Как оценить оставшиеся срок полезного срока полезного срока (RUL) или прогрессирование деградации в немеченном наборе да ⇐ Python

[Anonymous]

Я работаю над проблемой прогнозного обслуживания для машины с ЧПУ, стремясь оценить оставшийся срок полезного использования (RUL) по датчикам табличных данных. Тем не менее, я сталкиваюсь с проблемой, с которой большинство стандартных учебных пособий не обращаются.
Мои данные: < /p>

Код: Выделить всё

A CSV file containing snapshots of machine operation cycles.

Features include:

Spindle motor: speed, load, temperature

Servo motor: speed, temperature

Cutting parameters: cutting speed, feed rate, cutting time (excluding air time)

Data consists of independent operational cycles (not a continuous time-series).

No target variable (e.g., RUL or time-to-failure).

No timestamps or degradation labels—just raw sensor readings.
< /code>
Цель: < /p>
Я хочу выйти за рамки простого обнаружения аномалии и оценить непрерывную деградацию или генерировать индекс здоровья (HI), который отражает прогрессирование в направлении неудачи, даже в неконтролируемой или полу-сервере.Anomaly Detection (e.g., Isolation Forest, One-Class SVM): Flags outliers but does not provide a continuous degradation score.

Clustering (e.g., KMeans, DBSCAN): Groups operational states, but it's hard to label clusters as "Healthy", "Degrading", or "Critical" without ground truth.

PCA for Health Index: First principal component to represent degradation, assuming it captures most variation due to wear—but I'm unsure if this is a valid proxy.
< /code>
Вопросы ключей: < /p>
What unsupervised or semi-supervised techniques are best suited for RUL estimation or degradation modeling when no failure labels or timestamps are available?

How can I transform multi-dimensional sensor data into a meaningful Health Index (HI)?

Are Autoencoders (using reconstruction error) or Self-Organizing Maps (SOMs) viable?

Are there alternatives like t-SNE/UMAP for dimensionality reduction with progression estimation?

How can I validate that the HI or degradation trend is meaningful without ground truth?

Are there any proxy validation methods or domain-informed metrics?

Is it possible to infer a pseudo-timeline or ordering of samples to reflect progression toward failure?

Can manifold learning or graph-based methods (e.g., diffusion maps, ordinal embedding) help simulate a timeline?
< /code>
Tech Stack: < /p>
Python

Libraries: pandas, scikit-learn, tensorflow/keras (optionally), umap-learn

Я ищу концептуальные стратегии, рекомендации по алгоритму и практические подходы к борьбе с оценкой RUL в полностью неконтролируемой настройке.>

Подробнее здесь: https://stackoverflow.com/questions/796 ... -in-an-unl