Auf der Asia Pacific Conference of the Prognostics and Health Management Society (PHMAP) 2025, die vom 8.–11. Dezember 2025 in Singapur stattfand, wurde der Beitrag
„A Transfer Learning Framework for Remaining Useful Life Estimation“
von Melanie B. Sigl präsentiert.
Die Arbeit befasst sich mit der Herausforderung, robuste Deep-Learning-Modelle zur Remaining Useful Life-Schätzung auch bei begrenzten und unvollständig annotierten Datensätzen einzusetzen. Hierfür wurde REAPER entwickelt – ein Framework, das Datensätze analysiert und geeignete Quellmodelle für Transfer Learning empfiehlt, um negativen Transfer zu vermeiden. Ziel ist es, die Auswahl des Ausgangsmodells datenbasiert und nachvollziehbar zu gestalten, anstatt sie heuristisch zu treffen.
Die Diskussionen im Anschluss an die Präsentation unterstrichen die hohe Relevanz dieser Fragestellung im Bereich Prognostics and Health Management (PHM). Insbesondere ein generisches und erweiterbares Framework, das über verschiedene Datensätze, Architekturen und Ranking-Modelle hinweg einsetzbar ist, adressiert einen deutlich wahrnehmbaren Bedarf an praxisnahen Lösungen.