.png){kind=icon}
返回
Empirical knowledge-driven remaining useful life prediction method under unknown failure pattern
.png){kind=icon}
PRE
AI
DOI：10.1016/j.aei.2025.104291.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于复杂的机理和恶劣的环境，机器的退化过程通常复杂且不同，因为故障模式通常各不相同。在这种情况下，基于传统模型和数据驱动的方法往往因缺乏新的故障模式数据而无法取得良好效果。为解决此问题，提出了一种融合统计模型和深度学习模型的先验知识驱动方法，用于处理未知故障模式下的剩余使用寿命（RUL）估计任务。具体而言，首先可通过支持向量数据描述方法识别故障模式。针对未知故障模式，设计了一个变参数的Wiener过程模块来生成和模拟退化过程的多样性，并构建了一个广义时空回归网络，用于学习和转移已知故障模式到未知故障模式的相似退化信息。最终，可在未知故障模式下进行RUL预测。通过融合先验知识和综合统计模型驱动与数据驱动方法的优势，该方法为未知故障模式下的RUL预测提供了一种高效解决方案。在N-CMPASS Challenge 2021数据集和XJTU-SY轴承数据集上进行的两个实验证明了所提出方法的有效性和鲁棒性。
期刊
IF:
9.9
论文数:
4.4K
被引数:
1.7W
机构
引用论文
Aero-engine remaining useful life prediction method with self-adaptive multimodal data fusion and cluster-ensemble transfer regression基于自适应多模态数据融合和聚类-集成转移回归的航空发动机剩余寿命预测方法
PREAI
分享收藏Self-Supervised Deep Domain-Adversarial Regression Adaptation for Online Remaining Useful Life Prediction of Rolling Bearing Under Unknown Working Condition未知工况下滚动轴承剩余寿命的自监督深度域对抗回归自适应在线预测
PREAI
分享收藏Transferable convolutional neural network based remaining useful life prediction of bearing under multiple failure behaviors多失效行为下基于可转移卷积神经网络的轴承剩余寿命预测.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏RUL Prediction of Deteriorating Products Using an Adaptive Wiener Process Model基于自适应维纳过程模型的劣化产品RUL预测
PREAI
分享收藏Joint Modeling of Degradation and Lifetime Data for RUL Prediction of Deteriorating Products退化和寿命数据的联合建模，用于退化产品的RUL预测
PREAI
分享收藏
查看更多内容