标签
在 NASA C-MAPSS 涡扇发动机基准数据集上，对用于 LSTM 故障检测器的同步环形 gossip、FedAvg、本地训练和集中式训练进行同协议对比。结果表明，gossip 是联邦平均的一种实用 serverless 替代方案：无需协调器即可达到与 FedAvg 相当的性能。
本文提出了一种Multi-Term Fourier Graph Neural Network with Sample Relationship Learning（MTFGN-SRL）模型，通过频域分析和样本间关系学习来增强剩余使用寿命预测，以解决当前时空图神经网络的局限性。
本文介绍了一个用于冰箱预测性维护的合成多变量时间序列数据集，该数据集通过物理启发式模拟器生成，旨在支持故障预测与退化分析。
本文提出了一种预测性维护框架，通过深度学习和不确定性估计来改进半导体制造中剩余使用寿命的估计，以降低维护成本。
FedCMAPSS 基于 NASA C-MAPSS 数据集，引入了一个用于剩余使用寿命估计的联邦学习基准，包含标准化任务以评估跨神经架构的联邦优化算法。
本文介绍了一种结合IEEE关键气体法与优化模糊逻辑的方法，用于利用溶解气体分析诊断电力变压器故障，在实验验证中实现了高达98.6%的准确率。
本文提出了一种可迁移的自逻辑模型，用于跨异构传感器配置预测罕见设备故障，并在合成冰箱数据集上进行了评估。
本文证明了在滑动窗口序列上使用简单的训练/测试分割会严重夸大或缩小预测性维护中多任务学习的性能指标，并提出了一种泄漏鲁棒的评估协议。
提出了一种知识引导的两阶段迁移学习框架，采用轻量级GPT-2风格的Transformer，用于有限数据下的跨域轴承故障诊断，在仅使用10%标记数据的情况下实现了92.61%的准确率。
本文提出了一种量子退火增强的Q-learning框架，用于剩余使用寿命预测，利用D-Wave系统求解QUBO公式以进行动作选择。在NASA C-MAPSS和预测维护数据集上，它优于经典和量子基线。
本文介绍了一种轻量级方法，利用Chronos-2时间序列基础模型的冻结嵌入，结合一个简单的回归头，进行剩余使用寿命估计，在工业传感器数据上相比基线方法取得了更优的性能。
本文提出了一种用于预测性维护的语义特征分割框架，将监测信号分解为规范成分和残差成分，以提高可解释性，同时保持预测性能。
本文介绍了 HEPA，这是一种用于预测时间序列中罕见关键事件的自监督架构，采用联合嵌入预测架构 (JEPA) 预训练策略。与领先的模型相比，它在多个领域均展现出卓越的性能，同时所需的标记数据和调整参数显著减少。