Remaining useful life prediction for fractional degradation processes under varying modes
Notice bibliographique
Résumé
Abstract Degradation processes of practical chemical engineering systems are difficult to model accurately because of complicated nonlinearities, non‐stationarities, and non‐Markovian properties. Traditional prognostics techniques tend to neglect the multi‐mode switching issue, and therefore cannot be used for predicting the remaining useful life (RUL) of a piece of long‐life equipment, especially when it is continuously operated under varying modes. Specifically, the stationarity of differential data also plays an important role in depicting the evolutionary trend, and further affects the extrapolation procedure for RUL prediction. In this paper, we construct a multi‐mode degradation model with regard to fractional diffusion processes by considering both stationary and non‐stationary increments. The drift term is represented as a time‐related nonlinear function, while the diffusion term is driven by fractional Brownian motion (FBM) or sub‐fractional Brownian motion (sub‐FBM), according to the results of the stationary test. Based on the monitored data, the model is identified by combining change‐point detection and parameter estimation. The closed‐form distribution of RUL is then derived through a weak convergence transformation. A numerical example and a case study of a large blast furnace are provided to evaluate the performance of the proposed prognostics framework.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».