A probabilistic estimation of remaining useful life from censored time-to-event data

本文介绍了在预测性维护中，预测滚动轴承剩余寿命（RUL）的重要性。通常定义RUL为轴承失效的时间，我们称之为事件，已有许多数据驱动的方法来预测RUL。然而，很少有研究涉及到截尾数据的问题，即没有观察到感兴趣的事件，简单地忽略这些观察结果可能会导致故障风险被高估。本文提出了一种支持截尾数据的生存分析概率估计RUL方法。首先，我们在频域分析了滚动轴承的传感器读数，并通过计算当前过程的概率密度函数（PDF）与参考PDF之间的Kullback-Leibler（KL）散度来注释轴承开始恶化的时间。其次，我们在注释的轴承数据集上训练了几个生存模型，能够使用生存函数在有限时间范围内预测RUL。该函数保证严格单调递减，是剩余寿命的直观估计。我们在XJTU-SY数据集上进行了交叉验证，发现随机生存森林在平均绝对误差（MAE）方面始终优于非神经网络和神经网络。本文鼓励在预测性维护模型中包含截尾数据，并强调了生存分析在概率RUL估计和早期故障检测方面的独特优势。

本论文旨在解决预测维护中的剩余寿命（RUL）估计问题，特别是针对存在被审查数据的情况下的RUL估计问题。

本论文提出了一种基于生存分析的RUL概率估计方法，支持被审查数据。该方法通过分析滚动轴承的传感器数据，使用KL散度计算当前过程的概率密度函数（PDF）与参考PDF之间的差异来注释滚动轴承的退化状态，并在注释过的轴承数据集上训练多个生存模型，以预测有限时间内的RUL。

本论文的亮点包括：提出了一种支持被审查数据的RUL概率估计方法；使用KL散度来注释滚动轴承的退化状态；使用生存函数来预测有限时间内的RUL；在XJTU-SY数据集上进行了实验，并发现随机生存森林在MAE方面优于非神经网络和神经网络。

最近在这个领域中，一些相关的研究包括：基于深度学习的滚动轴承剩余寿命预测（Deep Learning-Based Remaining Useful Life Prediction of Rolling Bearings）；基于贝叶斯优化的滚动轴承剩余寿命预测（Rolling Bearing Remaining Useful Life Prediction Based on Bayesian Optimization）；基于卷积神经网络的滚动轴承剩余寿命预测（Rolling Bearing Remaining Useful Life Prediction Based on Convolutional Neural Network）。