基于随机卷积核的预后分类

评估系统/部件的健康状态（HS）一直是 prognostics and health management（PHM，预测与健康管理）研究中的一项挑战性任务。与预测剩余使用寿命等其他基于回归的预后任务不同，健康状态评估本质上是一个多类分类问题。为解决该问题，我们在本文中引入了基于随机卷积核的方法，即 RandOm Convolutional KErnel Transforms（ROCKET，随机卷积核变换）及其最新变体 MiniROCKET。我们在 NASA 的 C-MAPSS 数据集上实现 ROCKET 和 MiniROCKET，并利用多传感器时间序列数据评估涡轮风扇发动机的健康状态。两种方法在处理健康状态评估任务时均表现出很高的准确率。更重要的是，它们展现出相当高的效率，尤其是与基于深度学习的方法相比。我们进一步揭示，随机卷积核生成的特征可与其他分类器（如支持向量机（SVM）和线性判别分析（LDA））结合。所构建的新方法保持了高效率，并在分类准确率上优于所有其他深度神经网络模型。