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.
2 天有情绪数据
-
联邦学习研究通过个性化和鲁棒聚合来解决飞机发动机故障预测问题
一篇新研究论文探讨了用于飞机发动机故障预测的联邦学习技术，解决了良性操作差异和对抗性攻击带来的挑战。该研究引入了共享表示个性化和鲁棒聚合方法的组合，以提高模型的准确性和安全性。结果表明，虽然个性化显著缩小了准确性差距，但鲁棒聚合对于防御旨在掩盖发动机退化的复杂攻击至关重要。
-
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％。