1. 大多数基于数据驱动的机器学习方法没有考虑时间维度上的先后顺序对于输入输出造成的影响，由于预测的是单个值，可能预测结果会出现波动，模型输出不鲁棒，这会对实际生产产生重大影响，部分考虑到时间先后顺序的模型但是是单步或者短期预测模型对轴承退化信息进行预测时，输入的少量样本所产生的预测结果会随着时间步的推移出现累计误差的问题，传统方法使用单行振动数据作为训练数据X，使用HI构建单个指标作为标签Y，这种简单粗暴的训练方式只能反映当前时刻振动数据与当前对应指标的关系，并不能够从多行振动数据与HI健康指标中学习到其自有的固有时间特征，本文所提的模型能够···长时间序列···能够有效的提取的从数据间提取时间特征，能够更稳定的反映轴承的寿命预测，由于输出结果是一段序列不再只是一个值，相关工作人员可以根据寿命的趋势更好的进行维修与调度
2.对于实时性要求比较高的场景下，现有方法不能够满足需求
对于长序列Output的问题来说，预测长序列Output的速度(推理时间增加)会迅速下降，因为原生Trans的Decoder在Inference的过程中是动态输出的（也就是上一次的输出作为下一次的输入再预测），这不能满足于实际生产环境中对长序列的Output速度需求，本文所提的模型能够...很好的满足实时性的需求
3.算法时间复杂度低
4.时间序列的增强（扩充数据）
参考资料