时序和异质图神经网络用于剩余寿命预测
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
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
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
本研究提出了一种时空注意力图神经网络模型,通过结合图神经网络和时间卷积神经网络,以改进预测精度和模型可解释性;该模型在统一归一化下表现出了卓越的结果。此外,对于具有多个操作条件的数据集,聚类归一化提升了我们所提出模型的性能高达 27%。
Jan, 2024
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
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
本研究提出了一种名为 Dual-Mixer 模型的时空均匀特征提取器,用于解决大部分现有的 RUL 预测方法中时空特征刚性组合的缺点。其采用灵活的逐层渐进特征融合来确保时空特征的均匀性并提高预测准确性,同时引入了基于监督对比学习的特征空间全局关系不变性(FSGRI)训练方法来增强模型在 RUL 预测中的性能。通过与 C-MAPSS 数据集上的其他最新研究成果进行对比,验证了所提出方法的有效性。Dual-Mixer 模型在大多数指标上表现出优越性,而 FSGRI 训练方法对所有基准模型的 RMSE 和 MAPE 平均分别提高了 7.00%和 2.41%。
Jan, 2024
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
通过引入 Temporal Graph Learning Recurrent Neural Network (TGLRN) 模型,我们可以动态地构建每个时间步长的图形,从而准确地预测交通流量,并通过边采样策略进一步提高模型的性能。
Jun, 2024