故障预测相关 AI 资讯 · AITOP · AI热报

7月30日

04:12

04:12

官方账号arXiv cs.LG@Fan Yang, Madelyn Weller, Dimuthu Fernando, Hila Livneh, Yuxin Wen

该论文提出联邦纵贯生存建模框架，结合纵贯传感器表征学习和客户端可分离离散时间风险目标。在4个C-MAPSS涡扇发动机退化子集上模拟分散训练，结果显示协同训练比孤立本地训练性能一致提升。该方法无需共享原始传感器数据或失效记录，且性能接近集中训练。

论文 C-MAPSS 联邦学习故障预测

推荐理由：这篇论文提出了联邦学习框架，让不同机构在不共享数据的情况下一起训练故障预测模型，效果和集中训练差不多，挺实用的。

7月29日

11:31

11:31

官方账号arXiv cs.LG@Md. Kamrul Hossain, Walid Aljoby

这篇论文提出MILD框架，用于自驱动网络中对三个宏意图（连续遥测、实时分析、程序化执行）进行主动故障预测和根因消歧。MILD采用教师增强的混合专家架构，联合优化意图故障预测和根因归因。通过SHAP可解释性实现KPI级诊断，并通过多时间跨度建模进行动态故障紧急度估计。在三个不同真实度的环境（统计基准、微服务应用、SDN边缘云测试床）中评估，MILD实现了高故障检测率、强修复提前时间和准确的意图级根因消歧。

论文 MILD 自驱动网络意图驱动

推荐理由：想搞自治网络的必看，MILD能提前预测故障还能准确定位根因，比传统的阈值检测反应快多了。

7月24日

11:33

11:33

官方账号arXiv cs.LG@Cande Lian, Wentao Zeng, Jiabin Wu, Yiming Bie, Wei Zhou

FGDSE是一种特征驱动的动态堆叠集成框架，用于预测电动车充电桩在1-30天内的每日故障风险。该框架将信号分为四个特征家族，分别由领域专家模型处理，并加入两个深度时序专家捕捉短期波动和长期退化。在13个站点25个月的数据测试中，FGDSE在10天后超越12个基线，30天宏观召回率约85%，AUC仅下降3.2点。框架揭示极端热是唯一随时间因果效应增强的气候因素，并识别出约30%的站点为热敏感，为气候适应性维护提供量化阈值。

论文 FGDSE EV充电故障预测

推荐理由：这篇论文提出的FGDSE框架能提前30天预测充电桩故障，特别指出极端热是关键风险，帮你搞清楚该什么时候维护。