评估机器健康指数数据预测质量的程序
计算机视觉与模式识别
2025-02-14 v1
摘要
本文讨论了评估机器健康指数（HI）数据预测质量的挑战。许多现有的机器健康预测解决方案涉及通过目视评估预测质量来大致判断预测样本与真实样本之间的相似性，缺乏精确的度量或决策。在本文中，我们引入了一种具有多种变体和准则的通用程序。该总体概念涉及将预测数据与真实 HI 时间序列进行比较，但每个程序变体都有通过统计分析确定的特定模式。此外，采用统计上建立的阈值将结果分类为可靠或不可靠的预测。准则包括简单度量（MSE、MAPE）和更高级的度量（空间分位数包含因子、Kupiec 的 POF 和 TUFF 统计量）。根据所选准则，模式和决策过程各不相同。为说明有效性，我们将所提程序应用于来自文献的 HI 数据，涵盖警告（线性退化）和临界（指数退化）阶段。虽然该方法产生二值输出，但有潜力扩展为多类分类。此外，经验丰富用户可以使用以百分比表示的质量度量进行更深入的分析。
引用
@article{arxiv.2502.08836,
title = {Survey on Single-Image Reflection Removal using Deep Learning Techniques},
author = {Kangning Yang and Huiming Sun and Jie Cai and Lan Fu and Jiaming Ding and Jinlong Li and Chiu Man Ho and Zibo Meng},
journal= {arXiv preprint arXiv:2502.08836},
year = {2025}
}