Prediction Interval Estimation of Aeroengine Remaining Useful Life Based on Bidirectional Long Short-Term Memory Network
Notice bibliographique
Résumé
Reliable and accurate aero-engine remaining useful life (RUL) prediction plays a key role in aero-engine prognostics and health management (PHM) system. However, due to the epistemic uncertainties associated with aero-engine systems, prediction errors are unavoidable and sometimes significant in traditional deterministic point prediction methods. To improve the accuracy and credibility of RUL prediction, a novel prediction interval (PI) estimation method is proposed to quantify the uncertainties in RUL prediction. The proposed method involves the data clustering, mathematical statistical analysis and deep learning techniques, and is achieved through offline and online phases. In the offline phase, an enhanced fuzzy c-means algorithm (FCM) is proposed to divide the aero-engine health status into several discrete states. After labeling the health state of each sampling point, PIs are computed for them. This step is achieved by the empirical distributions of errors associated with all instances belonging to the health state under consideration. In the online phase, a bidirectional long short-term memory (Bi-LSTM) network is employed to estimate the boundaries of point prediction, and thus the PI of aero-engine RUL is generated. The aero-engine degradation dataset from NASA is used to validate the proposed RUL PI estimation method. The results obtained indicate that the proposed method is a promising tool for providing reliable aero-engine RUL interval estimates, which can inform maintenance-related decisions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».