RUL论文阅读 ——Transfer learning for remaining useful life prediction based on consensus self-organizing

最新推荐文章于 2025-01-01 10:58:50 发布
最新推荐文章于 2025-01-01 10:58:50 发布
阅读量1.3k 收藏 3
点赞数 1
分类专栏： Transfer Learning 剩余寿命预测(RUL)
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/weixin_42633401/article/details/119789094
版权

RUL论文阅读

——Transfer learning for remaining useful life prediction based on consensus self-organizing models
link : article
ress

Abstract

范式都是从实验数据里归纳总结的，但是实验数据和真实数据分布不能够控制
目标域的工况是unseen的然后只有source有标签（target的工况和label都没有）
提出一种基于feature representation的TL for RUL 应用偏差预测方法，一致自适应模型，产生可迁移的feature去build RUL。特征主要是抓取不同equipment的不同
在目标域比源域更复杂的情况下预测的更好

INtroduction

对于physical model based approach 数据驱动不需要额外的知识，
但是需要cover所有情况 train和tes统一分布最好，同一space，这意味着大量的在训练过程中的相关数据要包含post development的scenarios。
但是很少有run to failure的数据，同时损坏过程都很慢
传统的假设分布都一样

为了解决这个问题，TL in 诊断和预测。TL的目的就是从不同但相关的问题中合并，通过转移知识在两个不同领域。介绍TL 符号
In this study，哪种TL，确定两个域分别是两个工况

最低0.47元/天 解锁文章
RUL论文阅读—— A Novel Evaluation Framework for Unsupervised Domain Adaption on Remaining Useful Lifetime
weixin_42633401的博客
06-23 846
RUL论文阅读 ——A Novel Evaluation Framework for Unsupervised Domain Adaption on Remaining Useful Lifetime link : article code Introduction 由PMD（Predictive Maintenance） 提出 RUL DNN（require large amount data 但是RUL问题失败数据少 data imbalence）传统有监督学习方法不行 提出无监督DA，介绍DA，对于
基于NASA C-MAPSS数据的介绍
houxuxu001的博客
05-07 1万+
C-MAPSS数据集介绍，分析工况的变化对于性能参数的影响。
RUL_Prediction
03-30
RUL_预测
A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测
qq_43570025的博客
01-11 5367
A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测 目录A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测前言研究问题摘要本文方法介绍本文方法步骤本文贡献CNN 前言 A Deep Learning-Based Remaining Useful
Transfer Learning ——深度迁移学习
weixin_42633401的博客
07-06 954
利用深度神经网络进行迁移学习
C-MAPSS涡扇发动机仿真数据（PHM2008）
weixin_39458727的博客
02-22 1745
该矩阵n表示不同样本的不同循环周期（循环周期可以理解成时间），26维度分别对应样本编号、时间循环、操作1、操作2、操作3、传感器1、传感器2、…该矩阵从第一行到后，先是第一个样本的不同时刻的操作和传感器输出，然后是第二样本的，直至所有样本的。(x可以为1、2、3，4，x取值不同，即改涡扇发动机的故障模式和条件不同）剩余寿命预测数据RUL_FD00x.txt其大小为max(样本编号）X1，比如FD001数据集有100个样本，那么其RUL_FD001.txt的大小为100X1。
航空发动机数据-C-MAPSS数据集的个人理解
weixin_45057858的博客
01-13 9435
航空发动机-C-MAPSS数据集的个人理解
C-MAPSS数据集详细介绍
weixin_46275898的博客
05-21 3906
第一列同样是样本序号，从1-100，也是100个样本，第二列是采集数据的时序，上述样本1含有从1到31次时序采集的状态数据，预测未来发生故障前剩余的时序次数，及剩余的url，真实的url标签存放在RUL_FD001中。当前基于机器学习的剩余寿命预测方法的研究异常火爆，其中C-MAPSS数据集在该领域的使用非常广泛，为了方便各位同仁的学习和理解，借此文章向大家简单介绍一下。第一列表示样本序号，样本序号从1-100即共100个样本，第二列表示采集数据的时序，直到发生故障：即样本1发生故障前的192个时序数据。
论文学习（五） | 基于数据驱动的锂离子电池健康状态估计及寿命预测研究
ttrr27的博客
11-16 3339
Hi，大家好，我是半亩花海。本文主要对中文硕博论文《基于数据驱动的锂离子电池健康状态估计及寿命预测研究》进行学习与阅读总结，便于后续科研进一步学习（纯小白自读汇总版）。总体感觉这篇更加全面，从数据分析（相关性分析、特征提取）到机器学习，再到深度学习，最后是迁移学习。
机器学习驱动的智能化电池管理技术与应用
y2715163545的博客
07-23 1673
电池的工作原理与关键性能指标电池管理系统的核心功能 SOC 估计 SOH 估计 寿命预测 故障诊断。
C-MAPSS大型涡轮风扇发动机数据集
02-26
涡轮风扇发动机从正常运行至失效的全寿命采集的实验数据，对于研究涡轮风扇发动机的故障的预测及性能评估想必有用。-Turbofan engine failure from normal operation to the whole life of the experimental data collected for the study of turbofan engine failure prediction and performance evaluation must be useful.
nasa-turbofan-failure-prediction：数据分析和预测建模项目，重点关注涡轮风扇发动机的剩余使用寿命
02-12
NASA涡轮风扇故障预测 这个数据分析/机器学习项目研究了行为变量与故障发生之间的关系（就剩余的发动机循环而言），用于来自NASA研究项目的模拟运行涡扇数据。 该项目从对数据集的探索开始，随后是基于当前引擎读数的引擎剩余使用寿命（RUL）预测模型的开发。 建模技术包括线性回归和神经网络（使用TF-Keras）。 培训数据来自NASA预测中心数据存储库： : 可以在以下找到有关此调查的文章： : 项目目标 分析发动机性能与剩余使用寿命之间的关系。 开发剩余使用寿命的预测模型。 探索数据集 使用Jupyter笔记本浏览数据集，先进行数据质量检查，然后调查可变关系。 数据质量通常非常好，几乎没有数据丢失或数据类型不正确的情况，尽管随附的文档表明某些传感器上存在噪声。 在数据集中可以看到许多变量之间的强线性相关性，为子集预测模型的变量提供了坚实的基础： 许多变量分布是正态或偏态
NASA涡轮喷气发动机风扇的剩余寿命RUL预测-基于传统机器学习
2301_78829506的博客
01-01 1096
NASA涡轮喷气发动机风扇的剩余寿命RUL预测-基于传统机器学习
C-MAPSS数据集介绍
woewo_understand的博客
10-26 590
C-MAPSS数据集共有4个子数据集。6~26列是不同传感器信号。每个子数据集都有26列。
NASA涡轮喷气发动机风扇的剩余寿命RUL预测-基于LSTM网络,Lookback=20
最新发布
2301_78829506的博客
01-01 671
NASA涡轮喷气发动机风扇的剩余寿命RUL预测-基于LSTM网络,Lookback=20
涡扇发动机的预测性维护
weixin_26730921的博客
09-20 5489
探索NASA的涡扇数据集 (Exploring NASA’s turbofan dataset) Although released over a decade ago, NASA’s turbofan engine degradation simulation dataset (CMAPSS) remains popular and relevant today. Over 90 new re...
Transfer Learning——对抗迁移学习
weixin_42633401的博客
07-06 7426
对抗迁移学习 - 数据分布自适应的对抗迁移方法 首次神经网络训练中加入对抗机制DANN（边缘分布）生成器对应提取器 域判别器 分类器 DAAN（边缘分布+条件分布 动态对抗，自适应因子 ） ADDA（整体特征、局部特征） - 基于信息解耦的对抗迁移方法 对于复杂的特征表示分类，可以看出特征的构成、作用等 领域分离网络（DSN）将源于和目标域扽为两部分：共有部分和私有部分 https://blog.csdn.net/weixin_37993251/article/details/91472097 - 基于数据
NASA PHM数据集相关
热门推荐
晨凫追风
12-25 2万+
做数据挖掘的朋友们都知道，数据是研究的基本，获得一份有权威的原始数据是科学实验成功的前提。而NASA作为世界顶端的机构，他们的数据用来做PHM的研究所得出的结果肯定是具有非凡的说服力度的，在这里有想跟大家交流一下下喽！这里的15个数据集： 1、Algae Raceway Data Set（滚道数据集） 数据描述： Experiments were conducted on 3 small...
【文献笔记】《使用深度卷积神经网络预估剩余有用寿命》
typefree的博客
05-11 7040
基本信息 《Remaining useful life estimation in prognostics using deep convolution neural networks》；期刊：Reliability Engineering and System Safety；IF: 4.788 Q1；作者：Xiang Li 摘要 本文提出了一种基于深度卷积神经网络(DCNN)的新的数据驱动预测方法。为了使DCNN能够更好地提取特征，采用时间窗口方法进行样品制备。标准化的原始数据直接用作该网络的输入，不需要
基于mlp、rnn、lstm的锂电池寿命预测(remaining useful life,rul
12-07
基于多层感知机（MLP）、递归神经网络（RNN）和长短期记忆网络（LSTM）的锂电池寿命预测（Remaining Useful Life, RUL）可以通过以下步骤进行实施： 首先，我们需要收集锂电池的历史运行数据，包括电池的充放电过程，环境温度等信息。这些数据将用于训练和验证模型，从而预测出电池的剩余使用寿命。 接下来，我们可以使用MLP来进行锂电池的寿命预测。MLP是一种前馈神经网络，可以根据输入的特征数据进行预测。我们可以将锂电池的历史数据作为输入，将电池使用时间作为输出。通过调整MLP的网络结构和参数，我们可以训练出一个预测准确的模型，用于预测电池的RUL。 除了MLP，我们还可以使用RNN进行锂电池寿命预测。RNN是一种具有反馈连接的神经网络，可以对序列数据进行建模。由于电池的充放电过程具有时间序列性质，使用RNN可以更好地捕捉数据的时序信息。通过将历史充放电过程数据输入RNN模型，我们可以预测出电池的剩余使用寿命。 另外，LSTM是一种特殊类型的RNN，能够更好地处理长期依赖性问题。在电池寿命预测中，LSTM可以更好地捕捉电池的长期使用情况，从而提高预测的准确性。通过使用LSTM模型，我们可以对锂电池的寿命进行更准确的预测。 总而言之，基于MLP、RNN和LSTM的锂电池寿命预测可以通过收集历史运行数据并使用适当的神经网络模型进行训练和预测。这些模型可以根据锂电池的特性和数据特征，对电池的剩余使用寿命进行准确的预测，以便进行相应的维护和替换。
评论 1
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