instâncias falhas e censuradas com base na estimativa de vida útil restante (rul) das entidades

instâncias com falha e censuradas com base na estimativa de vida útil remanescente (rul), de entidades estimativa da vida útil restante remanescente (rul) de dados de séries de tempo multisensor é difícil através da inspeção manual. métodos atuais de aprendizagem de máquina e análise de dados, para estimativa de rul, exigem um grande número de instâncias com falha para treinamento, raramente disponíveis na prática, e esses métodos não podem usar informações de instâncias censuradas operacionais atualmente, pois seu tempo de falha é desconhecido. formas de concretização da presente divulgação proporcionam sistemas e métodos para estimar a rul utilizando dados de séries de tempo implementando uma técnica de regressão ordinal baseada em lstm-rnn, em que durante o treinamento o valor rul de instâncias com falha é codificado em um vetor que é dado como um alvo para o modelo. ao contrário de uma instância com falha, a rul exata de uma instância censurada é desconhecida. para usar as instâncias censuradas, os vetores alvo são gerados e a função de objetivo é modificada para o treinamento em que a regressão ordinal baseada em lstm-rnn treinada é aplicada em uma série de tempo de teste de entrada para estimativa de rul. Estimating Remaining Useful Life (RUL) from multi-sensor time series data is difficult through manual inspection. Current machine learning and data analytics methods, for RUL estimation require large number of failed instances for training, which are rarely available in practice, and these methods cannot use information from currently operational censored instances since their failure time is unknown. Embodiments of the present disclosure provide systems and methods for estimating RUL using time series data by implementing an LSTM-RNN based ordinal regression technique, wherein during training RUL value of failed instance(s) is encoded into a vector which is given as a target to the model. Unlike a failed instance, the exact RUL for a censored instance is unknown. For using the censored instances, target vectors are generated and the objective function is modified for training wherein the trained LSTM-RNN based ordinal regression is applied on an input test time series for RUL estimation.