Estimation of Bearing Remaining Useful Life Based on Multiscale Convolutional Neural Network

最新推荐文章于 2024-05-09 19:42:34 发布
最新推荐文章于 2024-05-09 19:42:34 发布
阅读量1.1k 收藏 5
点赞数
分类专栏： 预测性维护 文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Xg_316167164/article/details/123915904
版权
本文提出了一种新的RUL预测方法，采用多尺度卷积神经网络（MSCNN）结合时频表示（TFR）。针对轴承退化信号，通过小波变换获取TFR，再用MSCNN模型提取特征，有效预测剩余使用寿命，解决数据驱动方法的手动特征提取难题。
摘要由CSDN通过智能技术生成

Estimation of Bearing Remaining Useful Life Based on Multiscale Convolutional Neural Network

问题:

轴承剩余使用寿命估计RUL

解决问题面对的挑战

如何有效地从数据中提取特征并准确预测RUL

已有工作的优缺点

RUL方法

  1. 基于模型的方法需要充分理解系统的失效机理并建立描述退化趋势的物理模型。在系统复杂的情况下，这种信息很难获得。
  2. 数据驱动方法通常需要： 1. 通过信号处理或统计投影手动提出或提取HIs。2： 在模型选择和参数调整方面的很麻烦。3. 用于RUL估计的自动特征表示和学习方法要求很高。

本工作的和已有工作的区别

区别：

​ 与传统的仅利用最后一个卷积层特征的CNN结构不同，**MSCNN结构将之前的最后一个卷积层与池层集成，形成一个多尺度（混合）层，以便为预测保留多个抽象级别。**该模型中有效的特征挖掘能成功预测RUL。

本工作的贡献可以总结如下：

1） 采用MSCNN模型结构来提取更多可识别特征，用于RUL预测。通过多尺度层，保持全局和局部特征，以增强

最低0.47元/天 解锁文章
向光光同学
关注
专栏目录
卷积神经网络（CNN）简介：Convolutional Neural Networks (CNNs) Intro
AI天才研究院
08-07 799
作者：禅与计算机程序设计艺术Convolutional Neural Networks (CNNs) have become one of the most popular deep learning models for image classification tasks. In recent years, they have revolutionized computer vision and are widely used in applications such as object recogni
[深度学习论文笔记][ICCV 17 oral]Binarized Convolutional Landmark Localizers for Human Pose Estimation and...
KFXW的专栏
09-28 1830
这篇文章是对特征点定位网络（pose estimation & facial landmark detection）进行加速和压缩的工作。文章以Hour-Glass[1]模型为出发点，利用二值化网络[2,3]的转化方式修改模型结构。另外根据二值化网络中出现的特有现象改进网络中residual block的结构。
Multi-scale Convolutional Neural Networks for Lung Nodule Classification论文记录
XiaoTaiYang6的博客
12-06 1625
多尺度卷积神经网络的肺结节分类 摘要 与传统研究主要依赖于结节分割进行区域分析不同，我们解决了一个更有挑战性的问题，即直接建模原始结节斑块，而不需要事先定义结节形态。提出了一个分级学习框架|多尺度卷积神经网络(MCNN)|通过从交替堆叠的层中提取鉴别特征来捕获结节的异质性。特别是，为了充分量化结节特征，我们的框架利用多尺度结节斑块，通过将每个输入尺度的最后一层得到的响应神经元激活串联起来，同时学习...
Multi-scale Convolutional Neural Networks for the Prediction of Human-virus Protein Interactions 梳理
Daisy4的博客
11-04 824
作者：张子丁教授团队 会议：The 13th International Conference on Agents and Artificial Intelligence (ICAART 2021) 时间：2021 0 写在前面的不明白 1）作者介绍数据库时，有To obtain high-quality PPIs, we removed interactions from large-scale mass spectroscopy experiments that were detected ..
时间序列论文：Multi-Scale Convolutional Neural Networks
AI蜗牛车
03-07 2303
论文地址：https://arxiv.org/abs/1603.06995keywords:时间序列处理;深度学习;keras针对现有时间序列分类方法的特征提取与分类过程分离，且无法...
MultiScaleConvNets
Larkii 的博客
03-16 311
1. 概述 网络结构如图1所示。作者训练一个融合多尺度特征的网络来预测透射图，通过选择传输图t(x)中0.1%最暗像素来估计大气光 A 。在这些像素中，选取对应的朦胧图像 I 中强度最高的像素作为大气光。 网络输出的透射图尺寸与GT相同，去掉上、下采样虽能达到同样效果但是损害了模型性能。作者通过将前一层的一个像素点赋予后一层4个像素点同样的值来实现上采样。 图1 网络结构 作者修改了原始大气散射...
读 DeepFake detection with multi-scale convolution and vision transformer 第二期：深度可分离卷积
weixin_50281113的博客
05-12 148
上一期在MBConv含有了Depthwise convolution，我在注释中提到Conv2d中的group参数可以决定是普通卷积还是逐深度卷积，但没有解释为什么。因为论文也含有深度可分离卷积所以打算说清楚一点。而逐点卷积即用kernel_size=1的卷积核进行常规卷积。
6D位姿估计 论文及代码汇总，持续更新~~~
不忘初心~
09-14 5441
6DoF Pose Estimation 论文及代码汇总，持续更新~~~
CVPR2018下载+CVPR2018论文百度云+2018CVPR论文下载+2018CVPR百度云
王博（Kings）的博客
06-25 4929
链接：https://pan.baidu.com/s/1QUXtDp5RQVNx-R55TkL13Q 提取码：
Estimation-of-Remaining-Useful-Life-using-CNN-master.zip
04-23
用CNN做rul.通过卷积神经网络测得轴承的剩余使用时间。用来做轴承寿命预测RUL，包括训练集和测试集两部分，还有说明文档pdf
「Computer Vision」Note on MSCNN （多尺度卷积网络）
小锋子Shawn
07-14 1029
Sina Weibo：小锋子Shawn Tencent E-mail：403568338@qq.com http://blog.csdn.net/dgyuanshaofeng/article/details/81037955 [1] A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detect...
基于时空关注的多尺度卷积网络交通预测（MSCN）
weixin_53187018的博客
05-06 1486
我们的实验结果表明，MSCN优于最先进的基线。最后，在解码器中，一个卷积层、一个卷积池化层和一个扩展卷积层共同提取复杂的时空特征。（3）我们在两个公开的数据集上进行了大量的实验，以验证我们提出的模型在交通预测任务方面的效率。软阈值融合机制确保了有用的空间和时间特征得到更多的关注，同时去除了不有用的特征。为了对历史时间步长和未来时间步长之间的相关性进行建模，我们在中使用转换注意力来构建未来表示，然后将其馈送到解码器中。针对短期和长期的交通预测，三个卷积层同时处理短序列和超长序列，并发现各种范围的相关性。
神经网络测试时间计算机,解决快速目标检测的统一多尺度深度卷积神经网络,计算机外文翻译...
weixin_30491017的博客
07-26 541
解决快速目标检测的统一多尺度深度卷积神经网络,计算机外文翻译,车辆检测,多尺度,时空关联, 统一神经网络译文(字数:5269):摘要我们提出了一个名为多尺度卷积神经网络(MSCNN)的统一的深度神经网络解决快速目标检测。多尺度卷积神经网络包括了候选框(proposal)子网和检测子网。在候选框子网中，多个输出层执行检测，因此感受野可以匹配不同尺度的目标。这些特定尺度互补的检测器结合起来生成一个强的...
MSCNN论文解读-A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
sinat_39307513的博客
09-25 2734
 多尺度深度卷积神经网络进行快速目标检测： 两阶段目标检测器，与faster-rcnn相似，分为an object proposal network and an accurate detection network. 文章主要解决的是目标大小不一致的问题，尤其是对小目标的检测，通过多层次的结构，实现多尺度的目标检测。 之前所使用的简单的单一尺度的目标检测器通常为了识别出图片中大小适中的目标而...
基于文本和语音的双模态情感分析
Kaiyuan_sjtu的博客
03-02 7553
作者 | 陆昱博士追一科技来源 | DataFunTalk今天和大家分享的主题是基于文本和语音的双模态情感分析。大家可能会从自然语言处理的角度认为情感分析已经做得比较成熟了，缺少进一步...
每日Attention学习2——Multi-Scale Convolutional Attention
最新发布
xiongxyowo的博客
05-09 396
MSCA包含三个部分：一个深度卷积以汇总局部信息；一个多分支深度条带卷积以获取多尺度上下文；一个1×1卷积以建模不同通道之间的信息。该1×1卷积的输出将直接作为注意力以对MSCA的输出结果进行后处理加权。
多尺度卷积（MSC）
Javadayuge的博客
03-12 1636
多尺度卷积层就是用不同大小的卷积核对某一时刻所得到的特征图进行卷积操作，得到新的大小不同的特征图，之后针对不同大小的特征图上采样到输入特征图的大小。也就是说，多尺度卷积层不会改变原有特征图的大小，只是通过不同卷积核的卷积操作，丰富了图像的特征，从全局的视角对图像中的感兴趣的特征信息进行编码解码，进而提高图像的分割性能。原文链接：https://blog.csdn.net/weixin_48320163/article/details/131829049。
【学习记录】卷积神经网络常用概念
博客标题不能为空我也没办法
09-11 4929
自学神经网络，记录一些基本的神经网络概念
high accuracy optical flow estimation based on a theory for warping
01-17
高精度的光流估计基于一种称为"变形理论"的理论。光流是指图像中像素随时间的变化。通过分析连续图像帧之间的像素位移，我们可以估计出物体的运动。然而，传统的光流估计方法会受到物体边界和纹理变化的影响，导致...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值