基于深度强化学习的结构化数据生存分析
机器学习
2022-05-31 v1 人工智能
摘要
生存分析通过分析输入数据来研判任何不期望事件的发生，在制造业中发挥着重要作用。作为生存分析一部分的预测性维护，有助于基于来自不同传感器或设备的当前输入数据发现设备故障。深度学习技术在一定程度上实现了预测性维护问题的自动化，但对于算法未曾学习过的输入数据，它们在预测设备故障方面帮助不大。由于神经网络基于先前学习的输入特征预测输出，当输入特征变化较大时表现不佳。随着输入数据发生变化，模型性能下降，最终算法无法预测设备故障。我们提出的方法可解决该问题，其预测设备故障的精度高于现有深度学习算法。所提出的解决方案采用一种称为双深度Q网络（Double Deep Q Network, DDQN）的深度强化学习算法，基于输入特征对设备故障进行分类。该算法能够学习输入特征的不同变化，并在基于输入数据预测设备是否故障方面具有鲁棒性。所提出的DDQN模型以有限或更少量的输入数据进行训练，训练后的模型高效预测了大量测试数据，且与其他深度学习和机器学习模型相比表现更优。
引用
@article{arxiv.2205.14331,
title = {Survival Analysis on Structured Data using Deep Reinforcement Learning},
author = {Renith G and Harikrishna Warrier and Yogesh Gupta},
journal= {arXiv preprint arXiv:2205.14331},
year = {2022}
}