- 预测系统退化中潜在数据差异的意义
基于条件的维护是在工程系统中实现对潜在故障的早期检测至关重要的，而准确预测剩余寿命是有效维护和操作的关键。本研究引入了一种基于统计相似性分析潜在数据的新方法，借助基于向量量化变分自动编码器的特定设计架构，创建了一系列离散向量，用于估计系统特 - 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
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 - 通过将通识知识与无监督学习相结合来估算健康指数
提出了一种将一般降解知识集成到卷积自编码器模型和学习算法中的无监督混合方法，增强了其在各种系统中的适用性，并在涡轮发动机和锂电池领域的两个案例研究中证明了其在健康指数评估中的优越性能和在剩余使用寿命预测方面的实用性与有监督模型相当的效果。
- 基于被截尾事件数据的剩余使用寿命的概率估计
利用生存分析提出了一种用于预测剩余寿命的概率估计方法，支持对被审查数据进行分析，通过训练多个生存模型，能够在有限时间内预测剩余寿命，实验证明随机生存森林在平均绝对误差方面表现更好，通过提出的方法可更好地进行预测性维护建模和早期故障检测。
- 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 - CPS 时代下的锂离子电池健康预测现状
研究论文探讨了锂离子电池（Li-on）与预测与健康管理的无缝集成，提供了一种多学科方法，增强了这些动力源的可靠性、安全性和性能。重点深入探讨了剩余寿命（RUL），强调其在预测组件故障之前的作用。论文综述了各种 RUL 预测方法，从传统模型到 - 使用自回归网络生成滚动轴承的全生命周期数据以预测剩余寿命
使用基于 CVGAN 模型的振动信号生成框架，结合历史振动数据和剩余寿命，通过一维水平和垂直方向的条件振动信号生成，提高滚动轴承寿命预测模型的准确性。在 PHM 2012 数据集上的实验表明，CVGAN 模型在自回归和非自回归生成模式下，通 - 特徵生成加融合的半监督健康指数监测
通过适应 DeepSAD 方法进行 Health Index 的构建，我们利用 DeepSAD 嵌入作为条件指标来解决可解释性挑战和对系统特定因素的敏感性，同时引入多样性损失以丰富条件指标，通过交替投影算法和保序约束将 DeepSAD 嵌入 - 利用多输入自回归模型进行轴承剩余使用寿命预测
利用多输入自回归模型将振动信号与先前预测的健康指标值相结合，通过特征融合输出当前窗口的健康指标值，从而解决滚动轴承寿命预测中通用性有限的问题。通过自回归迭代，该模型具有全局感受野，有效克服通用化的限制。在 PMH2012 数据集上的实证评估 - 利用 VQ-VAE 进行端到端的健康指标生成用于滚动轴承剩余寿命预测
以振动信号为基础，构建了一种使用矢量量化变分自动编码器 (VQ-VAE) 的健康指标 (HI) 构建方法，引入了均值绝对距离 (MAD) 和均值方差 (MV) 两个新的统计度量来准确描述振动曲线波动的模式，通过在 PMH2012 数据集上的 - TranDRL: 基于 Transformer 的深度强化学习驱动的预防性维护框架
基于变压器神经网络和深度强化学习算法的集成框架，通过有效捕捉传感器数据中的复杂时间模式来准确预测设备的剩余寿命，并提供成本效益和及时的维护建议，从而为产业运营中存在的关键挑战提供创新的数据驱动方法，实现更高效、更经济、更可靠的系统。
- 合成纤维绳索的条件监测图像数据集
通过生成一个包含正常和有缺陷的合成纤维绳的综合数据集，本研究旨在支持自动化缺陷检测系统的开发，以优于传统的视觉检验方法，并在广泛应用中实现合成纤维绳的更安全、更高效的利用。
- De-SaTE: 去噪自注意力变压器编码器用于锂离子电池健康预测
利用多个去噪模块的力量，本研究提出了一种新方法，用于准确预测锂离子电池的剩余寿命 (RUL)，并通过去噪自编码器和小波去噪器生成编码 / 分解表示，然后通过专用的自注意力变换编码器进行处理，通过 NASA 和 CALCE 数据集上的大量实验 - 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 - 铅酸电池剩余寿命估计的机器学习方法映射研究
本文介绍了机器学习方法在估计铅酸电池 State of Health 和 Remaining Useful Life 方面的研究现状，并分析了测量铅酸电池性能的传感器组合。
- 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 - 深度学习在油田设备预测性维护中的应用
本文探讨了用人工智能和深度学习 (特别是神经网络) 进行预测性维护、诊断和预测的新兴技术应用，开发并测试了多种神经网络结构，使用公共数据集进行了诊断和预测。在结合深度学习技术 (如主成分分析和信号处理) 进行数据处理和特征提取的同时，探讨了 - 锂离子电池剩余使用寿命及状态健康度评估（适用于电动汽车）
提出一种基于机器学习技术的方法，利用电压、电流和温度等各种电池性能参数，训练一个预测模型以准确预测锂离子电池的剩余使用寿命，并在一组锂离子电池循环数据集上评估了该方法的性能，取得了显著的效果
- 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。
- 疲劳损伤预测问题中的自监督学习对于数据稀缺性的应用
本研究探讨了利用自监督学习技术预先在未标记传感器数据上对深度学习模型进行预训练，以及少样本学习技术，是否对飞行器结构所使用的 铝合金板的剩余寿命估计有用。结果表明，经过自监督预训练的模型能够显著地提高下游的剩余寿命预测任务中的预测性能，并且