Remaining Useful Life Prediction of Rolling Bearings Using PSR, JADE, and Extreme Learning Machine
PulseAugur coverage of Remaining Useful Life Prediction of Rolling Bearings Using PSR, JADE, and Extreme Learning Machine — every cluster mentioning Remaining Useful Life Prediction of Rolling Bearings Using PSR, JADE, and Extreme Learning Machine 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。
-
新方法将剩余使用寿命视为时间目标，改进预测性维护
研究人员开发了一种用于预测剩余使用寿命（RUL）和分类预测性维护中故障模式的新方法。该方法将预测问题构建为向量通用价值函数（GVF）预测，将剩余使用寿命和故障模式概率视为时间上一致的目标，而不是独立的标签。该方法利用了多步时间差估计器 TD(n,λ)，与传统的监督学习相比，在 RUL 和故障模式预测准确性方面有所提高，尤其是在完整标签稀缺的情况下。
-
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％。