Feb, 2023

利用运行特征对领域适应进行剩余寿命预测

PDF
TL;DR本文提出了两种基于对抗性领域自适应框架的 DA 方法，用于提高使用不同操作条件的数据的剩余有用寿命预测的准确性，实验结果表明，与当前最先进的 DA 方法相比，所提出的方法显著提高了 RUL 预测的准确性。
prognosticshealth managementremaining useful lifedomain adaptationoperating conditions
发现论文，激发创造
  • 混合领域适应用于动态剩余寿命预测

    该论文介绍了一种使用混合域适应和自监督学习策略的解决方案，用于预测剩余使用寿命（Remaining Useful Life，RUL），在 12 个案例中，在动态 RUL 预测方面，该解决方案优于其他最近发表的作品，其中 8 个案例中，它也优于先前的技术。

    Apr, 2024

  • 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

  • 基于响应时间的软件系统剩余寿命（RUL）预测的演示

    本文探讨了将 PHM 概念应用于软件系统进行故障预测和剩余使用寿命估计，并提出了一种基于使用参数和性能参数的连续的软件系统剩余使用寿命预测方法。通过与实际数据进行比较，并进行了统计验证和交叉验证，验证了该模型的有效性，并基于 Bugzilla 应用程序的案例研究证明了 PHM 概念可以应用于软件系统并计算剩余使用寿命以进行系统管理决策。

    Jul, 2023

  • 基于变动操作条件的变点检测综合剩余寿命估计模型

    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

  • 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

  • 基于受控物理信息的数据生成，用于基于深度学习的未见过操作条件下的剩余寿命预测

    提出了一种基于物理学信息生成和深度学习预测模型的新型混合框架，其中包括一个新的受控物理学信息生成对抗网络 (CPI-GAN)，该网络使用五个基本物理约束条件将生成的合成降级轨迹的变化趋势保持一致并提高了剩余寿命预测的准确性。与商业模块化航空推进系统模拟 (N-CMAPSS) 的实验结果表明，该框架能够产生与基础降级趋势一致的合成 TTF 轨迹，进而显著提高了剩余寿命预测的准确性。

    Apr, 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

  • 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

  • DEJA VU：未见领域的连续模型泛化

    RA-TensorPrototype 是一个结合了领域适应和领域一般化的框架，实现了在数据分布连续变化的情况下目标域泛化和自适应的能力，同时解决了学习遗忘的问题。

    Jan, 2023

  • 领域自适应时间序列分类以减轻协变量漂移

    本文提出一种新的基于监督学习的域适应技术，利用最优传输方法和嵌入相似性技术，从少量样本中搜索最优类别相关转换，并在推理中选择相应的转换，能够减小领域差异，并在多个包括模拟和手写数据集的领域漂移时间序列数据集上进行了广泛的评估。

    Apr, 2022