TFBEST:具有可学习位置编码的双视角 Transformer 用于故障预测

数据中心中的硬盘驱动器(HDD)故障代价高昂——从灾难性的数据丢失到商誉问题,利益相关者想极力避免。主动监控 HDD 故障的一个重要工具是及时估计剩余使用寿命(RUL)。为此,HDD 内部采用的自我监测、分析与报告技术(S.M.A.R.T.)为这些关键数据存储设备的长期维护安全性和可靠性提供了关键日志。过去的数据驱动预测模型大量使用了这些 S.M.A.R.T. 日志以及基于 CNN/RNN 的架构。然而,它们在提供预测 RUL 值的置信区间以及处理极长日志序列方面存在显著不足。此外,其中一些方法(如基于 LSTM 的方法)训练 inherently 缓慢且有着繁琐的特征工程开销。为克服这些挑战,在本工作中我们提出了一种新颖的 transformer 架构——时序融合双编码器自注意力 Transformer (TFBEST) 用于预测硬盘故障。它是一种基于编码器-解码器的深度学习技术,增强了从理解健康统计序列中获得的上下文,并预测磁盘潜在故障前剩余天数的序列。在本文中,我们还提供了一种新颖的置信边际统计量,可帮助制造商在时间框架内更换硬盘。在 Seagate HDD 数据上的实验表明,我们的方法在来自 Backblaze 的详尽 10 年数据(2013 至今)的测试期间显著优于最先进的 RUL 预测方法。尽管在 HDD 故障预测上得到验证,TFBEST 架构也非常适合其他 prognostics 应用,并可适用于相关的回归问题。