Remaining Useful Life Prediction via Frequency Emphasizing Mix-Up and Masked Reconstruction
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
The prediction of the Remaining Useful Lifetime (RUL) of machines and tools is crucial in the realm of modern manufacturing and in the framework of Industry 4.0. Recent deep learning techniques offer an opportunity for the utilization of data-driven methods in RUL prediction. However, the persistent data scarcity issue presents a thorny bottleneck in the machinery RUL prediction tasks due to the high cost of labeled training data collection. In this paper, we propose an effective learning framework for RUL prediction consisting of two novel methodological modules to improve data utilization efficiency. The first module is to leverage the intrinsicallydecomposed frequency-domain information to boost the effective feature extraction with a novel-designed <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Frequency Emphasizing Mix-up Module (FEMM)</i> . The second one involves incorporating semi-supervised learning to make use of unrestricted domain unlabeled data to overcome the constraints associated with data scarcity where we introduced <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Masked Autoencoder Reconstruction Auxiliary Learning (MARAL)</i> to the model. In addition, to better obtain temporal information, an LSTM temporal projection layer is designed. The proposed method was evaluated through experiments conducted on the C-MAPSS datasets, and our results show that the proposed method outperforms existing other methods in terms of both accuracy and effectiveness in the RUL prediction. In addition, our experimental results demonstrate that the proposed method is able to leverage unrestricted domain datasets to significantly boost model performance under low-data scenarios.
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 | 0,001 |
| 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 découle