Particle Filter and Its Variants for Degradation State Estimation and Remaining Useful Life Prediction
Notice bibliographique
Résumé
State estimation and future state prediction is the main objective of prognostics and health management (PHM) frameworks. The health state can sometimes be either inaccessible or complicated to be measured directly under operating conditions. The degradation process estimation is usually described as a nonlinear or non-Gaussian online tracking problem, and the uncertainty due to multi-source variability makes the estimation challenging. Inference through Particle Filter (PF) is one of the Bayesian paradigms to allow the estimation possible. The motivation is to compute the posterior of a Markov process’s hidden health state with noisy and partial observations. Particle Filter is a sequential Monte Carlo method. It uses particle representation to recursively update the posterior of a stochastic process when new observations become available. However, the generic algorithm, also known as Sequential Importance Sampling with Resampling (SISR), suffers the well-known drawbacks of particle degeneration and impoverishment. With rising expectations, Regularized Particle Filter (RPF) and Auxiliary Particle Filter (APF) are proposed to alleviate the problems. In a recent development, Regularized Auxiliary Particle Filter (RAPF) reportedly performs better than the other variants. In this work, we reviewed and assessed the framework and performance of each PF variant using the benchmark model and a case study of lithium batteries to estimate the health state and remaining useful life. The results reflect the previous research work, indicating that RAPF gives the best estimation among all methods in both experiments.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».