?

?

1.?大多數基于數據驅動的機器學習方法沒有考慮時間維度上的先后順序對于輸入輸出造成的影響，由于預測的是單個值，可能預測結果會出現波動，模型輸出不魯棒，這會對實際生產產生重大影響，部分考慮到時間先后順序的模型但是是單步或者短期預測模型對軸承退化信息進行預測時，輸入的少量樣本所產生的預測結果會隨著時間步的推移出現累計誤差的問題，傳統方法使用單行振動數據作為訓練數據X，使用HI構建單個指標作為標簽Y，這種簡單粗暴的訓練方式只能反映當前時刻振動數據與當前對應指標的關系，并不能夠從多行振動數據與HI健康指標中學習到其自有的固有時間特征，本文所提的模型能夠···長時間序列···能夠有效的提取的從數據間提取時間特征，能夠更穩定的反映軸承的壽命預測，由于輸出結果是一段序列不再只是一個值，相關工作人員可以根據壽命的趨勢更好的進行維修與調度

2.對于實時性要求比較高的場景下，現有方法不能夠滿足需求

對于長序列Output的問題來說，預測長序列Output的速度(推理時間增加)會迅速下降，因為原生Trans的Decoder在Inference的過程中是動態輸出的（也就是上一次的輸出作為下一次的輸入再預測），這不能滿足于實際生產環境中對長序列的Output速度需求，本文所提的模型能夠...很好的滿足實時性的需求

3.算法時間復雜度低

4.時間序列的增強（擴充數據）

參考資料

分類和回歸的區別_rocling的博客-CSDN博客_分類和回歸的區別

總結

以上是生活随笔為你收集整理的开题：轴承的剩余寿命预测(为什么要长时间长序列预测，意义)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。