基于 LSTM 编码器 - 解码器的无监督健康指数的多传感器预测
提出一种名为 Embed-RUL 的新方法,用于基于传感器数据估计系统或机器的剩余寿命(RUL),使用递归神经网络生成多变量时间序列子序列的嵌入,以过滤噪声并捕获时间序列的总体模式,从而保持了机器运行行为类似的嵌入靠近,即使它们的传感器读数具有显着和不同的噪声内容,通过在公共和实际数据集上运行该方法,显示它优于以前报告的现有技术。
Sep, 2017
通过检测设备的变化点,并利用所学习的变化点来提高剩余使用寿命估计的准确性,该论文提出了一种基于时间动力学学习的新模型。通过将传感器数据分解为可推广并代表多种工况下正常操作动态的融合时间相关特征,来进行离线模型开发。从这些学到的时间特征动态构建监控统计和正常行为控制限阈值,用于无监督检测设备级别的变化点。然后,使用这些检测到的变化点来标记降解数据,以训练基于 LSTM 的剩余使用寿命估计模型。在在线监测期间,监测查询设备的时间相关动态是否超过离线训练得出的控制限。若检测到变化点,则使用训练有素的离线模型估计设备的剩余使用寿命,以进行早期预防措施。在以 C-MAPSS 涡轮风扇发动机为案例研究的情况下,该方法相比不考虑异质变化点的现有 LSTM 基准模型,将准确性提高了 5.6%和 7.5%(针对六种工况的两种情况)。
Jan, 2024
使用集成神经网络进行概率剩余寿命预测的方法,可以区分出系统产生的 aleatoric 不确定性和模型参数产生的 (epistemic) 不确定性,并通过在 NASA 的涡轮喷气发动机 CMAPSS 数据集上的测试,展示了这些不确定性可以被建模和解释的方式,并与现有的先进方法进行了评估。
Sep, 2023
提出了一种基于编码器 - Transformer 结构的多元时间序列预测框架,用于预测系统剩余可用寿命,与其他 13 种当前最先进模型相比,其性能提升了平均 137.65%。
Aug, 2023
提出了一种用于旋转机器的剩余有用寿命预测和工况操作识别的鲁棒的多支路深度学习系统,该系统由 LSTM-Autoencoder、特征提取和多支路深度学习网络构成,实验证明该系统在轴承机器的实际应用中表现优于现有系统。
Sep, 2023
使用一维卷积神经网络提取传感器数据的退化相关特征,并提出了时间深度退化网络 (TDDN) 模型来更加准确地预测剩余寿命,这个模型使用注意力机制来捕捉故障特征和退化发展,对公共 C-MAPSS 数据集进行评估,与现有方法进行比较,证明了 TDDN 模型在复杂条件下能够以最佳的 RUL 预测精度来预测涡轮风扇发动机的剩余使用寿命。
Feb, 2022
提出了一种将一般降解知识集成到卷积自编码器模型和学习算法中的无监督混合方法,增强了其在各种系统中的适用性,并在涡轮发动机和锂电池领域的两个案例研究中证明了其在健康指数评估中的优越性能和在剩余使用寿命预测方面的实用性与有监督模型相当的效果。
May, 2024
使用长短时记忆网络的编码器 - 解码器方案构建正常时间序列的重建,使用重构误差检测异常,实现了在可预测、不可预测、周期、非周期和准周期时间序列中检测异常。
Jul, 2016
利用多个去噪模块的力量,本研究提出了一种新方法,用于准确预测锂离子电池的剩余寿命 (RUL),并通过去噪自编码器和小波去噪器生成编码 / 分解表示,然后通过专用的自注意力变换编码器进行处理,通过 NASA 和 CALCE 数据集上的大量实验证明,我们能够在多种噪声模式下表征广谱的健康指标估计,而且我们报告的误差指标与最近文献中的最佳结果持平或更好。
Sep, 2023
利用深度学习方法,本研究提出了一种基于时空注意力机制和隐藏的物理信息神经网络(STA-HPINN)用于预测剩余使用寿命(RUL),该模型能够有效地提取相关数据的降解信息,并且在物理约束下实现更高准确性和合理的预测,并在基准数据集上验证了其出色的性能。
May, 2024