一网络双效：统一失效事件预测与失效时间建模
机器学习
2018-12-19 v1 机器学习
摘要
预测性维护中的关键挑战之一是，以合理的预测时域预测设备即将发生的停机，以便采取应对措施。经典上，该问题以两种通常独立解决的不同方式提出：(1) 剩余使用寿命（RUL）估计，作为长期预测任务，估计设备剩余可用寿命时长；(2) 失效预测（FP），作为短期预测任务，评估在预先指定的时间窗口内发生故障的概率。由于这两个任务相关，分开执行是次优的，并可能导致对同一设备的不一致预测。为缓解这些问题，我们提出两种方法：深度威布尔模型（DW-RNN）和多任务学习（MTL-RNN）。DW-RNN 能够通过使用深度神经网络拟合威布尔分布参数来学习底层失效动态，这些参数通过生存似然学习，而无需直接在每个任务上训练。虽然 DW-RNN 对数据分布做出显式假设，MTL-RNN 利用长期 RUL 与短期 FP 任务之间的隐式关系来学习底层分布。此外，我们的两种方法都能利用未失效设备数据进行 RUL 估计。我们证明，我们的方法在可用于 FP 的基线 RUL 方法上持续表现更优，同时为 RUL 和 FP 产生一致结果。我们还表明，我们的方法与针对这两个任务中任一目标优化的基线训练表现相当。
引用
@article{arxiv.1812.07142,
title = {Two Birds with One Network: Unifying Failure Event Prediction and Time-to-failure Modeling},
author = {Karan Aggarwal and Onur Atan and Ahmed Farahat and Chi Zhang and Kosta Ristovski and Chetan Gupta},
journal= {arXiv preprint arXiv:1812.07142},
year = {2018}
}
备注
Accepted at IEEE International Conference on BigData 2018