研究人员开发了PEFT-MuTS，一个新颖的参数高效微调框架，专为少样本剩余使用寿命（RUL）预测而设计。该方法利用跨域预训练时间序列表示模型，挑战了知识迁移仅限于相似设备的观点。PEFT-MuTS包含一个独立的特征调优网络和一个基于元变量的低秩多变量融合机制，以有效利用多变量退化数据。实验表明，仅使用目标设备样本的1%即可显著提高RUL预测精度，优于传统的监督和少样本方法。 AI
影响 能够用显著减少的数据实现更准确的剩余使用寿命预测，可能改善维护计划和设备寿命。
排序理由 该集群包含一篇详细介绍新机器学习框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
