Вложения фундаментальной модели временных рядов для оценки остаточного ресурса

Аннотация

Прогнозирование остаточного срока полезной службы (RUL) является важнейшей задачей для промышленного предиктивного обслуживания, однако многие подходы, основанные на обучении, требуют обширного проектирования признаков или больших размеченных наборов данных для обучения моделей последовательностей, специфичных для конкретной задачи. В данной работе мы представляем легковесный подход к обучению, в котором используем замороженную предобученную фундаментальную модель временных рядов (TSFM) и объединяем её с небольшим регрессионным модулем для оценки RUL на основе многомерных потоков данных с датчиков. Более конкретно, мы используем Chronos-2 в качестве замороженного бэкбона для извлечения признаков контекстного окна и обучаем легковесную регрессионную нейронную сеть для прогнозирования RUL. Эксперименты на реальных промышленных данных с датчиков двух типов устройств показывают, что признаки Chronos-2 последовательно превосходят рекуррентные, сверточные, трансформерные базовые линии и базовые линии на градиентном бустинге при одинаковом протоколе предобработки и оценки. Мы также анализируем влияние длины контекста и обнаруживаем, что производительность значительно улучшается с более длинными историями, что указывает на то, что представления TSFM являются практичной и эффективной с точки зрения данных альтернативой для оценки RUL в промышленных условиях.

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.