残存寿命推定のための時系列基盤モデル埋め込み

要旨

残存寿命（RUL）予測は産業における予知保全に不可欠であるが、多くの学習ベースの手法は、タスク固有の系列モデルを訓練するために、広範な特徴量工学や大規模なラベル付きデータセットに依存している。本研究では、軽量な学習手法を導入する。この手法では、凍結された事前学習済み時系列基盤モデル（TSFM）を活用し、それを小型の回帰ヘッドと組み合わせて、多変量センサストリームからRULを推定する。より具体的には、Chronos-2を凍結されたバックボーンとして使用し、コンテキストウィンドウ特徴を抽出し、RUL予測のための軽量な回帰ニューラルネットワークを訓練する。2種類のデバイスからの実世界の産業用センサデータを用いた実験では、同一の前処理および評価プロトコルの下で、Chronos-2の特徴がリカレント、畳み込み、Transformerベース、勾配ブースティングのベースラインを一貫して上回ることが示された。さらに、コンテキスト長の影響を分析し、より長い履歴を用いることで性能が大幅に向上することを発見した。これは、TSFM表現が産業環境におけるRUL推定のための実用的かつデータ効率的な代替手段を提供することを示している。

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.