AI 词汇表
人工智能完整词典
RUL (Remaining Useful Life)
RUL，即剩余使用寿命，是预测性维护中的关键指标，基于当前状态和历史数据来估计设备在发生故障前的剩余运行时间。
Survival Analysis
生存分析是统计学的一个分支，用于对事件（如故障）发生的时间进行建模，同时考虑在观察期结束时设备尚未发生故障的删失数据。
Prognostics and Health Management (PHM)
PHM是一门工程学科，结合了系统健康状态评估（诊断）和未来演变预测（预后），以优化系统的维护和可靠性。
Time-to-Failure (TTF)
失效时间（TTF）是一个随机变量，表示组件或系统从投入使用或上次维修到下一次故障的运行时长。
Censored Data
删失数据是指在研究结束前感兴趣事件（故障）尚未发生的观测数据，这在预测性维护中很常见，需要采用如生存分析等特定分析技术。
Weibull Analysis
威布尔分析是一种强大的统计方法，用于对设备寿命进行建模，通过其形状和尺度参数来表征故障阶段（早期、中期、晚期）。
Health Index (HI)
健康指数（HI）是一个综合评分，通常标准化在0到1之间，它汇总了多个性能指标，以提供设备整体健康状态的单一量化度量。
Recurrent Neural Networks (RNN) for RUL
循环神经网络（RNN）特别适用于RUL预测，因为它们能够处理传感器数据的时间序列，捕捉长期依赖关系以模拟退化演变。
一维卷积神经网络 (CNN)
一维CNN在预测性维护中用于从原始时间信号（如振动）中自动提取相关特征，然后将其输入回归模型进行剩余使用寿命预测。
RUL特征工程
RUL预测的特征工程是从原始传感器数据创建描述性变量（统计、频率、时间）的过程，以提高机器学习模型的性能。
运行至故障数据
运行至故障数据是从设备正常运行状态到完全故障的时间序列数据集，构成了RUL模型的理想训练基础。
基于相似性的方法
基于相似性的方法通过将设备的当前退化轨迹与历史故障轨迹数据库进行比较来估计其RUL，假设相似的行为会导致相似的故障时间。
RUL集成方法
集成方法（如随机森林或梯度提升）结合多个基础模型的预测，通过减少方差和偏差来产生更稳健和准确的RUL估计。
剩余使用寿命分布
RUL分布不仅提供剩余时间的点估计，还提供与该预测相关的不确定性度量，通常以置信区间或概率密度的形式表示。
寿命终点 (EOL) 预测
寿命终点预测是一项分类任务，旨在确定设备是否会在指定的未来时间窗口内达到其使用寿命终点，是对RUL回归的补充。
RUL模型中的注意力机制
注意力机制（集成在Transformer等模型中）使模型能够专注于时间序列数据中最相关的部分，以优化RUL预测。
Domain Adaptation for RUL
域适应是一种迁移学习技术，可以将在一个设备类型（源域）上训练的RUL模型应用于类似但不同的另一个设备（目标域），且只需要少量数据。