Predicting Remaining Useful Life of Rolling Bearings Based on Deep Feature Representation and Transfer Learning
Pourquoi ce travail est 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.
Notice bibliographique
Résumé
For the data-driven remaining useful life (RUL) prediction for rolling bearings, the traditional machine learning-based methods generally provide insufficient feature representation and adaptive extraction. Although deep learning-based RUL prediction methods can solve these problems to some extent, they still do not yield satisfactory predictive results due to less degradation data and inconsistent data distribution among different bearings. To solve these problems, a new RUL prediction method based on deep feature representation and transfer learning is proposed in this paper. This method includes an off-line stage and an online stage. In the off-line stage, the Hilbert-Huang transform marginal spectra of the raw vibration signal of auxiliary bearings are first calculated as the input, and then contractive denoising autoencoder is introduced to extract deep features with good and stable fault representation. Second, by using the obtained deep features and Pearson's correlation coefficient, a new health condition assessment method is proposed to divide the whole life of each bearing into a normal state and a fast-degradation state. Finally, using the extracted deep features and their RUL values, an RUL prediction model for the fast-degradation state is trained by means of a least-square support vector machine. In the online stage, a kind of transfer learning algorithm, i.e., transfer component analysis, is introduced to sequentially adjust the features of target bearing from auxiliary bearings, and then the corresponding RUL is predicted using the corrected features. Results using the PHM Challenging 2012 data set show a significant performance improvement when using the proposed method in terms of predictive accuracy and numerical stability.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. 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.
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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
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.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
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