XiaoMi-AI文件搜索系统
World File Search SystemRemaining
结合布朗运动和相似原理的方法来改进剩余使用寿命预测
如今，基于状态的维护 (CBM) [1] 是制造业越来越多地尝试采用的一种维护策略，目的是降低设备单元的生命周期成本并延长其可用性。CBM 使用实时信息通过恢复设备单元的功能特性来优化维护时机。它基于设备单元的当前健康监测，因此添加预测工具来预测未来状态和预测维护非常重要。故障预测是 CBM 的主要任务之一。它根据状态监测信息估计设备单元的 RUL。通常，预测方法可以根据所用信息的类型分为三大类。这些类别 [2]、[3] 被定义为基于物理模型的方法、数据驱动的方法和基于融合的方法。基于物理模型的方法 [4] 使用显式数学模型来表示动态系统的退化。数据驱动的方法基于状态监测，
用于估计飞机发动机和硬盘驱动器剩余使用寿命的数据驱动模型
本论文由默里州立大学数字共享中心的学生作品免费开放给您。默里州立大学数字共享中心的授权管理员已接受本论文，将其纳入荣誉学院论文。如需更多信息，请联系 msu.digitalcommons@murraystate.edu 。
使用基于变压器的神经网络
摘要：在这项研究中，我们引入了一种新型的基于变压器的神经网络（DTNN）模型，用于预测锂离子电池的剩余使用寿命（RUL）。所提出的DTNN模型在准确性和可靠性方面显着优于传统的机器学习模型和其他深度学习档案。特别是，DTNN达到0.991的R 2值，平均百分比误差（MAPE）为0.632％，绝对RUL误差为3.2，比其他模型（例如随机森林（RF），决策树（DT），多层perceptron（MLP），REN NERTEN（RN），REN NERTIAL NERTIST（RN NERTIRER NERTIAL（RN））（RN）（rn）（RF）（RF）（RN）（RNN）（RNN）（RNN）（RNN NEFT）（RN NORN NERTER），RNN NOVERRENT NERTER，长期（RN）复发单元（GRU），Dual-LSTM和Decransformer。这些结果突出了DTNN模型在为电池RUL提供精确可靠的预测方面的效率，这使其成为各种应用中电池管理系统的有前途的工具。
使用生成AI技术的预测性维护和剩余使用寿命（RUL）估计
重型机械的维护是任何制造过程的最关键因素之一，这仅仅是因为以最佳的操作效率保持运行时。维护工程师基于日常操作计划的工作订单严格参与各种计划的维护。预防性，纠正性，预定，基于条件和反应性是通常维护的维护工作单的不同类型。但是，随着物联网（物联网）传感器和算法的出现，以及最先进的技术，许多组织正在采用预测性维护来预先确定维护需求。此外，采用下一代AI（人工智能）技术，可以提前估算操作机器的寿命。
年度基因组学和人类遗传学的年度审查长阅读DNA测序：最新进展和剩余挑战
DNA测序在近几十年来彻底改变了医学。，对大型结构变化和重复DNA的分析是人类基因组的标志，受到短阅读技术的限制，读取长度为100-300 bp。长阅读测序（LRS）允许使用合成的实时测序和基于纳米孔的DI-ERCT电子测序进行实时测序，将人DNA片段的常规示例分别为数百个千倍酶对。lrs允许分析人类基因组中的大型结构变异和单倍型相分化，并能够发现和表征罕见的致病结构变异和重复探索。它最近还可以组装一个完整的，无处不在的人类基因组，该基因组包括以前棘手的区域，例如高度重复的centromeres和同源性杂技短臂。通过添加用于靶向富集，直接表观遗传DNA修饰检测和远程染色质分析方案，LRS有望在人类种群中引发对遗传多样性和致病突变的新时代。
通过机器学习的时间频率健康指标估计冷却装置的剩余使用寿命
摘要：预测性维护 (PM) 策略已引起航空业的关注，以降低维护成本和飞机停地 (AOG) 时间。利用飞机系统的状态监测数据，预测和健康维护 (PHM) 从业者一直通过应用剩余使用寿命 (RUL) 概念来预测飞机部件的使用寿命。此外，在预测中，当很难直接从数据中发现故障出现模式时，健康指标 (HI) 的构建起着重要作用。HI 通常由处理非平稳信号（例如飞机传感器时间序列）的数据驱动模型支持，其中需要从时间和频域进行数据转换。在本文中，我们基于希尔伯特谱的构造构建了时频 HI，并提出将基于物理的模型与数据驱动的模型相结合，以预测飞机冷却装置的 RUL。使用来自一家主要航空公司的数据，并考虑两个健康退化阶段，可以使用数据驱动的机器学习模型 (ML) 来估计飞机系统故障的发生。具体而言，我们的结果表明，所分析的冷却装置在使用寿命的最后飞行小时内出现异常退化之前会经历正常退化阶段。
使用随机森林预测具有有限退化历史的锂离子电池的剩余使用寿命
摘要 — 预测具有有限衰减历史的锂离子电池的剩余使用寿命 (RUL) 至关重要，因为它可以确保及时维护电动汽车并有效重复使用二次电池。考虑到现实的电池运行条件，本文研究了在目标电池衰减历史有限的情况下在部分充电和放电条件下的 RUL 预测。鉴于其能够告知特征重要性，采用随机森林来帮助对不同的电池测量进行优先排序，并确定准确预测 RUL 所需的最少运行数据量。通过使用一个完整的充电和放电循环检查预测性能，结果表明充电和放电的持续时间、使用容量和电压信号包含与电池 RUL 相关的重要特征。在荷电状态 (SOC) 不确定性下，还研究了部分充电和放电下的预测性能，结果表明，在 SOC 范围 [0.2,0.8] 内收集的数据可实现令人满意的性能。与现有的使用四个完整充电和放电循环的卷积神经网络方法相比，验证了所提方法增强的板载可行性。对 SOC 范围的敏感性分析表明，SOC 范围 [0 . 1 , 0 . 2] 内的数据包含磷酸铁锂电池最丰富的 RUL 相关信息。对具有不同化学性质、环境温度和 C 速率的电池进行广泛验证进一步证明了所提方法的稳健性。
基于随机滤波方法的储能元件剩余使用寿命预测综述
摘要：锂离子电池是一种绿色环保的储能元件，因其能量密度高、循环性能好而成为储能的首选。锂离子电池在充放电循环过程中会发生不可逆过程，造成电池容量的不断衰减，最终导致电池失效，准确的剩余使用寿命（RUL）预测技术对储能元件的安全使用和维护具有重要意义。本文综述了国内外储能元件RUL预测方法的研究进展。首先明确储能元件的失效机理，然后总结以锂离子电池为代表的储能元件RUL预测方法；其次，分析了基于卡尔曼滤波和粒子滤波的数据-模型融合方法在锂离子电池RUL预测中的应用，并讨论了储能元件RUL预测面临的问题及未来的研究展望。
用于分立功率器件状态监测和剩余使用寿命预测的复合故障前兆
摘要 — 为了防止电力电子系统中发生灾难性故障，已经确定了多种故障前兆来表征功率器件的退化。然而，在确定支持高精度剩余使用寿命 (RUL) 预测的合适故障前兆方面存在一些实际挑战。本文提出了一种充分利用潜在故障前兆来制定复合故障前兆 (CFP) 的方法，其中 CFP 直接根据退化模型进行优化以提高预测性能。明确推导了退化模型的 RUL 估计值，以方便前兆质量计算。对于 CFP 公式，采用遗传规划方法以非线性方式整合潜在故障前兆。结果，阐述了一个可以为给定的 RUL 预测模型制定出更好故障前兆的框架。通过 SiC MOSFET 的功率循环测试结果验证了所提出的方法。
30年的重复扩张障碍：我们学到了什么，剩下的挑战是什么？
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。