C-MAPSS
PulseAugur coverage of C-MAPSS — every cluster mentioning C-MAPSS across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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…