论文页面 - 面向剩余使用寿命预测的时间序列基础模型嵌入

来源：https://huggingface.co/papers/2606.11990

摘要

一种轻量级方法，将冻结的预训练时间序列基础模型与简单的回归头相结合，在工业传感器数据上实现了优于多种基线方法的RUL预测性能。

剩余使用寿命（RUL）预测对于工业预测性维护至关重要，然而许多基于学习的方法依赖大量的特征工程或大规模标注数据集来训练特定任务的序列模型。在本工作中，我们提出了一种轻量级学习方法：利用冻结的预训练时间序列基础模型（TSFM），并将其与一个小型回归头相结合，用于从多变量传感器流中进行RUL估计。具体来说，我们使用Chronos-2作为冻结的主干网络来提取上下文窗口特征，并训练一个轻量级回归神经网络进行RUL预测。在来自两种设备类型的真实工业传感器数据上的实验表明，在相同的预处理和评估协议下，Chronos-2特征持续优于基于循环、卷积、Transformer和梯度提升的基线方法。我们进一步分析了上下文长度的影响，发现随着历史数据长度的增加，性能显著提升，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。

查看 arXiv 页面 (https://arxiv.org/abs/2606.11990) 查看 PDF (https://arxiv.org/pdf/2606.11990) 添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2606.11990)

在你的代理中获取本篇论文：

hf papers read 2606.11990

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用本篇论文的模型0

暂无模型关联本篇论文

请在模型 README.md 中引用 arxiv.org/abs/2606.11990 以在此页面建立链接。

引用本篇论文的数据集0

暂无数据集关联本篇论文

请在数据集 README.md 中引用 arxiv.org/abs/2606.11990 以在此页面建立链接。

引用本篇论文的 Space0

暂无 Space 关联本篇论文

请在 Space README.md 中引用 arxiv.org/abs/2606.11990 以在此页面建立链接。

包含本篇论文的收藏集0

暂无收藏集包含本篇论文

请将本篇论文添加到一个收藏集 (https://huggingface.co/new-collection) 中以在此页面建立链接。