知识卡片：Pneuma——面向商用飞机预测性维护的大规模真实世界时间序列基准

一句话结论

Pneuma 是首个基于在役商用飞机机载时间序列构建的公开大规模预测性维护基准，包含超过 9.2 亿个多变量时间步、4 种机型与 9 类经核实故障场景，其统一评测显示即使当代强模型也难以识别细微故障特征。

事件概述或研究问题

商用航空预测性维护长期受制于缺乏公开、大规模、真实世界数据集，多数方法在专有数据上开发与评估，可复现性受限。该工作提出 Pneuma，试图以公开基准填补这一空白，围绕引气系统（bleed air systems）组织数据，并将标签直接对齐真实维护记录，从而在统一设定下检验现有时间序列模型在真实航空维护场景中的能力边界。

方法/产品要点

• 数据规模：超过 920 million 多变量时间步，覆盖 4 种机型、9 类经核实故障场景。
• 数据来源：在役商用飞机的机载时间序列，标签源自实际维护日志。
• 真实世界挑战：显著类别不平衡、细微的故障演化模式、不同飞机配置之间的显著差异。
• 任务设计：围绕三个任务构建基准——多变量预测（multivariate forecasting）、监督式故障分类（supervised fault classification）、无监督异常检测（unsupervised anomaly detection）。
• 评测设置：在统一设定下，于 9 个精心筛选的子集上评估来自 4 个方法族的 25 个以上模型。

主要结果或产业意义

• 即使当代强模型也难以应对细微故障特征（subtle fault signatures）。
• 增加上下文示例（in-context examples）与采用多变量推理（multivariate inference）带来一致性增益。
• 预测质量与异常检测性能强相关。
• 产业意义：为数据驱动的预测性维护提供可复现的公开基础，指向商用航空真实部署；具体部署效果与成本收益无法从材料确认，待核实。

为什么重要

此前预测性维护研究多依赖不可公开的专有数据，横向比较与复现困难。Pneuma 以真实机载时间序列和真实维护记录标签构建公开基准，使方法间比较具备统一口径；其结果显示真实航空时序的细微故障识别仍是开放难题，为后续建模（如利用上下文示例、多变量推理）提供了可检验的方向。与既有卡片中 RMISC 侧重多变量语料提升零样本泛化的脉络相比，本条增量在于：面向航空预测性维护这一具体高风险场景，提供带真实维护标签的任务化基准，而非通用预训练语料。

局限与不确定性

• 基准仅围绕引气系统构建，是否覆盖其他飞机系统待核实。
• 摘要未给出各模型的具体数值排名与量化差距，待核实。
• 数据采集时间跨度、机队规模、各机型样本量分布待核实。
• 公开数据的访问方式、许可协议与脱敏处理细节待核实。
• “9 个精心筛选子集”的具体划分标准待核实。

可用于图书/PPT/简报的角度

• 真实世界数据缺口如何制约预测性维护研究：从专有数据到公开基准的转变。
• 高风险工业场景中的类别不平衡与细微故障演化：为什么强模型也会失效。
• 多任务基准设计（预测、分类、异常检测）如何服务同一产业问题。
• 上下文示例与多变量推理在工业时序中的实用价值。
• 预测质量与异常检测性能的关联对模型选型的启示。

与既有脉络的关系

既有卡片 RMISC 关注大规模真实多变量语料对时间序列基础模型零样本泛化的提升；Pneuma 则将真实世界数据推进到航空预测性维护的任务化基准层面，补充了“带真实维护标签、面向具体故障场景”的评测维度，二者构成从通用语料到垂直场景基准的递进关系。

原始材料

• 标题：Pneuma: A Large-Scale Real-World Time Series Benchmark for Commercial Aircraft Predictive Maintenance
• arXiv ID：2610.37563v1
• 作者：Jiafeng Lin, Yutian Zhang, Huan Zhang, Yuxuan Wang, Jinyan Feng, Yuhui Liu, Zhongyi Pei, Jianmin Wang
• 发布/更新：2026-10-27T17:09:19Z
• 主分类：cs.LG
• Abstract URL：https://arxiv.org/abs/2610.37563v1
• PDF URL：https://arxiv.org/pdf/2610.37563v1