剩余有用寿命预测：基于大语言模型的多维工业信号处理与高效迁移学习研究
机器学习
2024-10-07 v1 人工智能
信号处理
摘要
剩余有用寿命（RUL）预测对维持现代工业系统至关重要，其中设备可靠性和运行安全性至为重要。传统方法基于小规模深度学习或物理/统计模型，往往难以处理复杂的多维传感器数据和变化的运行条件，限制了其泛化能力。为此，本文提出一种创新的回归框架，利用大语言模型（LLM）进行 RUL 预测。通过利用预训练于语料库数据上的 LLM 的建模能力，所提出的模型能够有效捕捉复杂的时间依赖性，提高预测准确性。在涡扇发动机 RUL 预测任务上进行了大量实验，结果表明所提出的模型在具有挑战性的 FD002 和 FD004 数据子集上超越了当前最先进（SOTA）方法，并在其他数据子集上接近 SOTA 结果。值得注意的是，与以往研究不同的是，我们的框架对所有数据子集使用相同的滑动窗口长度和所有传感器信号，显示出强大的一致性和泛化能力。此外，迁移学习实验表明，仅需针对目标域数据进行最小化微调，该模型便优于在完整目标域数据上训练的 SOTA 方法。该研究突显了大语言模型在工业信号处理和 RUL 预测方面的巨大潜力，为未来智能工业系统的健康管理提供了前瞻性解决方案。
引用
@article{arxiv.2410.03134,
title = {Remaining Useful Life Prediction: A Study on Multidimensional Industrial Signal Processing and Efficient Transfer Learning Based on Large Language Models},
author = {Yan Chen and Cheng Liu},
journal= {arXiv preprint arXiv:2410.03134},
year = {2024}
}