- 稳健电池预测的概率融合方法探索
本研究采用贝叶斯集成学习方法,结合神经网络和贝叶斯建模概念,预测锂离子电池容量衰减,同时量化电池设计和老化过程所带来的不确定性,实现了对复杂、遥远和可靠操作自主系统潜力的准确预测。
- 工业系统的诊断和预测的机器学习方法综述:基于工业开源数据
在预测健康管理领域,本文提供了关于利用 PHM 数据挑战竞赛的开源数据集进行工业系统诊断和预测的机器学习方法的综述,并总结了一个统一的机器学习框架,强调了传统机器学习和深度学习在解决复杂工业任务方面的作用和挑战。
- 利用运行特征对领域适应进行剩余寿命预测
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。
- 基于物理知识神经网络的锂电池预测与健康管理模型融合
本文提出了基于 PINN 模型融合物理动态模型和数据驱动模型用于锂离子电池降解动力学的半经验 / 半物理偏微分方程的模型融合方案,并采用基于不确定性的自适应加权方法平衡多个学习任务在公共 LFP / 石墨化锂离子电池数据集上进行验证。
- 深度散射谱在构件级预测和健康管理(PHM)中的故障检测和诊断相关性
研究机器人机械部件故障检测和诊断中的 Deep Scattering Spectrum(DSS) 方法,通过从输入信号中提取低方差特征,实现对简单和复杂分类问题的故障检测和诊断,分类准确率分别为 99.7% 和 88.1%。
- 通过健康监测和重构实现系统弹性
我们展示了一个基于基于物理学的数字双胞胎模型和三个模块的端到端框架,旨在提高制造系统对意外事件的抗干扰能力。
- 物理注脚的模糊生成对抗网络用于鲁棒性失效预测
本论文提出了一种基于模糊逻辑和生成对抗网络的混合建模方法 - FuzzyGAN,该方法结合了基于物理的模型和数据驱动模型的优点,并在承载问题上显示出更准确的预后能力。
- ICML基于深度学习预测的对抗样本制作(扩展版)
通过对 Prognostics and Health Management (PHM) 系统进行敌对样本攻击测试,本论文发现 IoT 传感器和 DL 算法都容易受到攻击,这可能导致 PHM 系统出现严重缺陷,从而减少设备的使用寿命。