prognostics

一项涵盖212项研究的系统文献综述调查了物理信息机器学习（PIML）在故障预测与健康管理（PHM）中的应用，引入了一个四类分类方案，并发现PIML相较于常规基线能持续提升预测性能，尽管文献严重偏向锂离子电池和轴承，且关于泛化性和可解释性的论断缺乏充分证据支持。

本文针对良性及对抗性客户端异质性下的航空发动机剩余使用寿命预测，对联邦学习进行了受控研究，评估了个性化和拜占庭鲁棒聚合方法。研究发现，共享表示个性化缩小了本地与集中式准确率之间的绝大部分差距；使用Krum的鲁棒聚合能有效缓解后门攻击；将两者结合可形成组合防御，在攻击成功率较低的同时，仅付出较小的准确率代价。

本文提出一个框架，将表格基础模型应用于工业时间序列的预测与健康管理，在多个PHM任务上展示了强大的性能和高效的数据利用率。

本文提出了一种用于涡轮机预测的多任务科学机器学习框架，该框架使用共享序列编码器和任务特定头，联合预测发动机健康指标和剩余使用寿命，并量化不确定性。

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。