May, 2024

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

PDF
TL;DR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。
remaining useful lifeprognostic health managementdeep learningspatio-temporal attention-based hidden physics-informed neural networkbenchmark dataset
发现论文，激发创造
  • 时序和异质图神经网络用于剩余寿命预测

    通过 Temporal and Heterogeneous Graph Neural Networks (THGNN) 模型，我们准确地捕捉了传感器数据流中的时间动态和空间相关性，并利用 Feature-wise Linear Modulation (FiLM) 解决了传感器类型多样性的问题，通过全面的实验验证了我们的方法的有效性，实验结果显示与最先进的方法相比，在 N-CMAPSS 数据集上获得了高达 19.2% 和 31.6% 的改进。

    May, 2024

  • 基于时间深度降解网络和基于注意力的特征提取的复杂机械剩余寿命预测

    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

  • 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

  • 时空注意力图神经网络用于剩余寿命预测

    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

  • 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

  • 基于残差注意力物理网络的可再生能源电厂中变压器的高效时空寿命评估

    通过物理学信息神经网络配置的部分微分方程与数据驱动神经网络相结合的高效时空模型，改进了对变压器绕组温度和老化估计的预测准确性和获得时空分辨率，进而推断了时空变压器老化模型，帮助变压器健康管理决策，并提供了关于变压器绝缘体的局部热老化现象的见解。

    May, 2024

  • 利用时空多模态注意力网络预测锂离子电池剩余寿命

    提出了一种基于时空多模态注意网络（ST-MAN）的二阶段锂离子电池剩余寿命预测方案，能够捕捉电池数据中复杂的时空依赖关系，并在预测剩余寿命方面实现了最先进的性能。

    Oct, 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

  • 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