不确定性感知的剩余使用寿命预测器
机器学习
2021-04-09 v1 人工智能
应用统计
摘要
剩余使用寿命（RUL）估计是推断某工业资产在其规定规格内可预期运行多久的问题。在真实应用中部署成功的RUL预测方法是设计智能维护策略的先决条件，有望大幅降低维护成本与机器停机时间。鉴于机器学习（ML）算法在广泛工程领域的优越性能，它们是应对智能维护系统设计挑战的自然候选。特别是，考虑到与过晚或过早维护决策相关的潜在灾难性后果或巨额成本，ML算法最好能在预测的同时提供不确定性估计。然而，用于RUL问题不确定性估计的标准数据驱动方法难以扩展至大型数据集，或不足以表达从原始传感器数据到RUL估计的高维映射。本工作中，我们考虑将深度高斯过程（DGPs）作为上述局限的可能解决方案。我们对应用于RUL预测的若干DGP变体进行了详尽评估与比较。算法性能在NASA的N-CMAPSS（新商用模块化航空推进系统仿真）航空发动机数据集上评估。结果表明，所提方法能够提供非常准确的RUL预测及合理的不确定性估计，为（安全关键的）真实工业应用提供更可靠的解决方案。
引用
@article{arxiv.2104.03613,
title = {Uncertainty-aware Remaining Useful Life predictor},
author = {Luca Biggio and Alexander Wieland and Manuel Arias Chao and Iason Kastanis and Olga Fink},
journal= {arXiv preprint arXiv:2104.03613},
year = {2021}
}