面向预测涡轮燃气温度退化的机器学习不确定性量化方法基准测试

arXiv cs.LG 论文
machine-learning uncertainty-quantification benchmarking prognostics health-management turbine neural-networks

摘要

本文对五种用于神经网络预测涡轮燃气温度的不确定性量化方法进行了基准测试，评估了它们在覆盖范围、宽度和稳定性方面的权衡，以指导发动机的预测与健康管理。

arXiv:2605.30585v1 公告类型：新 摘要：有效的现代发动机预测与健康管理依赖于准确的涡轮燃气温度预测和稳健的不确定性量化，以确保可靠性和安全性。本文研究了五种构建预测区间的主要方法——即Delta方法、贝叶斯蒙特卡洛Dropout、Bootstrap方法、下上界估计和均值方差估计——作为捕捉神经网络预测涡轮燃气温度不确定性的手段。每种方法都在统一的实验框架内实施，该框架采用交叉验证进行超参数选择、重复训练-测试分割以获得性能鲁棒性，并使用多个指标来评估区间的准确性和紧密性。特别是，测量了覆盖概率、归一化平均预测区间宽度以及基于覆盖宽度的标准，以全面评估每种方法的可靠性和尖锐度。在代表性涡轮燃气温度数据集上进行的实验揭示了五种方法在区间覆盖、宽度和稳定性方面的不同权衡。这些发现为在发动机健康管理和预测中选择和调整预测区间方法提供了实用指南，确保了实际应用中的可解释性和精确性。
查看原文
查看缓存全文

缓存时间: 2026/06/01 09:27 

# 对机器学习不确定性量化方法在预测涡轮燃气温度退化中的基准测试
来源: https://arxiv.org/abs/2605.30585
查看 PDF (https://arxiv.org/pdf/2605.30585)

> **摘要:** 现代发动机的有效预测与健康管理依赖于准确的涡轮燃气温度预测和稳健的不确定性量化，以确保可靠性和安全性。本文研究了五种主要的预测区间构建方法——即Delta方法、贝叶斯蒙特卡洛Dropout、Bootstrap方法、下上界估计和均值方差估计——作为捕捉神经网络预测涡轮燃气温度中不确定性的手段。每种方法都在统一的实验框架内实施，该框架采用交叉验证进行超参数选择、重复训练-测试分割以保证性能稳健性，并使用多个指标评估区间的准确性和紧凑性。具体来说，测量了覆盖率概率、归一化平均预测区间宽度以及基于覆盖率的宽度准则，以全面评估每种方法的可靠性和锐利度。在代表性涡轮燃气温度数据集上进行的实验揭示了五种方法在区间覆盖、宽度和稳定性方面的不同权衡。这些发现为发动机健康管理和预测中选择和调整预测区间方法提供了实用指南，确保了实际应用中的可解释性和精确性。

## 提交历史

来自: Jostein Barry-Straume \[查看电子邮件 (https://arxiv.org/show-email/1a256dfc/2605.30585)\] **\[v1\]** 2026年5月28日星期四 21:25:47 UTC (212 KB)

相似文章