Boosted Enhanced Quantile Regression Neural Networks with Spatiotemporal Permutation Entropy for Complex System Prognostics

📄 arXiv: 2507.14194 📥 PDF

作者: David J Poland

分类: eess.SP, cs.LG, eess.SY

发布日期: 2026-07-20

💡 一句话要点

提出集成框架以解决复杂系统的长时段故障预测问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 故障预测 时空置换熵 量化回归神经网络 脉冲神经网络 时间融合变换器 不确定性感知 工业电子系统 长时段预测

📋 核心要点

  1. 现有方法在长时段故障预测中常常无法捕捉到弱空间传播的退化特征，导致预测准确性不足。
  2. 本文提出的框架通过集成多种先进技术，能够有效提取时空特征并进行不确定性感知的故障预测。
  3. 在九个系统的工业电子传感器数据集上，所提框架在168小时预测时达到了81.17%的准确率，显著优于基线模型。

📝 摘要（中文）

本文提出了一种集成的预后框架，结合了时空置换熵（STPE）、增强量化回归神经网络（B-EQRNNs）、门控时间注意力机制、脉冲神经网络（SNN）精炼阶段和时间融合变换器（TFT）分类器。该框架旨在解决分布式工业电子系统中的长时段故障预测问题，克服了单传感器或点估计模型在捕捉弱空间传播退化特征和提供有限不确定性信息方面的不足。通过将70通道传感器流转换为多尺度STPE描述符，学习条件量化表示和加权时间上下文，最终进行正常/异常分类。评估基于九个系统的工业电子传感器数据集，预测时间范围为48、90和168小时。该框架在168小时预测时达到了81.17%的准确率，并进行了组件消融、计算成本分析和显式可重复性协议的评估。

🔬 方法详解

问题定义：本文旨在解决分布式工业电子系统中的长时段故障预测问题。现有方法往往依赖单一传感器或点估计模型，无法有效捕捉弱空间传播的退化特征，导致预测结果的不确定性较高。

核心思路：提出的框架通过结合时空置换熵（STPE）和增强量化回归神经网络（B-EQRNNs），利用门控时间注意力机制和脉冲神经网络（SNN）精炼阶段，来提取多尺度的时空特征，从而提高故障预测的准确性和不确定性评估能力。

技术框架：整体架构包括多个主要模块：首先将70通道传感器数据转换为多尺度的STPE描述符；然后通过B-EQRNNs学习条件量化表示和加权时间上下文；最后使用TFT分类器进行正常/异常分类。

关键创新：该研究的关键创新在于提出了一种混合架构，能够有效整合多种模型和技术，特别是在不确定性感知的时空预后方面，区别于传统的单一模型方法。

关键设计：在设计中，采用了多尺度STPE描述符以捕捉不同时间尺度的特征，同时在B-EQRNNs中引入了门控机制，以增强模型对时间上下文的关注。此外，损失函数和网络结构经过精心设计，以确保模型的稳定性和准确性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在评估中，所提框架在168小时的预测时达到了81.17%的准确率，显著优于基于树的LightGBM基线和现代序列模型（如LSTM、Autoformer和TCN），展示了其在长时段故障预测中的有效性和优势。

🎯 应用场景

该研究的潜在应用领域包括工业设备的故障预测与维护、智能制造系统的监控以及其他复杂系统的健康管理。通过提高故障预测的准确性和不确定性评估能力，能够有效降低维护成本和提高系统可靠性，具有重要的实际价值和未来影响。

📄 摘要（原文）

This paper presents an integrative prognostic framework that combines Spatiotemporal Permutation Entropy (STPE), Boosted Enhanced Quantile Regression Neural Networks (B-EQRNNs), Gated Temporal Attention, a Spiking Neural Network (SNN) refinement stage, and a Temporal Fusion Transformer (TFT) classifier. The motivation is long-horizon fault prediction in distributed industrial electronic systems, where single-sensor or point-estimate models can miss weak spatially propagating degradation signatures and provide limited uncertainty information. The proposed pipeline first converts 70-channel sensor streams into multiscale STPE descriptors, then learns conditional quantile representations and attention-weighted temporal context before final Normal/Abnormal classification. Evaluation is reported on a nine-system industrial electronic-sensor dataset with 48-, 90-, and 168-hour prediction horizons. The comparison includes a tree-based LightGBM baseline and modern sequence baselines available under the same preprocessing protocol, including LSTM, Autoformer, and TCN models. The full pipeline reaches 81.17% accuracy at the 168-hour horizon and is evaluated with component ablations, computational-cost analysis, and an explicit reproducibility protocol. The contribution is therefore framed as a validated hybrid architecture for uncertainty-aware spatiotemporal prognostics rather than as a new standalone learning theory.