基于时间序列基础模型的 in-context 学习用于轴承健康状态分类
机器学习
2026-03-11 v2 人工智能
摘要
我们介绍一种基于时间序列基础模型 (TSFMs) 的 in-context 学习分类方法。我们演示了如何对不包含在 TSFM 训练数据中的数据进行分类，而无需微调基础模型或训练传统分类模型。示例被表示为目标（类别标签）和协变量（数据矩阵） within the TSFM 提示中，使能够通过 in-context 学习对未知协变量数据模式进行分类，并通过预测时域进行分类。我们将此方法应用于振动数据，以评估电动作臂在工作润滑压机中的轴承健康状态。该方法将频域参考信号转换为伪时间序列模式，生成对齐的协变量和目标信号，并使用 TSFM 对预定义标签的类别成员资格概率进行预测。利用预训练模型的可扩展性，该方法在不同运行条件下均表现出色。这代表了超越传统定制 AI 解决方案的重要进步， towards 更广泛的 AI 驱动的维护系统，这些系统可以作为模型或软件即服务应用提供。
引用
@article{arxiv.2511.15447,
title = {TSFM in-context learning for time-series classification of bearing-health status},
author = {Michel Tokic and Slobodan Djukanović and Anja von Beuningen and Cheng Feng},
journal= {arXiv preprint arXiv:2511.15447},
year = {2026}
}
备注
Preprint. To appear in the Proceedings of the European Symposium on Artificial Neural Networks (ESANN), 2026