A recurrent neural network approach for remaining useful life prediction utilizing a novel trend features construction method
用于剩余使用寿命(RUL)预测的数据驱动方法通常从先验退化的固定窗口大小学习特征,这可能由于局部特征的方差而导致不同数据集上的预测结果不太准确。本文提出了一种基于趋势特征的RUL预测方法,该趋势特征代表了退化的总体时间序列。完整的合奏经验模式分解,其次是重建过程中,创建建立的趋势功能。利用条件神经过程学习的传感器测量值的概率分布来评估趋势特征。利用最佳趋势特征,建立了一个基于长短期记忆的数据驱动模型来预测RUL。为了证明所提出的方法的有效性,在基准C-MAPSS数据集上进行了实验,并与其他国家的最先进的方法进行了比较。比较结果表明,该方法实现了最小的均方根值在所有的RUL的预测。
2021-12-10 eess.SP
Fault Prognosis of Turbofan Engines: Eventual Failure Prediction and Remaining Useful Life Estimation
Michigan Institute for Data Science, University of Michigan(密歇根大学密歇根数据科学研究所);Department of Mechanical Engineering, University of Michigan(密歇根大学机械工程系)
本文提出一种融合PCA特征正交化与定制损失函数的多任务预测方法,同时预测涡扇发动机健康状态、最终故障部件和剩余使用寿命,其中ANN-Flux在分类和RUL估计上均显著优于以往工作。
2023-03-23 cs.LG cs.SY eess.SP
Fuzzy model identification based on mixture distribution analysis for bearings remaining useful life estimation using small training data set
本文的研究工作提出了一种基于Takagi-Sugeno(T-S)模糊推理系统(FIS)的轴承剩余使用寿命估计数据驱动建模方法。该方法允许从少量数据开始识别经典T-S FIS的参数。在这项工作中,我们使用的振动信号数据从一个小数目的轴承在整个运行期间的故障。FIS模型输入是从在训练轴承上周期性观察的振动信号数据中提取的特征。采用减法聚类方法确定FIS模型的规则数和各规则的输入参数。此外,我们建议使用混合分布分析的最大似然方法来计算时间轴上的聚类参数和退化阶段的规则对应的概率。在此基础上,我们确定了每个规则的输出参数,使用加权最小二乘估计。然后,我们将所提出的方法与文献中的一些现有方法进行基准测试,通过在可用数据集上进行的数值实验来突出其有效性。
2020-12-07 eess.SP
A Transformer-based Framework For Multi-variate Time Series: A Remaining Useful Life Prediction Use Case
University of Victoria(维多利亚大学)
本文提出基于编码器Transformer的多变量时间序列预测框架,用于剩余使用寿命预测,在C-MAPPS数据集上通过扩展窗口方法提升性能,超越13种SOTA模型,平均性能提升137.65%。
2023-08-29 cs.LG eess.SP
On an Application of Generative Adversarial Networks on Remaining Lifetime Estimation
The University of Sheffield(谢菲尔德大学)
结构健康监测的一个主要问题是结构的损伤预测和剩余使用寿命的确定。这两项任务都依赖于许多参数,其中许多参数往往是不确定的。许多模型已被开发用于上述任务,但它们要么是确定性的,要么是随机性的,只考虑结构的有限数量的过去状态。在目前的工作中,生成模型,提出了为了对结构的损伤演化的预测。该模型能够执行基于人口的SHM(PBSHM)框架,考虑到许多过去的状态的损坏的结构,将不确定性的建模过程中,并产生潜在的损伤演化结果,根据从结构获得的数据。该算法进行了测试模拟损伤演化的例子,结果表明,它是能够提供相当有信心的预测人口内的结构的剩余使用寿命。
2022-08-18 cs.LG eess.SP stat.ML
Remaining useful life prediction with uncertainty quantification: development of a highly accurate model for rotating machinery
Georgia Institute of Technology(佐治亚理工学院)
旋转机械对于现代生活至关重要,从发电到运输以及许多其他工业应用。由于这些设备通常在具有挑战性的工作条件下运行,这可能导致过早的故障,因此准确的剩余使用寿命(RUL)预测对于维护计划和防止灾难性故障至关重要。在这项工作中,我们解决了当前旋转机械数据驱动的RUL预测面临的挑战。挑战围绕着预测的准确性和不确定性量化,以及给定传感器数据的系统退化和RUL估计的非平稳性。我们设计了一种新的架构和具有不确定性量化的RUL预测模型,称为VisPro,它集成了时频分析,深度学习图像识别和非平稳高斯过程回归。我们使用PHM12轴承振动数据集对我们的模型与其他先进的数据驱动的RUL预测模型进行分析和基准测试。计算实验表明,(1)VisPro预测是高度准确的,并提供了显着的改进,现有的预测模型(比第二个最好的模型准确三倍),和(2)RUL的不确定性界限是有效的和信息。我们确定和讨论的架构和建模的选择,解释这种出色的预测性能的VisPro。
2021-09-23 cs.CE cs.LG eess.SP
Utilizing Multiple Inputs Autoregressive Models for Bearing Remaining Useful Life Prediction
本文提出一种融合振动信号与历史健康指标预测值的多输入自回归模型,用于轴承剩余使用寿命预测,并通过分割方法与多次训练迭代抑制误差累积,在PMH2012数据集上显著优于传统自回归和非自回归方法。
2023-11-26 cs.AI cs.LG eess.SP
Dual Aspect Self-Attention based on Transformer for Remaining Useful Life Prediction
Shandong University(山东大学);Institute of Marine Science and Technology(海洋科学与技术研究院)
剩余使用寿命预测是状态维修的关键技术之一,对维护工业设备的可靠性和安全性具有重要意义。大量的工业测量数据有效地提高了基于数据驱动的RUL预测方法的性能。虽然深度学习在RUL预测方面取得了巨大成功,但现有方法在处理长序列以及从传感器和时间步长方面提取信息方面存在困难。在本文中,我们提出了基于Transformer的双方面自注意(DAST),这是一种新的深度RUL预测方法,它是一种纯粹基于自注意的编码器-解码器结构,没有任何RNN/CNN模块。DAST由两个编码器组成,它们并行工作,同时提取不同传感器和时间步长的特征。DAST编码器仅基于自关注,在处理长数据序列时更有效,并且能够自适应地学习以关注输入的更重要部分。此外,并行特征提取设计避免了两方面信息的相互影响。两个广泛使用的涡扇发动机数据集上的实验表明,我们的方法显着优于最先进的RUL预测方法。
2022-04-20 cs.AI cs.LG eess.SP
Performance Classification and Remaining Useful Life Prediction of Lithium Batteries Using Machine Learning and Early Cycle Electrochemical Impedance Spectroscopy Measurements
本文利用早期循环EIS特定频率结合机器学习,实现锂电池性能100%准确分类和R²>0.96的剩余寿命预测,并揭示分类与频率无关。
2024-08-06 cond-mat.mtrl-sci eess.SP
Remaining Useful Life Prediction Using Temporal Deep Degradation Network for Complex Machinery with Attention-based Feature Extraction
Xi’an Jiaotong University(西安交通大学);Xi’an Thermal Power Research Institute Co.,Ltd.(西安热工研究院有限公司)
剩余使用寿命(RUL)的精确估计对于预测分析和预测性维护至关重要,可以显着降低故障率和维护成本。利用神经网络从传感器流数据中提取的退化相关特征可以显著提高RUL预测的准确性。提出了时间深度退化网络(TDDN)模型,利用一维卷积神经网络(1D CNN)特征提取和注意力机制给出的退化相关特征进行RUL预测。1D CNN用于从流式传感器数据中提取时间特征。时间特征具有来自波动的原始传感器流数据的单调退化趋势。注意力机制通过引入注意力权重来捕捉故障特征和退化发展过程,从而提高了RUL的预测性能。在公开的C-MAPSS数据集上对TDDN模型的性能进行了评估,并与现有方法进行了比较。结果表明,与现有的机器学习模型相比,TDDN模型能够在复杂条件下实现最佳的RUL预测精度。从高维传感器流数据中提取的退化相关特征展示了清晰的退化轨迹和退化阶段,使TDDN能够准确有效地预测涡扇发动机RUL。
2022-02-21 cs.AI cs.LG eess.SP
Uncovering the Underlying Physics of Degrading System Behavior Through a Deep Neural Network Framework: The Case of Remaining Useful Life Prognosis
University of Maryland(马里兰大学);University of Chile(智利大学)
深度学习(DL)已成为预测和健康管理(PHM)的重要工具,通常用作预测系统行为的回归算法。感兴趣的一个特定度量是使用监测传感器数据估计的剩余使用寿命(RUL)。大多数深度学习应用程序将算法视为黑盒函数,几乎无法控制数据解释。如果模型在没有约束的情况下打破了物理学或其他自然科学的支配定律,这就成了一个问题。最新的研究工作集中在应用复杂的DL模型来实现低预测误差,而不是研究模型如何解释数据和系统本身的行为。在本文中,我们提出了一种使用深度神经网络框架的开放式方法,通过偏微分方程(PDE)探索退化的物理学。该框架分为三个阶段,其目的是发现一个潜在的变量和相应的PDE来表示系统的健康状态。模型被训练为有监督的回归,并被设计为输出RUL以及可以被使用和解释为系统的健康指标的潜在变量图。
2020-06-10 cs.CE cs.LG eess.SP
Survival Analysis with Machine Learning for Predicting Li-ion Battery Remaining Useful Life
Ontario Knowledge Intelligence Centre (OKIC), Canada(加拿大安大略知识智能中心);Canadian Institute of Interscience (CIoI), Canada(加拿大跨学科科学研究所);DeepCox Intelligence, Canada(加拿大DeepCox智能公司)
本文提出一种混合生存分析框架,通过路径签名将电池电压时间序列转换为时间到故障数据,结合生存模型学习和概率估计,有效预测电池剩余寿命,实验表明方法在时间依赖AUC和C-指数上表现优异。
2026-07-27 cs.AI cs.LG eess.SP
A deep learning-based remaining useful life prediction approach for bearings
Huazhong University of Science and Technology(华中科技大学);Wuhan University of Science and Technology(武汉科技大学);Zhejiang University(浙江大学);Imperial College London(帝国理工学院)
在工业应用中,近一半的电机故障是由滚动轴承(REB)的退化引起的。因此,准确地估计REB的剩余使用寿命(RUL)是至关重要的,以确保机械系统的可靠性和安全性。为了应对这一挑战,基于模型的方法往往受到数学建模复杂性的限制。传统的数据驱动的方法,另一方面,需要大量的工作来提取退化特征和构建健康指数。在本文中,提出了一种新的在线数据驱动框架,以利用深度卷积神经网络(CNN)预测轴承的RUL。更具体地说,训练轴承的原始振动首先使用希尔伯特黄变换(HHT)处理和一个新的非线性退化指标被构造为学习的标签。然后采用CNN来识别提取的劣化指标与训练轴承的振动之间的隐藏模式,这使得可以自动估计测试轴承的劣化。最后,利用$ε$ -支持向量回归模型对试验轴承的RUL进行了预测。通过实验结果表明,与最先进的方法相比,所提出的RUL估计框架的优越性能。提出的CNN模型的通用性也通过转移到轴承经历不同的操作条件进行验证。
2022-08-30 cs.LG eess.SP stat.ML
Turbofan Engine Remaining Useful Life (RUL) Prediction Based on Bi-Directional Long Short-Term Memory (BLSTM)
Pratt and Whitney(普惠公司)
本文针对涡扇发动机剩余使用寿命预测问题,提出基于双向长短期记忆(BLSTM)的数据驱动方法,并在NASA CMAPSS数据集上与多种基准模型进行对比评估。
2024-11-25 cs.AI cs.LG eess.SP
Remaining Useful Life Prediction: A Study on Multidimensional Industrial Signal Processing and Efficient Transfer Learning Based on Large Language Models
City University of Hong Kong(香港城市大学)
本研究针对传统RUL预测方法泛化性不足的问题,提出基于大语言模型的回归框架,在涡扇发动机数据集上取得优异表现,且少量目标域数据微调即可超越全数据训练的SOTA方法,为工业系统健康管理提供新方案。
2024-10-04 cs.AI cs.LG eess.SP
Remaining useful life prediction of rolling bearings based on refined composite multi-scale attention entropy and dispersion entropy
针对现有退化特征难以准确反映轴承退化过程的问题,提出融合多模态多尺度熵(FMME)的退化特征提取方法,结合RCMATE与RCMFDE,经EMD分解、小波去噪和LE融合得到健康指标,实现准确的剩余使用寿命预测。
2024-06-22 cs.SY eess.SP eess.SY
Sparse Low-Ranked Self-Attention Transformer for Remaining Useful Lifetime Prediction of Optical Fiber Amplifiers
Adtran(阿德创公司);Advanced Technology(先进技术部)
针对光纤放大器剩余使用寿命预测中小数据集泛化难的问题,提出带稀疏低秩自注意力的编解码Transformer模型,在EDFA及涡扇数据集上性能超越现有最优方法。
2025-01-15 cs.AI cs.LG eess.SP
A Change Point Detection Integrated Remaining Useful Life Estimation Model under Variable Operating Conditions
Singapore University of Technology and Design(新加坡科技设计大学);Nanyang Technological University(南洋理工大学)
本文提出一种集成变点检测的RUL估计模型,通过学习时间动态特征无监督检测设备变点并指导退化数据标注,在C-MAPSS数据集上较传统LSTM模型精度提升5.6%和7.5%。
2024-01-09 cs.AI cs.LG eess.SP
Masked Self-Supervision for Remaining Useful Lifetime Prediction in Machine Tools
National University of Singapore(新加坡国立大学);Singapore Institute of Manufacturing Technology (SIMTech), A*STAR(新加坡科技研究局新加坡制造技术研究院)
机器和工具的现代制造和自动化工作场所的剩余使用寿命(RUL)预测在工业4.0中至关重要。这一点显而易见,因为持续的工具磨损,或者更糟糕的是,突然的机器故障将导致各种制造故障,这显然会造成经济损失。随着深度学习方法的可用性,利用这些方法进行RUL预测的巨大潜力和前景已经产生了几个由制造机器的操作数据驱动设计的模型。目前基于完全监督模型的这些努力严重依赖于用其RUL标记的数据。然而,所需的RUL预测数据(即来自故障和/或降级机器的注释和标记数据)只能在机器故障发生后获得。在现实世界中,现代制造和自动化工作场所中故障机器的稀缺性增加了获得足够的注释和标记数据的难度。相比之下,健康机器的数据更容易收集。注意到这一挑战以及提高有效性和适用性的潜力,我们因此提出(并充分开发)一种基于掩蔽自动编码器思想的方法,该方法将利用未标记的数据进行自我监督。因此,在这里的工作中,开发和利用了一种值得注意的掩蔽自监督学习方法。这旨在寻求通过利用未标记数据构建用于RUL预测的深度学习模型。在C-MAPSS数据集上进行了实验,以验证该方法的有效性。结果相当清楚地表明,与利用完全监督模型的方法相比,我们的开发和方法在准确性和有效性方面都表现得更好。
2022-07-04 cs.AI cs.LG eess.SP