.png){kind=icon}
返回
A data-model-fusion prognostic framework for dynamic system state forecasting
.png){kind=icon}
OA
AI
DOI：10.1016/j.engappai.2012.02.015.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文开发了一种新颖的数据模型融合预测框架，以提高系统状态长期预测的准确性。该框架在策略上整合了数据驱动的预测方法和基于模型的粒子滤波方法在系统状态预测中的优势，同时减轻了它们的局限性。在所提出的方法中，粒子滤波与基于贝叶斯学习的预测模型 (具有未知参数) 的参数识别并行应用于系统状态估计。同时，采用数据驱动的预测器从历史数据中学习系统退化模式，以便预测系统演变 (或未来的测量)。所提出的融合预测框架的创新特征是，来自数据驱动的预测器的预测测量 (具有不确定性) 将被粒子滤波适当地管理和利用，以进一步更新预测模型参数，从而实现明显更好的预测以及改进的预测透明度。作为应用示例，开发的融合预测框架用于通过电化学阻抗谱测试预测锂离子电池的剩余使用寿命。研究结果表明，所提出的融合预测框架是一种有效的预测工具，可以整合数据驱动方法和粒子滤波方法的优势，以实现更准确的状态预测。（C）2012 Elsevier Ltd.版权所有。
Keyword:
Nonlinear prediction
Fault diagnosis
Failure prognostics
Neural networks
Neural fuzzy systems
Remaining useful life prediction
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8
论文数:
5.8K
被引数:
3.5W
机构
引用论文
.png){kind=icon}
A review on machinery diagnostics and prognostics implementing condition-based maintenance实施状态维修的机械诊断和预测综述
PREAI
分享收藏Prediction of Machine Deterioration Using Vibration Based Fault Trends and Recurrent Neural Networks
PREAI
分享收藏
查看更多内容