C-MAPSS
PulseAugur coverage of C-MAPSS — every cluster mentioning C-MAPSS across labs, papers, and developer communities, ranked by signal.
-
时间序列检索提升多模态语言模型预测机械寿命的准确性
研究人员开发了一个新框架，该框架使用时间序列检索来提高多模态大型语言模型（MLLM）预测机械剩余使用寿命（RUL）的准确性。该方法包括从训练数据集中检索历史上相似的退化片段，并将它们与测试轨迹一起呈现给MLLM。在C-MAPSS基准上的评估表明，与基线方法相比，这种基于检索的方法始终能提高RUL预测的准确性和稳定性。检索机制的有效性取决于MLLM利用检索信息的能力，这表明时间序列检索是提高实际PHM设置中预测推理能力的一项有前景的技术。
-
联邦学习通过鲁棒的个性化技术推动飞机发动机预测发展
研究人员开发了一种联邦学习方法，用于在解决良性和对抗性数据异质性的同时训练飞机发动机预测模型。该研究在 C-MAPSS 基准数据集上使用多任务一维卷积神经网络，评估了良性异质性的方法，发现共享表示的个性化显著提高了模型准确性。对于对抗性场景，后门攻击在标准平均法上显示出很高的成功率，凸显了明确安全评估的必要性。Krum 聚合方法被证明能有效降低攻击成功率并抵御协调攻击者，尤其是在与个性化结合时，实现了鲁棒的性能且准确性损失最小。
-
新的CruiseBench基准统一了飞机发动机剩余使用寿命预测标准
研究人员推出了CruiseBench，这是一个旨在统一评估飞机发动机剩余使用寿命（RUL）预测模型的新基准。该基准源自N-CMAPSS数据集，该数据集模拟了真实飞行中的发动机轨迹。CruiseBench通过专注于飞行的巡航阶段并应用固定的数据处理和特征选择协议，解决了N-CMAPSS中日益增长的数据量和操作变化带来的挑战。使用LSTM、GRU、TCN和TSMixer等模型的初步实验展示了基线性能，在特定配置下，TSMixer取得了最低…
-
新框架为预测性维护中的人工智能提供反事实解释
研究人员开发了SurvCF(t)，一个新颖的框架，旨在为多变量时间序列数据预测性维护中使用的生存模型提供反事实解释。该系统识别资产运行历史中最小的合理变化，以延长其预测寿命。该框架在C-MAPSS和N-CMAPSS等基准数据集以及真实的Scania Component_X数据集上进行了评估，证明了其为维护策略生成可操作见解的能力。
-
新型液体神经网络模型模拟涡轮风扇发动机退化
研究人员开发了一种新的液体神经网络模型来预测涡轮风扇发动机的退化。该模型旨在通过在其潜态中将退化与运行条件变化分离开来，提供对飞机发动机健康状况更具可解释性的视图。虽然与GRU基线相比，该模型显示出改进的传感器预测准确性，但目前它作为退化动力学的世界模型比作为精确寿命回归器更有效。
-
新AI框架提升设备健康预测准确性
研究人员开发了一个名为“带动态权重的增强图基物理信息网络”（RGPD）的新框架，以提高剩余使用寿命（RUL）和健康状态（SoH）估算的准确性。该模型结合了数据驱动学习和基于物理的正则化，通过动态损失权重调整其方法，以更好地处理各种资产的不同退化模式。RGPD在基准数据集上展示了显著的准确性提升，在发动机、轴承和电池退化方面，RMSE降低了高达12％，MAPE降低了20％。
-
机器学习模型在涡轮风扇发动机剩余使用寿命估算方面的比较
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RMS…