用于工业机械剩余使用寿命估计的时间卷积记忆网络
机器学习
2018-12-11 v2 机器学习
摘要
准确估计工业机械的剩余使用寿命（RUL）在许多现实应用中是有益的。估计技术主要利用线性模型或基于神经网络的方法，侧重于短期时间依赖。本文引入一种融合时间卷积与长期及短期时间依赖的系统模型。所提网络学习传感器数值中的显著特征与复杂时间变化，并预测 RUL。采用一种数据增强方法以提高精度。所提方法在公开可用数据集上与若干 SOTA 算法进行比较，展现出有前景的结果，对于来自复杂环境的数据集取得了更优结果。
引用
@article{arxiv.1810.05644,
title = {Temporal Convolutional Memory Networks for Remaining Useful Life Estimation of Industrial Machinery},
author = {Lahiru Jayasinghe and Tharaka Samarasinghe and Chau Yuen and Jenny Chen Ni Low and Shuzhi Sam Ge},
journal= {arXiv preprint arXiv:1810.05644},
year = {2018}
}
备注
accepted to IEEE International Conference on Industrial Technology (ICIT2019)