Remaining Useful Life Prediction via Frequency Emphasizing Mix-Up and Masked Reconstruction
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-designedFrequency Emphasizing Mix-up Module (FEMM). 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 introducedMasked Autoencoder Reconstruction Auxiliary Learning (MARAL)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.
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 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».