잔여 유효 수명 추정을 위한 시계열 기초 모델 임베딩

초록

잔여 유효 수명(RUL) 예측은 산업 예측 유지보수에 필수적이지만, 많은 학습 기반 접근 방식은 작업별 시퀀스 모델을 학습시키기 위해 광범위한 특징 엔지니어링이나 대규모 레이블링 데이터셋에 의존합니다. 본 연구에서는 사전 학습된 고정 시계열 기반 모델(TSFM)을 활용하고 이를 작은 회귀 헤드와 결합하여 다변량 센서 스트림으로부터 RUL을 추정하는 경량 학습 접근 방식을 소개합니다. 보다 구체적으로, Chronos-2를 고정 백본으로 사용하여 컨텍스트 윈도우 특징을 추출하고 RUL 예측을 위한 경량 회귀 신경망을 학습시킵니다. 두 가지 장치 유형의 실제 산업 센서 데이터에 대한 실험 결과, Chronos-2 특징이 동일한 전처리 및 평가 프로토콜 하에서 재귀적, 합성곱, 트랜스포머 기반 및 그래디언트 부스팅 기준 모델보다 일관되게 향상됨을 보여줍니다. 또한 컨텍스트 길이의 영향을 추가로 분석한 결과, 더 긴 이력에서 성능이 크게 향상됨을 발견했습니다. 이는 TSFM 표현이 산업 환경에서 RUL 추정을 위한 실용적이고 데이터 효율적인 대안을 제공함을 시사합니다.

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.