小波启发的编码器模型及其在工业预测性维护中的应用

王学一¹，张祺²，李柏岩¹，王森³，鲍劲松²

（1. 东华大学 计算机科学与技术学院，上海 201620；2. 东华大学 机械工程学院，上海 201620；3. 上海宝信软件股份有限公司，上海 201900） 

摘要：工业设备运行产生的大量时序数据蕴含着丰富的状态信息。这些数据具有高维、非平稳和强噪声的特点，反映了设备的复杂动态行为。然而，异常的不可预测性可能导致突发故障，对生产效率构成重大威胁。在钢铁连铸等工业场景中，传统时序预测方法在处理高维、非平稳和噪声数据时，往往难以捕捉多尺度动态变化和长期依赖性，导致预测精度不足，无法满足工业预测性维护的需求。准确预测未来设备状态和及时检测异常对于实现工业预测性维护、减轻或预防突发故障风险至关重要。本文创新性地提出了一种基于时序数据的预测性维护框架以及一种针对工业时序数据的长期预测方法。该框架由两个核心模块组成：预测和异常检测。为了有效捕捉设备中的多尺度动态变化，预测模块首先采用小波变换将时序数据分解为全局趋势和局部波动。随后，引入自适应掩码注意力机制来融合多尺度特征，深入探索数据中的长期依赖性和潜在模式，以提高长期预测精度。异常检测模块旨在提高模型在工业场景中的泛化能力，并促进其向异常检测任务的迁移。为此，本文采用少量样本微调策略来优化预训练的时序模型。在钢铁连铸工艺上的实验结果表明，与传统方法相比，所提方法将预测精度提高了30.6%。在异常检测方面，其F1分数达到0.84，充分验证了其在工业预测性维护中的优越性。

关键词：预测性维护，时间序列预测，工业系统，小波变换  

扫二维码浏览全文   

Cite this article

Wang, X., Zhang, Q., Li, B. et al. Wavelet-Inspired Encoder Model Applied in Industrial Predictive Maintenance. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2855-z