RUL）对于现代故障预测与健康管理（PHM）至关重要。最初为图像和视频识别等任务开发的卷积神经网络（CNN）在 RUL 预测中已被证明极为有效，展现出卓越的性能。然而，随着 Vision Transformer（ViT）——一种为图像分类等计算机视觉任务量身定制的 Transformer 模型的出现，及其相对于 CNN 所展现出的优越性，探索其在提升 RUL 预测精度方面的潜力成为一种自然的倾向。尽管如此，将 ViT 直接应用于多变量传感器数据进行 RUL 预测面临挑战，这主要是由于时间序列数据中空间信息的模糊性。为了解决这个问题，我们引入了 PerFormer，一种基于置换的视觉 Transformer 方法，旨在对多变量时间序列数据进行置换，模拟类似于图像数据的空间特征，从而使其适用于 ViT。为了生成所需的置换矩阵，我们引入了一种新颖的置换损失函数，旨在引导任意矩阵收敛至置换矩阵。我们在 NASA 的 C-MAPSS 数据集上的实验表明，与采用 CNN、循环神经网络（RNN）和各种 Transformer 模型的 state-of-the-art 方法相比，PerFormer 在 RUL 预测中表现出优越的性能。这凸显了其在 PHM 应用中的有效性和潜力。
引用
@article{arxiv.2506.00259,
title = {PerFormer: A Permutation Based Vision Transformer for Remaining Useful Life Prediction},
author = {Zhengyang Fan and Wanru Li and Kuo-chu Chang and Ting Yuan},
journal= {arXiv preprint arXiv:2506.00259},
year = {2025}
}
备注
One of the coauthors does not want to post current version of paper, and insists to withdraw the submission