Noisy Multipath Parallel Hybrid Model for Remaining Useful Life Estimation (NMPM)
Notice bibliographique
Résumé
The parallel hybrid models of different deep neural networks architectures are the most promising approaches for remaining useful life (RUL) estimation. In light of that, this paper introduces for the first time in the literature a new parallel hybrid deep neural network (DNN) solution for RUL estimation, named as the Noisy Multipath Parallel Hybrid Model for Remaining Useful Life Estimation (NMPM). The proposed framework comprises of three parallel paths, the first one utilizes a noisy Bidirectional Long-short term memory (BLSTM) that used for extracting temporal features and learning the dependencies of sequence data in two directions, forward and backward, which can benefit completely from the input data. While the second parallel path employs noisy multilayer perceptron (MLP) that consists of three layers to extract different class of features. The third parallel path utilizes noisy convolutional neural networks (CNN) to extract another class of features. The concatenated output of the previous parallel paths is then fed into a noisy fusion center (NFC) to predict the RLU. The NMPM has been trained based on a noisy training to enhance the generalization behavior, as well as strengthen the model accuracy and robustness. The NMPM framework is tested and evaluated by using CMAPSS dataset provided by NASA.
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 ».