Long-Term Prediction of Remaining Useful Life for Industrial IoT
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
Industrial Internet of Things (IIoT), a branch of the Internet of Things (IoT) for the industrial sector, plays a vital role in integrating industrial equipment, monitoring equipment health, and improving the overall efficiency of industrial production process. Accurately predicting the remaining useful life (RUL) of IIoT equipment is a crucial task in prognostic health management (PHM), which analyzes the degradation trend of industrial equipment to schedule maintenance activi-ties in a timely manner. Artificial Intelligence (AI) techniques, such as Recurrent Neural Networks (RNNs) and Long Short-Term Memory Networks (LSTMs), have been widely used in RUL prediction. However, these techniques face challenges in incorporating long-sequence information to capture degradation trends and predicting long-term RUL values. In this paper, we propose an Informer-based method, Co-Informer, for long-term RUL prediction. Co-Informer utilizes a series of sensor data to provide the predicted RUL values during an upcoming time window. In our research, extensive experiments are carried out with C-MAPSS, a widely used turbofan engine degradation dataset provided by NASA. Our experimental results indicate that Co-Informer outperforms the state-of-the-art schemes for RUL prediction in terms of Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE).
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