Tijdreeks-Funderingsmodel Inbeddingen voor Schatting van de Resterende Nuttige Levensduur

Samenvatting

Voorspelling van de resterende nuttige levensduur (RUL) is essentieel voor voorspellend onderhoud in de industrie, maar veel leergebaseerde benaderingen steunen op uitgebreide kenmerkextractie of grote gelabelde datasets om taakspecifieke sequentiemodellen te trainen. In dit werk introduceren we een lichtgewicht leerbenadering, waarbij we een bevroren voorgetraind tijdreeks-fundamentmodel (TSFM) inzetten en combineren met een kleine regressiekop voor RUL-schatting uit multivariate sensorstromen. Meer specifiek gebruiken we Chronos-2 als een bevroren backbone om contextvensterkenmerken te extraheren en trainen we een lichtgewicht regressie neuraal netwerk voor RUL-voorspelling. Experimenten op echte industriële sensordata van twee apparaattypen tonen aan dat Chronos-2-kenmerken consistent beter presteren dan recurrente, convolutionele, op Transformers gebaseerde en gradient-boosting baselines onder hetzelfde voorverwerkings- en evaluatieprotocol. We analyseren verder de invloed van contextlengte en ontdekken dat de prestaties aanzienlijk verbeteren met langere geschiedenissen, wat erop wijst dat TSFM-representaties een praktisch en data-efficiënt alternatief bieden voor RUL-schatting in industriële omgevingen.

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.