FPCA-SETCN: A Novel Deep Learning Framework for Remaining Useful Life Prediction
Notice bibliographique
Résumé
The accurate prediction of remaining useful life (RUL) can serve as a reliable foundation for equipment maintenance, thereby effectively reducing the incidence of failure and maintenance costs. In this study, a novel deep learning (DL) framework that incorporates functional principal component analysis (FPCA) and enhanced temporal convolutional network (TCN) is proposed for RUL prediction. Precisely, FPCA is employed to capture the changing patterns in multistream degradation trajectories. Subsequently, the reconstructed signals from FPCA are fed into a convolutional block for extracting deep-level features. An enhanced squeeze-and-excitation (ESE) block is then incorporated into the network for adaptive feature recalibration, enhancing the network’s ability to focus on the most relevant information. The framework includes a TCN module augmented with hybrid attention mechanisms, comprising ESE and spatial attention (SA) blocks, to optimally capture forward and backward sequence information of the feature tensor. The efficiency and feasibility of the proposed approach are demonstrated through case studies on both the Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) and Center for Advanced Life Cycle Engineering (CALCE) battery datasets. The proposed method achieves the lowest root-mean-square error (RMSE) of 15.56 on the C-MAPSS dataset and 0.03 on the CALCE dataset. The comparative studies highlight the superiority of the proposed network over existing DL algorithms.
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 | 0,003 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,001 | 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 ».