利用深度强化学习对结构化数据进行生存分析
通过评估不同的历史数据量和预测未来时间范围,以预测系统故障的性能表现,研究发现预测窗口的大小对性能起关键作用,并突显深度学习在分类具有不同时间依赖模式的数据方面的有效性,以及机器学习在分类相似和重复模式的数据方面的有效性。
Feb, 2024
该研究提出了一种深度循环生存分析模型,结合了深度学习和生存分析,通过对每个样本的条件概率建模,捕获时间依赖性,预测真实事件发生的可能性并估计被审查数据的生存率,同时不需要假设任何特定形式的事件概率分布,在三个不同领域的实验中,该模型在各种度量标准下明显优于现有解决方案。
Sep, 2018
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
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
在当今技术驱动的时代,预防性维护和高级诊断的必要性不仅限于航空领域,还包括对旋转和移动机器中损坏、故障和操作缺陷的识别。实施这些服务不仅可以降低维护成本,还可以延长机器的使用寿命,确保更高的运营效率。此外,它还可以预防潜在事故或灾难事件。人工智能的出现已经在各个行业中彻底改变了维护工作方式,实现了对机器故障的更准确、更高效的预测和分析,从而节约时间和资源。我们提出的研究旨在深入研究各种机器学习分类技术,包括支持向量机(SVM)、随机森林、逻辑回归和基于卷积神经网络 LSTM 的方法,用于预测和分析机器性能。SVM 根据数据在多维空间中的位置将其分类到不同类别,而随机森林采用集成学习来创建多个决策树进行分类。逻辑回归使用输入数据来预测二元结果的概率。本研究的主要目标是评估这些算法在预测和分析机器性能方面的性能,考虑准确性、精确度、召回率和 F1 分数等因素。研究结果将帮助维护专家选择最适合的机器学习算法来有效预测和分析机器性能。
Mar, 2024
该论文综述了强化学习和深度强化学习在维护计划和优化问题上的应用,介绍了利用条件监控数据和强化学习开发智能维护规划者的方法,以及该领域的研究差距、关键见解和未来工作领域。
Jul, 2023
本研究综述了近年来深度学习在生存分析中的应用,包括针对高维 omics 数据和非结构化数据等的学习,旨在对从业者提供有用的综述和帮助两个领域的研究者确定未来的方向。
May, 2023
本文介绍了一种基于 Multi-Task Logistic Regression(MTLR)模型和深度学习架构作为核心的新方法,用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard(CoxPH)模型,并且可以帮助企业预测客户购买产品、流失或贷款违约的时间,从而提高回报率。
Jan, 2018
通过将复杂设备的结构表示为图,并使用图神经网络对多传感器时间序列数据建模,可以实现自动化设备健康监测,估算设备剩余寿命以及故障诊断,相较于基于循环神经网络 (RNN) 和卷积神经网络 (CNN) 的方法,基于图神经网络 (GNN) 的剩余寿命估算模型表现更为优异。
Jun, 2020
传统神经网络生存模型在预测组件故障时间方面表现出准确预测的特点,但数据采样不均匀时需要重新采样以获得好的结果,而随机重新采样是减少训练数据量的有效方法。
Mar, 2024