Zeitreihen-Grundlagenmodell-Einbettungen zur Schätzung der Restnutzungsdauer

Zusammenfassung

Die Vorhersage der Restnutzungsdauer (RUL) ist für die industrielle vorausschauende Instandhaltung essenziell, doch viele lernbasierte Ansätze sind auf umfangreiches Feature-Engineering oder große, annotierte Datensätze angewiesen, um aufgabenspezifische Sequenzmodelle zu trainieren. In dieser Arbeit stellen wir einen leichtgewichtigen Lernansatz vor, bei dem wir ein eingefrorenes, vorab trainiertes Zeitreihen-Grundlagenmodell (TSFM) nutzen und es mit einem kleinen Regressionskopf zur RUL-Schätzung aus multivariaten Sensorströmen kombinieren. Konkret verwenden wir Chronos-2 als eingefrorenes Rückgrat, um Kontextfenster-Merkmale zu extrahieren, und trainieren ein leichtgewichtiges neuronales Regressionsnetzwerk für die RUL-Vorhersage. Experimente mit realen industriellen Sensordaten von zwei Gerätetypen zeigen, dass Chronos-2-Merkmale bei gleichem Vorverarbeitungs- und Bewertungsprotokoll durchgängig gegenüber rekursiven, konvolutionalen, Transformer-basierten und Gradienten-Boosting-Baselines verbessert werden. Darüber hinaus analysieren wir den Einfluss der Kontextlänge und stellen fest, dass die Leistung mit längeren Verläufen signifikant zunimmt – ein Hinweis darauf, dass TSFM-Repräsentationen eine praktische und dateneffiziente Alternative für die RUL-Schätzung in industriellen Umgebungen darstellen.

English

Remaining Useful Life (RUL) prediction is essential for industrial predictive maintenance, yet many learning-based approaches rely on extensive feature engineering or large labeled datasets to train task-specific sequence models. In this work, we introduce a lightweight learning approach, in which we leverage a frozen pretrained time-series foundation model (TSFM) and combine it with a small regression head for RUL estimation from multivariate sensor streams. More specifically, we use Chronos-2 as a frozen backbone to extract context window features and train a lightweight regression neural network for RUL prediction. Experiments on real-world industrial sensor data from two device types show that Chronos-2 features consistently improve over recurrent, convolutional, Transformer-based, and gradient-boosting baselines under the same preprocessing and evaluation protocol. We further analyze the impact of context length and find that performance improves significantly with longer histories, indicating that TSFM representation offer a practical and data-efficient alternative for RUL estimation in industrial settings.