.png){kind=icon}
返回
Fusing model-based and data-driven prognostic methods for real-time model updating
.png){kind=icon}
OA
AI
DOI：10.1016/j.ymssp.2025.113200.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测方法大致可分为两类——基于模型和基于数据驱动——这两类方法在多种工程应用中均显示出有效性。基于模型的方法需要明确表征退化过程，将失效定义为物理损伤状态超过预定阈值的时刻。而基于数据驱动的方法则利用传感器数据直接预测寿命终止（EOL）或相关的预测信息。尽管这两种方法提供的见解可能具有互补性并有望融合，但大多数现有的融合方法要么结合多种方法的输出，要么采用基于数据驱动的方法来辅助基于模型的方法。为进一步提升预测性能，本研究提出了一种基于融合的预测方法，其中一种方法的输出被主动用于通过交叉算子或似然函数更新另一种方法模型。该方法通过铝合金疲劳数据集和预测与健康管理（PHM）2010年刀具磨损数据集进行验证，结果表明其预测精度相较于任一独立使用的方法均有提升。
Keyword:
Prognostics and health management
Model-based prognostics
Data-driven prognostics
Fusion
Mutual updating
Particle filter
期刊
IF:
8.9
论文数:
1.3W
被引数:
6.6W
机构
查看更多机构
引用论文
Lithium-ion battery remaining useful life prediction: a federated learning-based approach锂离子电池剩余使用寿命预测: 一种基于联合学习的方法
PREAI
分享收藏A Hybrid Prognostics Approach for Estimating Remaining Useful Life of Rolling Element Bearings一种用于估计滚动轴承剩余使用寿命的混合预测方法
PREAI
分享收藏
Remaining Useful Life Prediction Approach Based on Data Model Fusion: An Application in Rolling Bearings基于数据模型融合的剩余寿命预测方法在滚动轴承中的应用.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏Real-Time Prediction of Probabilistic Crack Growth with a Helicopter Component Digital TwinAIAA JournalOAAI
AIAA JournalIF0
OAAI分享收藏 没有更多内容