Lightweight Compressed Temporal and Compressed Spatial Attention with Augmentation Fusion in Remaining Useful Life Prediction
Notice bibliographique
Résumé
Data-driven models for predicting the Remaining Useful Lifetime (RUL) have gained popularity due to their efficiency to enhance industrial security and reduce economic losses. Recently, there has been a notable rise in the research of transformer-based models for RUL prediction. While transformer-based models have shown significant improvements over previous LSTM-based and CNN-based models, we have raised concerns regarding high computational complexity, in-effective training with low data, no sensitivity to the order of the time series, and permutation invariant on its application to RUL prediction. The persistent issue of data scarcity and the importance of capturing the temporal relations in RUL prediction further question the suitability of transformer-based models. Considering these, We propose a simple non-transformer model, Compressed Temporal and Compressed Spatial (CTCS) Attention, which is efficient and lightweight, to capture both temporal and spatial information with the incorporation of pre- and post-positional encodings. Additionally, we introduce an Augmentation Fusion Module (AFM) to enhance the comprehension ability of the invariant characteristics of the data. The proposed methodology is evaluated on the NASA Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) dataset and comprehensive experiments show that our proposed method not only surpasses other methods but outperforms the transformer-based model while requiring significantly fewer Floating-point operations (FLOPs), up to 32 times less.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».