基于Bi-LSTM编码器解码器的时序卷积与融合式Transformer模型用于多时间窗口剩余有用寿命预测
机器学习
2025-12-09 v1 人工智能
摘要
健康预测对于确保系统可靠性、最小化停机时间和优化维护至关重要。剩余有用寿命（RUL）预测是这一过程的关键组成部分；然而，许多现有模型在捕捉细粒度时序依赖关系的同时，难以在时序上动态地优先排序关键特征，以实现稳健的prognostics。为此，我们提出了一种新框架，将时序卷积网络（TCN）用于局部时序特征提取，并通过Bi-LSTM编码器解码器增强的修改式时序融合Transformer（TFT）相结合。该体系结构有效地桥接了短期和长期依赖关系，同时强调显著的时序模式。此外，融合多时间窗口方法可提高其在不同运行条件下的适应性。广泛的基准数据集评估表明，所提出的模型在平均RMSE上降低了最高可达5.5%，凸显其相对于领先方法的改进预测精度。通过弥合当前方法中的关键差距，该框架推动了工业prognostics系统的有效性，并凸显了先进时序Transformer在RUL预测中的潜力。
引用
@article{arxiv.2511.04723,
title = {Temporal convolutional and fusional transformer model with Bi-LSTM encoder-decoder for multi-time-window remaining useful life prediction},
author = {Mohamadreza Akbari Pour and Mohamad Sadeq Karimi and Amir Hossein Mazloumi},
journal= {arXiv preprint arXiv:2511.04723},
year = {2025}
}