基于卷积 Transformer 的通用航空预测性维护
机器学习
2022-02-02 v3
摘要
预测性维护系统有潜力大幅降低机队维护成本，并通过在维护问题变得严重之前发现它们来提供更高的安全性。然而，由于缺乏公开标注的多变量时间序列（MTS）传感器数据，此类系统的开发一直受限。MTS 分类在过去十年中取得了巨大进展，但缺乏足够具有挑战性的基准来检验新方法。本工作引入了 NGAFID 维护分类（NGAFID-MC）数据集，作为在难度、样本数量和序列长度方面的一个新颖基准。NGAFID-MC 包含超过 7,500 个标注航班，代表超过 11,500 小时的每秒飞行数据记录器对 23 个传感器参数的读数。使用该基准，我们证明循环神经网络（RNN）方法不太适合捕捉时间上相距较远的关系，并提出了一种称为卷积多头自注意力（Conv-MHSA）的新架构，该架构以更高的计算效率实现了更好的分类性能。我们还证明，受图像启发的 cutout、mixup 和 cutmix 增强可用于减少过拟合并改善 MTS 分类中的泛化能力。我们训练的最佳模型已被整合回 NGAFID 中，以允许用户潜在地检测需要维护的航班，并提供反馈以进一步扩展和完善 NGAFID-MC 数据集。
引用
@article{arxiv.2110.03757,
title = {Predictive Maintenance for General Aviation Using Convolutional Transformers},
author = {Hong Yang and Aidan LaBella and Travis Desell},
journal= {arXiv preprint arXiv:2110.03757},
year = {2022}
}
备注
Accepted in IAAI-22 https://aaai.org/Conferences/AAAI-22/iaai-22-program/