A Two-Stage Approach for the Remaining Useful Life Prediction of Bearings Using Deep Neural Networks
Pourquoi ce travail est-il dans la base ?
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Prédiction distillée sur la base complète
Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
- Catégories candidates
- aucune
- Catégories consensuelles
- aucune
- Domaine
- Signal candidat: aucuneSignal consensuel: aucune
- Devis d'étude
- Signal candidat: Simulation ou modélisationSignal consensuel: Simulation ou modélisation
- Genre
- Signal candidat: EmpiriqueSignal consensuel: aucune
- Score de désaccord entre enseignants
- 0,926
- Score d'incertitude au seuil
- 0,723
- Statut de validation
machine_predicted_unvalidated·codex-gemma-dda1882f352a
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
- Écart entre enseignants
- 0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
- Statut de validation
score_only:v0-immature-baseline· tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle
Résumé
The degradation of bearings plays a key role in the failures of industrial machinery. Prognosis of bearings is critical in adopting an optimal maintenance strategy to reduce the overall cost and to avoid unwanted downtime or even casualties by estimating the remaining useful life (RUL) of the bearings. Traditional data-driven approaches of RUL prediction rely heavily on manual feature extraction and selection using human expertise. This paper presents an innovative two-stage automated approach to estimate the RUL of bearings using deep neural networks (DNNs). A denoising autoencoder-based DNN is used to classify the acquired signals of the monitored bearings into different degradation stages. Representative features are extracted directly from the raw signal by training the DNN. Then, regression models based on shallow neural networks are constructed for each health stage. The final RUL result is obtained by smoothing the regression results from different models. The proposed approach has achieved satisfactory prediction performance for a real bearing degradation dataset with different working conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
La notice
- Revue
- IEEE Transactions on Industrial Informatics
- Thématique
- Machine Fault Diagnosis Techniques
- Domaine
- Engineering
- Établissements canadiens
- University of British Columbia
- Organismes subventionnaires
- British Columbia Knowledge Development FundNatural Sciences and Engineering Research Council of CanadaNational Key Research and Development Program of ChinaCanada Foundation for Innovation
- Mots-clés
- Artificial neural networkPrognosticsDowntimeComputer scienceAutoencoderFeature extractionArtificial intelligenceBearing (navigation)SmoothingCondition monitoringMachine learningFeature selectionEngineeringData miningReliability engineering
- Résumé présent dans OpenAlex
- oui