通过表格基础模型实现统一且数据高效的预测和健康管理

数据驱动的预测和健康管理 (PHM) 使用时变状态监测数据来诊断系统状态并估计工程资产的剩余使用寿命。这些任务对于维护计划至关重要，但工业 PHM 数据通常是碎片化的、部分观察到的且标记不清晰，这阻碍了监督学习。基础模型提供了一条通往可重用预测系统的途径，但大多数时间序列基础模型都是为预测而设计的，并假设长、连贯、定期采样的序列。为了解决这一差距，我们提出了一个框架，使用上下文学习将表格基础模型应用于工业时间序列，并在各种 PHM 任务上对其进行评估。通过将原始单元级信号转换为表格行，我们表明这些模型在多个任务（包括预测和诊断）中表现良好，并且数据效率很高。我们在通用评估协议下将它们直接与序列模型、Transformer 基线和梯度增强树进行比较。结果表明，表格基础模型在预测和诊断任务中实现了最佳平均排名。我们的研究结果进一步表明，基于 PFN 的模型在低数据情况下具有竞争力，时间上下文可以保留在表格表示中，并且性能取决于子采样下的代表性上下文构建。这些结果表明表格基础模型为异构 PHM 问题提供了实用且通用的接口。