长时程预测维护需要模型在以天为单位的规划窗口内区分缓慢的退化与正常运行波动。本文探讨显式条件分位数表示是否能为此提供有效的分类接口。提出的 TQRNN30d 框架将双阶段分位数回归神经网络 (QRNN) 作为特征提取器，并配合多流时序融合分类器。每个小时的 81 通道机器行为被映射为 324 维分位数状态，720 个有序小时词组成 30 天文档供长时程模型使用。分类器通过门控残差处理、因果循环编码以及元数据条件的跨模态注意力，将分位数状态与动态协变量、通道级静态元数据和 168 小时潜在历史流融合。基于持续单词前瞻预测误差发散的有界不稳定感知信号在最长时程提供辅助记忆调制。评估采用机器不交叉的 43/14/15 训练/验证/测试划分，覆盖九个制造设施的 72 台机器。30 天预测时，TQRNN30d 达到 79.97% F1、80.18% 召回、81.82% 精度、82.39% 准确率和 0.820 ROC‑AUC，且在 7、14、30 天固定阈值比较中领先全部 18 种基线，14 天的 F1 优势最大。结果表明在同质的九设施车队中持出机器表现良好，但未证明对未见站点、跨设备或跨行业的泛化能力。
点评