Jul, 2019

可解释深度学习方法预测剩余寿命：基于变分贝叶斯推断

PDF
TL;DR提出了一种结构效应神经网络，通过估计机器学习和概率密度函数的混合模型的参数，预测了设备的剩余寿命，并证明了这种方法在预测性能和可解释性方面更为优越。
remaining useful lifepreemptive maintenanceprobability density functionmachine learningstructured-effect neural network
发现论文，激发创造
  • 基于 Stein 变分梯度下降的贝叶斯深度学习用于剩余寿命估计

    预测性维护中用于评估物理系统剩余寿命的关键任务是通过深度学习提高预测性能，本研究提出使用 Stein 变分梯度下降算法训练贝叶斯深度学习模型来解决传统方法的局限性并提供性能改进，通过实验研究得出在模拟涡轮发动机老化数据中，通过 Stein 变分梯度下降训练的贝叶斯深度学习模型在收敛速度和预测性能方面显著优于基于变分推断和反向传播训练的同类模型。

    Feb, 2024

  • 基于深度学习的具有不确定故障模式的资产剩余寿命预测

    该研究介绍了两个将混合（对数）位置 - 尺度分布与深度学习相结合的预测模型，以应对多个故障模式的系统中存在的多重重叠降级信号、未标记历史数据的存在以及不同故障模式之间信号的相似性等挑战，并验证了这些模型相对于现有方法的卓越性能。

    May, 2024

  • 一种可解释的回归框架用于机器剩余寿命的预测

    本文提出了一种可解释的机器学习模型，使用 Local Interpretable Model-Agnostic Explanations 和 Shapley Additive Explanations 方法预测机器剩余使用寿命，为未来相关领域的研究提供了基础。

    Apr, 2022

  • 用于剩余使用寿命预测的集成神经网络

    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

  • 飞机发动机预测性维护的可解释性系统评述

    利用机器学习和深度学习模型以及传感器数据进行预测性维护，预测航空发动机故障，重点分析模型的解释性和预测准确性。

    Sep, 2023

  • 一种基于 Transformer 的多变量时间序列框架：以剩余使用寿命预测为例

    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

  • 自动化机器学习用于剩余寿命预测

    本文介绍了 AutoRUL，这是一种自动化 RUL（Remaining Useful Life）预测的自动机器学习（AutoML）驱动的端到端方法，结合了标准回归方法的微调和高预测能力的集成，为领域专家提供了一种消除构建数据驱动模型中的机器学习专业知识，使 RUL 预测更易于实现的替代方案。

    Jun, 2023

  • 关于 PHM 中 XAI 的准确性

    本文提出一种应用于时间序列回归模型的 XAI 方法的关键性和比较式修订，以探索这些方法的有效性，并比较它们之间的性能差异，结果表明 GRAD-CAM 是最强大的方法。

    Mar, 2023

  • 鲁棒 - MBDL: 旋转机器剩余使用寿命预测和运行状态识别的鲁棒多分支深度学习模型

    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

  • 用于估计飞机发动机剩余可用寿命的物理信息机器学习（PIML）方法

    利用物理知情机器学习（PIML）领域开发模型来预测航空发动机的剩余寿命，采用 C-MAPSS 数据集，使用随机方法估计 C-MAPSS 数据的物理模型并将其应用于 LSTM 模型，结果表明 PIML 方法在这个问题上表现优异，同时该框架灵活性高，适用于其他情况。

    Jun, 2024