Jul, 2022

机床剩余寿命预测中的遮蔽自监督

PDF
TL;DR本文提出一种基于掩蔽自编码器的方法，利用未标注数据进行自监督，并将其用于残余寿命（RUL）预测。在 C-MAPSS 数据集上的实验表明，相较于使用完全监督模型的方法，本文的方法在 RUL 预测的准确性和有效性上表现更佳。
remaining useful lifetimedeep learningmasked autoencodersself-supervisionmanufacturing
发现论文，激发创造
  • 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

  • 疲劳损伤预测问题中的自监督学习对于数据稀缺性的应用

    本研究探讨了利用自监督学习技术预先在未标记传感器数据上对深度学习模型进行预训练，以及少样本学习技术，是否对飞行器结构所使用的 铝合金板的剩余寿命估计有用。结果表明，经过自监督预训练的模型能够显著地提高下游的剩余寿命预测任务中的预测性能，并且具有更小的计算成本，对于仅具有有限的标记数据的预测任务具有很大的价值。

    Jan, 2023

  • 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

  • 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

  • 基于循环神经网络的时间序列嵌入预测剩余寿命

    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

  • 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

  • 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

  • 基于 LSTM 编码器 - 解码器的无监督健康指数的多传感器预测

    使用 Long Short Term Memory 编码器 - 解码器方案获取多传感器时间序列数据的无监督健康指数来进行设备剩余寿命估计。

    Aug, 2016

  • 基于时空注意力机制的隐含物理知识神经网络用于剩余使用寿命预测

    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