标签
提出RoSIP-Batt，一种物理引导的多任务变换器，用于联合估计电池健康状态和剩余使用寿命，在NASA、MIT-Stanford和HUST数据集上实现了最先进的精度。
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。
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。