通过 Temporal and Heterogeneous Graph Neural Networks (THGNN) 模型，我们准确地捕捉了传感器数据流中的时间动态和空间相关性，并利用 Feature-wise Linear Modulation (FiLM) 解决了传感器类型多样性的问题，通过全面的实验验证了我们的方法的有效性，实验结果显示与最先进的方法相比，在 N-CMAPSS 数据集上获得了高达 19.2% 和 31.6% 的改进。

May, 2024

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

本文探讨了用人工智能和深度学习 (特别是神经网络) 进行预测性维护、诊断和预测的新兴技术应用，开发并测试了多种神经网络结构，使用公共数据集进行了诊断和预测。在结合深度学习技术 (如主成分分析和信号处理) 进行数据处理和特征提取的同时，探讨了这些技术在油田临界设备的预测性维护中的潜在应用，以降低意外停机和维护成本。

Jun, 2023

本研究提出了一种新颖的图嵌入技术，通过将分离的板域视为顶点，利用图采样和聚合（GraphSAGE）预测具有不同几何形状的加劲板的应力分布，对比有限元 - 顶点图表示的方法，研究结果表明，图神经网络和所提出的图嵌入方法作为强大的三维结构的高效减阶模型具有巨大潜力。

Sep, 2023

通过使用一个液压系统测试数据集，本研究聚焦于传感器基于的状态监测，并探索了使用深度学习技术的应用。我们比较了三种模型的性能：一个使用常规方法的基准模型，一个具有早期传感器融合的单一卷积神经网络模型，以及一个具有晚期传感器融合的双路卷积神经网络模型 (2L-CNN)。基准模型通过晚期传感器融合取得了令人印象深刻的 1% 测试误差率，其中对每个传感器进行了单独的特征提取。然而，由于传感器特征的多样性，卷积神经网络模型遇到了挑战，导致了 20.5% 的误差率。为了进一步调查这个问题，我们对每个传感器进行了单独的训练，并观察到了准确性的变化。此外，我们还评估了 2L-CNN 模型的性能，在考虑最不理想和最理想传感器的组合时，错误率降低了 33%。本研究强调了在传感器基于的状态监测中有效应对多传感器系统的复杂性的重要性。

Aug, 2023

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

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。

Jul, 2019

本文提出了一种将图形模型和深度神经网络集成到一个联合框架中的方法，在序列推断方面采用递归神经网络的建模，通过对节点之间的边缘施加门来学习推断的适当结构。实证研究表明，这种模型具有处理高度结构化学习任务的潜力，再现了在群体活动识别问题的表现。

Nov, 2015