基于循环神经网络的时间序列嵌入预测剩余使用寿命
机器学习
2017-10-09 v2
摘要
我们研究从传感器数据估计系统或机器的剩余使用寿命（RUL）的问题。许多基于传感器数据的RUL估计方法都对机器如何退化做出假设。此外，在许多实际环境中，来自机器的传感器数据含有噪声且经常存在缺失值。我们提出Embed-RUL：一种从传感器数据估计RUL的新方法，它不依赖任何退化趋势假设，对噪声鲁棒，并能处理缺失值。Embed-RUL利用基于循环神经网络（RNNs）的序列到序列模型来生成多元时间序列子序列的嵌入。正常与退化机器的嵌入往往不同，因此被发现对RUL估计有用。我们展示这些嵌入在滤除噪声的同时捕获了时间序列中的整体模式，从而使得具有相似操作行为的两台机器的嵌入彼此接近，即使它们的传感器读数具有显著且变化的噪声水平。我们在公开可用的涡扇发动机数据集和专有真实世界数据集上进行实验，并证明Embed-RUL在多个指标上优于先前报道的当前最优（state-of-the-art）方法。
引用
@article{arxiv.1709.01073,
title = {Predicting Remaining Useful Life using Time Series Embeddings based on Recurrent Neural Networks},
author = {Narendhar Gugulothu and Vishnu TV and Pankaj Malhotra and Lovekesh Vig and Puneet Agarwal and Gautam Shroff},
journal= {arXiv preprint arXiv:1709.01073},
year = {2017}
}
备注
Presented at 2nd ML for PHM Workshop at SIGKDD 2017, Halifax, Canada