.png){kind=icon}
返回
Operating Condition Invariant Representation Learning for Machine Prognostics
.png){kind=icon}
OA
AI
DOI：10.1016/j.knosys.2025.114623.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• OCIR 从原始数据中学习不变的健康表征，无需操作标签。
• 一种新颖的循环一致性损失函数实现了双网络之间的端到端学习。
• OCIR 实现了强大的剩余使用寿命（RUL）预测，优于具有辅助输入的模型。
• OCIR 将变量条件数据转换为形成虚拟平稳轨迹。
Keyword:
Machine prognostics
rul estimation
varying operating condition
invariant representation
trajectory construction
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
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏Joint Learning of Degradation Assessment and RUL Prediction for Aeroengines via Dual-Task Deep LSTM Networks基于双任务深度LSTM网络的航空发动机退化评估与RUL预测联合学习
PREAI
分享收藏 没有更多内容
没有更多内容