本文提出了一种利用循环神经网络(RNN)预测边缘资源使用情况和触发主动节点复制和任务迁移的智能主动容错(IPFT)方法,同时使用创新的混合贝叶斯进化策略(HBES)算法自动适应资源使用模型,实验结果表明该方法可显著提高可靠性和可维护性。
Feb, 2023
提出一种新的建模方法 DeepFT,通过优化任务调度和迁移决策,采用深度代理模型和基于自我监督学习的协同模拟,来预测和诊断系统中的故障,从而在资源有限的边缘计算中实现高可靠性
Dec, 2022
故障树分析是一种评估安全风险的重要方法,本文提出了模糊不可靠性值的严格框架及系统的模糊可靠性的高效计算算法。
Mar, 2024
本文提出了第一个完全自动化的失效分析方法,该方法基于机器学习故障树从原始数据中提取连续变量,并且可以在实际数据集上工作。
Mar, 2022
应用知识图谱和梯度提升决策树技术,我们提出了一种能够有效学习少量高维数据的方法,用于电力变压器的安全状态评估和故障分析,取得了相比于神经网络和逻辑回归等其他方法更高的预测准确性,并在进步性、实用性和广泛应用潜力方面有显著改进。
Feb, 2024
在本研究中,通过开发成本有效的数据采集系统(DAS),结合小波、微分计算和信号处理的概念,开发了一种特征工程和数据缩减方法,然后提出了在开发预测模型时需要考虑的所有必要理论和实践因素。DAS 在与专业手动监测系统相比的准确率达到了 89%,在预测过程中,SVM 和 NN 的准确率超过了 95%,在测试新样本时达到了 100%。此研究的结果可立即应用于中小型工业领域,以发现其他问题并相应地进行发展,对于自动化故障检测与诊断领域具有重要意义。
Jan, 2024
基于 LSTM 神经网络的多元时间序列数据监测和故障检测,采用 Modelica 模型进行验证,引入阈值筛选机制并过滤超出操作者兴趣范围的故障。
Dec, 2016
通过评估现有的预测性维护方法并提出创新性框架,本研究介绍一种基于人工智能和工业互联网的智能化维护框架,包括概率可靠性建模和深度学习等最新机器学习算法,并利用涡轮风扇引擎退化数据集验证了新颖的概率深度学习可靠性建模方法。
Sep, 2020
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。
本文通过系统架构、目标和方法等方面,全面综述了预测性维护(PdM),并从知识、传统机器学习(ML)和 DL 等三个主要方面分类回顾了 PdM 系统中的故障诊断和预测方法,提出了重要的未来研究方向和目标。
Dec, 2019