Long-Term Prediction of Remaining Useful Life for Industrial IoT
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».