文献阅读《Fault diagnosis and remaining useful life estimation of aero engine using LSTM neural network》

最新推荐文章于 2023-12-19 16:05:39 发布
最新推荐文章于 2023-12-19 16:05:39 发布
阅读量757 收藏 7
点赞数 2
文章标签： LSTM
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_43810535/article/details/84558858
版权
该文献介绍了一种利用LSTM神经网络对航空发动机进行故障诊断和剩余使用寿命（RUL）预测的方法。针对传统方法在复杂条件下的不足，文章提出LSTM模型可以有效地处理长期依赖问题，适用于多故障和混合故障场景。实验结果显示，LSTM在预测RUL方面表现出色，尤其是在接近寿命终点时，误差较小。同时，结合SVM进行异常检测，能够区分单故障和多故障状态。未来的研究方向包括解决数据偏斜问题和增加有标签的训练数据。
摘要由CSDN通过智能技术生成

文献阅读《Fault diagnosis and remaining useful life estimation of aero engine using LSTM neural network》

摘要 准确故障定位（SVM）和RUL预测，在复杂操作条件、混合故障和强噪音下使用LSTM同时进行故障分类和RUL预测

1.这个领域设法解决面对发动机的高复杂度，传统的维修方法无法进行准确和快速地故障定位和RUL预测

2.1⃣️使用物理方法使得研究发展变得昂贵和困难
2⃣️在基于数据的方法中，使用MLP和RBF，传统RNN预测航空发动机RUL
3⃣️使用标准RNN所有layer共享共同权值，形成很深的前馈网络，造成无法解决长期依赖（长期依赖指输出的根据离输出时刻太远，可能会造成梯度消失或梯度爆炸）
4⃣️针对确定的错误进行RUL预测，需要对不同故障模式训练多重估计量，从而使得预测系统变的复杂，难以适应真实况
下一步，针对这些挑战，使用LSTM建立一个适用于多故障和混合故障的模型，进行RUL预测和在此刻每种故障发生的可能性，从而简化RHM系统，对维修计划提供更加全面的信息

想回答的问题 解决手段
长期依赖 LSTM
同时（多分类）故障预测和RUL回归预测 两个输出层，一个用于RUL预测
防止过拟合 正则化
证明RUL评估的表现 使用相对误差和不对称评分进行评估
保证代价函数在R
最低0.47元/天 解锁文章
潔潔潔out of control
关注
lstm自动编码器进行时间序列异常检测
weixin_26729841的博客
09-02 1万+
人工智能与异常检测(Artificial Intelligence and Anomaly Detection) Anomaly provides evidence that actual results differ from predicted results based on ML models. We are talking about price prediction and how M...
Model-based fault-detection and diagnosis – status and applications.pdf
11-29
For the improvement of reliability, safety and efficiency advanced methods of supervision, fault-detection and fault diagnosis become increasingly important formany technical processes. This holds especially for safety related processes like aircraft, trains, automobiles, power plants and chemical plants. The classical approaches are limit or trend checking of some measurable output variables. Because they do not give a deeper insight and usually do not allow a fault diagnosis, model-based methods of fault-detection were developed by using input and output signals and applying dynamic process models. These methods are based, e.g., on parameter estimation, parity equations or state observers.Also signalmodel approaches were developed. The goal is to generate several symptoms indicating the difference between nominal and faulty status. Based on different symptoms fault diagnosis procedures follow, determining the fault by applying classification or inference methods. This contribution gives a short introduction into the field and shows some applications for an actuator, a passenger car and a combustion engine.
Deep Residual Shrinkage Networks for Fault Diagnosis阅读笔记
weixin_43540533的博客
04-04 268
Deep Residual Shrinkage Networks for Fault Diagnosis阅读笔记 Abstract 本文提出了一种新的深度学习方法——深度剩余收缩网络，以提高高噪声振动信号的特征学习能力，达到较高的故障诊断精度。 软阈值作为非线性变换层被插入到深层结构中，以消除不重要的特征。通过神经网络作为可训练模块，来自动确定阈值。 1 Introduction 现有的机械传动系统故障诊断算法可分为两类，即基于信号分析的方法和基于机器学习的方法[4]。 本文提出两种深度残差收缩网络，DRS
RUL论文阅读——Temporal Convolutional Memory Networks for Remaining Useful Life Estimation of Industrial M
weixin_42633401的博客
06-15 356
RUL论文阅读 ——Temporal Convolutional Memory Networks for Remaining Useful Life Estimation of Industrial Machinery link : article code
【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 6611
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
使用LSTM实现C-MAPSS数据集里面的剩余寿命预测（Pytorch）
最新发布
qq_61908212的博客
12-19 3078
在现代工业生产中，提高效率和降低成本是最重要的追求的目标。同时，对。提出了越来越高的要求设备的安全性和可靠性。系统一旦出现故障，将造成巨大的损失以人力和财力。故障排除有助于确定原因设备或系统出现问题时，精确定位单个部件。这速度加快维修流程，减少停机时间，提高生产效率。预测性维护通过监测设备状况来防止损坏并降低维修成本和性能数据，预测可能出现的故障，并在故障发生之前制定维护计划。因此，可以大大减少故障排除和预测性维护计划节省了人力，提高了可靠性、可用性和可维护性设备效率。
229. Majority Element II
xinqrs01的博客
02-11 278
Given an integer array of size n, find all elements that appear more than ⌊ n/3 ⌋ times. The algorithm should run in linear time and in O(1) space.s思路： 1. 之前遇到是出现次数大于n/2，这次是出现次数n/3，出现次数越少，要找到就越难，相当于信号
Compound-Fault Diagnosis of Rotating Machinery: A Fused Imbalance Learning Method
糯米团子的博客
07-08 517
复合故障的分解问题贡献： 1、采用不平衡学习的方法解决了测量不平衡和冗余数据（数据不均衡，故障数据偏少）带来的误分类问题。建立了一种基于SA（灵敏度分析）的不平衡学习模型，生成有关故障类的BPA（基本概率分配）。 2、研究了该融合方法中采样条件和局部特征提取过程所带来的不确定性。嵌套结构的BPA由提出的分类器进行证据组合。 3、利用一个大型旋转机械故障诊断实验平台生成非高斯分布振动信号，验证了该方法的有效性。实验结果表明，该方法能有效地提取故障信息，提高复合故障识别率。 融合不平衡学习机（FILM） 1、特
Intelligent fault diagnosis | 智能故障诊断 最新方向及成果追踪
modaoztc的博客
04-21 3253
时间排序 IEEE Xplore,P11, A Fault Diagnosis Method of Rolling Bearing Based on MEEMD and QPSO-LSSVM ScienceDirect, Review&research articles,P10, NI-MWMOTE: An improving noise-immunity majority weighted minority oversampling tec
基于LSTM的轴承故障诊断
热门推荐
FUCCKL的博客
05-21 1万+
有一段时间没有更新博客了，今天写一篇以前研究的LSTM应用于轴承故障诊断 数据集来源与处理方式与这篇文章里相同https://blog.csdn.net/FUCCKL/article/details/88169151 模型结构很简单 def create_model(): model = Sequential() #输入数据的shape为(n_samples, timest...
Temporal Convolutional Networks 时序卷积网络 学习笔记
Neveer的博客
07-07 6180
1.Human Action Recognition using Factorized Spatio-Temporal Convolutional Networks ICCV2015 把时序数据的三维卷积分解成先2维空间卷积 （spatial convolutional layer）， 再1维的时间卷积（temporal convolutional layers）。 视频片段切割：...
机器学习_RNN/长期依赖/LSTM
m0_38034312的博客
12-02 3617
【1】转自http://www.jianshu.com/p/9dc9f41f0b29 【2】人类并不是每时每刻从空白思考问题，是基于对先前所见词的理解来推断当前词的含义。 【3】但是传统的神经网络不能做到这点，传统的神经网络输入之间是独立的，代表着新物质的构成。？？？？？对么 【4】RNN解决了这个问题，RNN时循环的网络允许信息的持久化，即基于原始的信息去处理新的信息。 【5】 链
[ 算法 ] Majority Element
杨有梦的博客
09-20 404
Majority ElementGiven an array of size n, find the majority element. The majority element is the element that appears more than ⌊ n/2 ⌋ times.You may assume that the array is non-empty and the majority
Recurrent Neural Networks for Remaining Useful Life Estimation翻译
weixin_35848967的博客
11-30 825
Recurrent Neural Networks for Remaining Useful Life Estimation翻译 Recurrent Neural Networks for RemainingAbstractINTRODUCTIONDATA OVERVIEWCLASSIFIER TRAININGAPPROACH FOR RUL LEARNINGML PFUNCTION ESTIMA...
The conventional convolution neural network (CNN) adopts softmax function as classifier, which has problems of overflow and underflow. This paper proposes a rolling bearing intelligent fault diagnosis method based on multi-scale convolution neural network, bi-directional long short term memory and support vector machine (MCNN-BiLSTM-SVM). The wavelet threshold denoising algorithm is adopted for signal preprocessing. The multi-scale convolution neural network (MCNN) and the bidirectional long short-term memory network (BiLSTM) are combined as the feature extractor to improve feature extraction capability. The support vector machine (SVM) is adopted as the classifier to improve classification performance. Transfer learning is used in MCNN-BiLSTM-SVM for different conditions. According to the experiments, the proposed MCNN-BiLSTM-SVM fault diagnosis method has higher diagnostic accuracy, stronger anti-noise performance and better stability under different conditions than other diagnostic methods.给出以上内容审稿意见
06-09
本文提出了一种基于多尺度卷积神经网络、双向长短时记忆网络和支持向量机的轴承智能故障诊断方法（MCNN-BiLSTM-SVM）。该方法采用小波阈值去噪算法进行信号预处理，将多尺度卷积神经网络（MCNN）和双向长短时记忆...
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