论文
用于剩余使用寿命估计的时间序列基础模型嵌入
Time-Series Foundation Model Embeddings for Remaining Useful Life Estimation
摘要
剩余使用寿命 (RUL) 预测对于工业预测性维护至关重要，但许多基于学习的方法依赖于广泛的特征工程或大型标记数据集来训练特定于任务的序列模型。在这项工作中，我们引入了一种轻量级学习方法，其中我们利用冻结的预训练时间序列基础模型 (TSFM) 并将其与小型回归头相结合，用于从多变量传感器流进行 RUL 估计。更具体地说，我们使用 Chronos-2 作为冻结主干来提取上下文窗口特征并训练用于 RUL 预测的轻量级回归神经网络。对来自两种设备类型的真实工业传感器数据进行的实验表明，在相同的预处理和评估协议下，Chronos-2 的功能在循环、卷积、基于 Transformer 和梯度增强基线上持续改进。我们进一步分析了上下文长度的影响，发现随着历史的延长，性能显着提高，这表明 TSFM 表示为工业环境中的 RUL 估计提供了一种实用且数据高效的替代方案。