Remaining Useful Lifetime (RUL)

量子退火助力AI预测性维护 · 跟踪2个来源

研究人员开发了一种新颖的量子退火增强Q学习（QAQL）框架，以改进预测性维护中的剩余使用寿命（RUL）预测。该方法将量子退火的采样能力与Q学习的决策过程相结合，将Q值更新编码为在D-Wave Advantage系统上求解的QUBO问题。QAQL框架在NASA C-MAPSS涡轮风扇发动机数据集和设备集群预测性维护数据集上，均显示出比经典和量子基线具有统计学上的显著改进，表明其在工业RUL估算中的实际应用潜力。