Deep separable convolutional network for remaining useful life prediction of machinery

本文主要是介绍Deep separable convolutional network for remaining useful life prediction of machinery,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • Background
  • Method Proposed
    • DS模型
    • SE模块
    • 可分离的卷积构件
    • DSCN构架
  • Experiment
    • 评价指标:
    • 数据预处理
      • z-score
      • 划窗:
    • 实验结果

Background

数据驱动的剩余寿命预测(RUL)主要包括:数据采集,特征提取和选择,退化行为学习和RUL

目前基于深度学习的机械RUL存在两个问题:
1、过分依赖于手工提取的特征。
2、没有考虑到传感器数据之间的关联性。来自不同传感器的数据包含不同程度的退化信息,反映了不同部件之间的故障交互作用。

Method Proposed

DS模型

网络压缩的内容
可分离卷积通过对标准卷积的因子分解来揭示时间相关性和跨信道相关性。
首先,Channel-wise 卷积将一个卷积核应用到每个输入信道中,以分别映射每个传感器序列的时间相关性。然后,Pointwise卷积进行 1 × 1 1 \times 1 1×1卷积,创建Channel-wise 卷积输出的线性组合,即映射不同传感器的跨信道相关性。通过上述两个独立的步骤,时间相关性和跨通道相关性可以充分解耦。特别地,可分离卷积使用特定的卷积核,即Pointwise卷积核来映射跨信道相关性,有效地捕获了不同传感器数据的依赖关系。
在这里插入图片描述

在这里插入图片描述

SE模块

突出有用特征,抑制无用特征
在这里插入图片描述
在这里插入图片描述

可分离的卷积构件

在这里插入图片描述

DSCN构架

Block表示上述可分离的卷积构件
在这里插入图片描述

Experiment

两个Case。(1)滚动轴承的RUL预测(2)涡扇发动机发RUL预测
这里只关注Case 1

评价指标:

评分函数
在这里插入图片描述
RMSE
在这里插入图片描述

数据预处理

z-score

在这里插入图片描述
预测结果:
在这里插入图片描述

划窗:

对于数据驱动的预测问题,如何将有用的时间信息嵌入到预测模型的输入中是一个重要的考虑因素。如果预测模型只使用在单个采样时间步长中获得的数据作为输入,则将忽略前面与当前退化状态相关的时间信息,从而限制了模型的预测性能。本文利用固定尺寸时间窗将连续采样时间步长获得的振动信号连接成高维向量,然后将该向量作为DSCN的输入。因此,在每个采样时间步长中,通过时间窗嵌入得到的输入向量由在当前时间步长中采样的振动信号及其之前的S-1时间步长组成。
举个例子:(a)是没有时间窗口 (b)有时间窗口,大小为3
在这里插入图片描述

实验结果

划窗大小选5
在这里插入图片描述
五种不同的预测方法在轴承数据集上的性能比较。(a)评分函数值。(b)RMSE值。
在这里插入图片描述
在这里插入图片描述
论文

这篇关于Deep separable convolutional network for remaining useful life prediction of machinery的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/580603

相关文章

poj 2349 Arctic Network uva 10369(prim or kruscal最小生成树)

题目很麻烦,因为不熟悉最小生成树的算法调试了好久。 感觉网上的题目解释都没说得很清楚,不适合新手。自己写一个。 题意:给你点的坐标,然后两点间可以有两种方式来通信:第一种是卫星通信,第二种是无线电通信。 卫星通信:任何两个有卫星频道的点间都可以直接建立连接,与点间的距离无关; 无线电通信:两个点之间的距离不能超过D,无线电收发器的功率越大,D越大,越昂贵。 计算无线电收发器D

图神经网络框架DGL实现Graph Attention Network (GAT)笔记

参考列表: [1]深入理解图注意力机制 [2]DGL官方学习教程一 ——基础操作&消息传递 [3]Cora数据集介绍+python读取 一、DGL实现GAT分类机器学习论文 程序摘自[1],该程序实现了利用图神经网络框架——DGL,实现图注意网络(GAT)。应用demo为对机器学习论文数据集——Cora,对论文所属类别进行分类。(下图摘自[3]) 1. 程序 Ubuntu:18.04

深度学习--对抗生成网络(GAN, Generative Adversarial Network)

对抗生成网络(GAN, Generative Adversarial Network)是一种深度学习模型,由Ian Goodfellow等人在2014年提出。GAN主要用于生成数据,通过两个神经网络相互对抗,来生成以假乱真的新数据。以下是对GAN的详细阐述,包括其概念、作用、核心要点、实现过程、代码实现和适用场景。 1. 概念 GAN由两个神经网络组成:生成器(Generator)和判别器(D

Deep Ocr

1.圈出内容,文本那里要有内容.然后你保存,并'导出数据集'. 2.找出deep_ocr_recognition_training_workflow.hdev 文件.修改“DatasetFilename := 'Test.hdict'” 310行 write_deep_ocr (DeepOcrHandle, BestModelDeepOCRFilename) 3.推理test.hdev

Neighborhood Homophily-based Graph Convolutional Network

#paper/ccfB 推荐指数: #paper/⭐ #pp/图结构学习 流程 重定义同配性指标: N H i k = ∣ N ( i , k , c m a x ) ∣ ∣ N ( i , k ) ∣ with c m a x = arg ⁡ max ⁡ c ∈ [ 1 , C ] ∣ N ( i , k , c ) ∣ NH_i^k=\frac{|\mathcal{N}(i,k,c_{

Open Source, Open Life 第九届中国开源年会论坛征集正式启动

中国开源年会 COSCon 是业界最具影响力的开源盛会之一,由开源社在2015年首次发起,而今年我们将迎来第九届 COSCon! 以其独特定位及日益增加的影响力,COSCon 吸引了越来越多的国内外企业、高校、开源组织/社区的大力支持。与一般企业、IT 媒体、行业协会举办的行业大会不同,COSCon 具有跨组织、跨项目、跨社区的广泛覆盖面,也吸引了众多国内外开源开发者和开源爱好者的关注及参与

F12抓包05:Network接口测试(抓包篡改请求)

课程大纲         使用线上接口测试网站演示操作,浏览器F12检查工具如何进行简单的接口测试:抓包、复制请求、篡改数据、发送新请求。         测试地址:https://httpbin.org/forms/post ① 抓包:鼠标右键打开“检查”工具(F12),tab导航选择“网络”(Network),输入前3项点击提交,可看到录制的请求和返回数据。

OpenSNN推文:神经网络(Neural Network)相关论文最新推荐(九月份)(一)

基于卷积神经网络的活动识别分析系统及应用 论文链接:oalib简介:  活动识别技术在智能家居、运动评估和社交等领域得到广泛应用。本文设计了一种基于卷积神经网络的活动识别分析与应用系统,通过分析基于Android搭建的前端采所集的三向加速度传感器数据,对用户的当前活动进行识别。实验表明活动识别准确率满足了应用需求。本文基于识别的活动进行卡路里消耗计算,根据用户具体的活动、时间以及体重计算出相应活

Convolutional Neural Networks for Sentence Classification论文解读

基本信息 作者Yoon Kimdoi发表时间2014期刊EMNLP网址https://doi.org/10.48550/arXiv.1408.5882 研究背景 1. What’s known 既往研究已证实 CV领域著名的CNN。 2. What’s new 创新点 将CNN应用于NLP,打破了传统NLP任务主要依赖循环神经网络(RNN)及其变体的局面。 用预训练的词向量(如word2v

REMEMBERING HISTORY WITH CONVOLUTIONAL LSTM FOR ANOMALY DETECTION——利用卷积LSTM记忆历史进行异常检测

上海科技大学的文章,上海科技大学有个组一直在做这方面的工作,好文章挺多的还有数据集。 ABSTRACT 本文解决了视频中的异常检测问题,由于异常是无界的,所以异常检测是一项极具挑战性的任务。我们通过利用卷积神经网络(CNN或ConvNet)对每一帧进行外观编码,并利用卷积长期记忆(ConvLSTM)来记忆与运动信息相对应的所有过去的帧来完成这项任务。然后将ConvNet和ConvLSTM与