一篇新的研究论文比较了经典的机器学习方法、一维卷积神经网络（CNN）和长短期记忆（LSTM）网络在估算涡轮风扇发动机剩余使用寿命方面的性能。该研究使用了NASA C-MAPSS数据集，并在FD001和FD003子集上评估了模型。结果显示，一个LSTM模型在FD001上达到了14.93的RMSE，在FD003上达到了14.20的RMSE，优于先前报道的深度LSTM。XGBoost也表现出强大的性能，在FD003上达到了13.36的RMSE，表明了非线性建模在该领域的有效性。 AI
影响 为工业预测中的机器学习模型性能提供了基准，可能指导维护策略。
排序理由 学术论文，比较了机器学习方法在特定工程问题上的应用。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.27234v1 Announce Type: new Abstract: Remaining Useful Life (RUL) estimation is a critical component of Prognostics and Health Management (PHM), enabling proactive maintenance scheduling and reducing unplanned failures in industrial equipment. This paper presents a comp…
Remaining Useful Life (RUL) estimation is a critical component of Prognostics and Health Management (PHM), enabling proactive maintenance scheduling and reducing unplanned failures in industrial equipment. This paper presents a comparative study of machine learning approaches for…