基于标签感知神经过程的实时自适应状态监测信号预测

构建能够快速适应实时状态监测（CM）信号的预测模型对工程系统/单元至关重要。遗憾的是，当前许多方法在在线场景中面临表征能力与敏捷性之间的权衡。例如，假设CM信号具有特定函数形式的参数化方法有助于高效的在线预测更新，但这种简化导致对模型设定的脆弱性，且无法捕获复杂信号。另一方面，基于过参数化或非参数模型的方法擅长解释复杂非线性信号，但此类模型的实时更新构成一项挑战性任务。本文提出一种基于神经过程的方法来解决这一权衡。它将CM信号中的可用观测编码到表征空间，然后重建信号的历史与演变以进行预测。一旦训练完成，该模型可编码任意数量的观测而无需重新训练，从而能够进行即时的实时预测并附带量化不确定性，且可随着更多在线数据的收集轻松更新。此外，我们的模型设计用于整合来自各个单元的定性信息（即标签）。这种整合不仅增强了对每个单元的个性化预测，还实现了信号及其关联标签的联合推断。在可靠性工程中基于合成数据与真实数据的数值研究，突显了我们的模型在实时自适应、带不确定性量化的增强信号预测以及标签与信号联合预测方面的优势特性。