Advancing Predictive Maintenance: Median-Based Particle Filtering in MOSFET Prognostics
Notice bibliographique
Résumé
The burgeoning demand for effective predictive maintenance in industrial systems necessitates accurate prognostics of equipment's Remaining Useful Life (RUL).In particular, the prediction of RUL plays a crucial role in MOSFET devices for many applications to prevent failures and maintenance schedule optimization.Motivated by the potential requirement for more than what traditional models can provide, this study sought to improve upon these estimates.This research aimed to solve the problem of accurately estimating RUL for MOSFET devices, since these systems are characterized by substantial uncertainties and non-linear processes.To address this issue, we introduced a highperformance prognostic model that promises to take advantage of both the Adaptive Particle Filter (APF) and Gaussian Process Regression (GPR), which is called as PF-GPR method.The model used a genetic algorithm to control when and how many particles were adaptively resampled applying different weighted strategies (mean or median) in response of the stochastic system deterioration.We designed and conducted a series of experiments based on the PF-GPR approach with two objectives: i) to benchmark different systematic resampling schemes; ii) demonstrate that even in case of small number (i.e.FloatTensor section {newString 10}0/75k).Systematic comparisons with standard particle filtering techniques showed the model performed well in tracking RUL as it degraded through wear degrees and estimated prediction errors were obtained.The results showed that the PF-GPR model significantly outperformed traditional methods, in particular their adpative resampling version based on the median.The PF-GPR median approach performed consistently better with respect to true RUL approximation and had the lowest RMSE for all time points.These results highlight the improved strength of prediction power for equipment RULs using our provided approach, thus reinforcing that real-world predictive maintenance applications are possible by said model.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».