Bayesian Joint Model of Multi-Sensor and Failure Event Data for Multi-Mode Failure Prediction
用于多模式故障预测的多传感器与故障事件贝叶斯联合模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要研究工业故障与剩余寿命预测，虽使用时间序列和生存模型，但没有所列宏观、微观或金融细分方向的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于多模式故障预测的多传感器与故障事件贝叶斯联合模型
- 研究问题
- 工业系统具有多种故障模式与多传感器信号时，如何联合预测故障类型和剩余寿命，并刻画模型及数据的不确定性？
- 方法与思路
- 作者在层级贝叶斯框架中结合 Cox 比例风险模型、卷积多输出高斯过程与多项故障模式分布，以变分贝叶斯和蒙特卡洛推断预测。
- 材料陈述的贡献
- 摘要提出联合利用传感器时序与多模式故障事件的统一模型，并称数值研究和喷气发动机案例验证了预测与不确定性量化优势。
- 阅读关注点
- 应核对传感器轨迹与风险函数的连接、故障模式的联合建模方式、比例风险条件，以及变分近似对预测区间校准的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未提供比较指标、误差幅度或区间覆盖结果，不能确认其预测和校准优势。
原文摘要
Modern industrial systems are often subject to multiple failure modes, and their conditions are monitored by multiple sensors, generating multiple time-series signals. Additionally, time-to-failure data are commonly available. Accurately predicting a system's remaining useful life (RUL) requires effectively leveraging multi-sensor time-series data alongside multi-mode failure event data. In most existing models, failure modes and RUL prediction are performed independently, ignoring the inherent relationship between these two tasks. Some models integrate multiple failure modes and event prediction using black-box machine learning approaches, which lack statistical rigor and cannot characterize the inherent uncertainty in the model and data. This paper introduces a unified approach to jointly model the multi-sensor time-series data and failure time concerning multiple failure modes. This proposed model integrate a Cox proportional hazards model, a Convolved Multi-output Gaussian Process, and multinomial failure mode distributions in a hierarchical Bayesian framework with corresponding priors, enabling accurate prediction with robust uncertainty quantification. Posterior distributions are effectively obtained by Variational Bayes, and prediction is performed with Monte Carlo sampling. The advantages of the proposed model is validated through extensive numerical and case studies with jet-engine dataset.