清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

A Novel Time-Series Memory Auto-Encoder With Sequentially Updated Reconstructions for Remaining Useful Life Prediction

计算机科学 维数(图论) 系列(地层学) 构造(python库) 特征(语言学) 过程(计算) 编码器 人工神经网络 人工智能 循环神经网络 存储单元 时间序列 自编码 模式识别(心理学) 数据挖掘 机器学习 数学 哲学 古生物学 物理 操作系统 电压 晶体管 程序设计语言 纯数学 生物 量子力学 语言学
作者
Song Fu,Shisheng Zhong,Lin Lin,Minghang Zhao
出处
期刊:IEEE transactions on neural networks and learning systems [Institute of Electrical and Electronics Engineers]
卷期号:33 (12): 7114-7125 被引量:33
标识
DOI:10.1109/tnnls.2021.3084249
摘要

One of the significant tasks in remaining useful life (RUL) prediction is to find a good health indicator (HI) that can effectively represent the degradation process of a system. However, it is difficult for traditional data-driven methods to construct accurate HIs due to their incomprehensive consideration of temporal dependencies within the monitoring data, especially for aeroengines working under nonstationary operating conditions (OCs). Aiming at this problem, this article develops a novel unsupervised deep neural network, the so-called times series memory auto-encoder with sequentially updated reconstructions (SUR-TSMAE) to improve the accuracy of extracted HIs, which directly takes the multidimensional time series as input to simultaneously achieve feature extraction from both feature-dimension and time-dimension. Further, to make full use of the temporal dependencies, a novel long-short time memory with sequentially updated reconstructions (SUR-LSTM), which uses the errors not only from the current memory cell but also from subsequent memory cells to update the output layer's weight of the current memory cell, is developed to act as the reconstructed layer in the SUR-TSMAE. The use of SUR-LSTM can help the SUR-TSMAE rapidly reconstruct the input time series with higher precision. Experimental results on a public dataset demonstrate the outstanding performance of SUR-TSMAE in comparison with some existing methods.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
细心的如天完成签到 ,获得积分10
2秒前
1分钟前
千里草完成签到,获得积分10
1分钟前
1分钟前
安安完成签到 ,获得积分10
1分钟前
1分钟前
1分钟前
qinxy发布了新的文献求助10
2分钟前
2分钟前
wanci应助qinxy采纳,获得10
2分钟前
energyharvester完成签到 ,获得积分10
2分钟前
plum发布了新的文献求助10
2分钟前
沙海沉戈完成签到,获得积分0
2分钟前
爱洗澡的鱼完成签到 ,获得积分10
3分钟前
3分钟前
自由飞翔完成签到 ,获得积分10
3分钟前
plum驳回了情怀应助
3分钟前
brwen完成签到,获得积分10
3分钟前
amar完成签到 ,获得积分0
4分钟前
丘比特应助咕咕咕咕采纳,获得10
4分钟前
李志全完成签到 ,获得积分10
5分钟前
6分钟前
123完成签到,获得积分10
6分钟前
咕咕咕咕发布了新的文献求助10
6分钟前
7分钟前
暮晓见完成签到 ,获得积分10
7分钟前
李爱国应助咕咕咕咕采纳,获得10
7分钟前
研友_nxw2xL完成签到,获得积分10
7分钟前
8分钟前
muriel完成签到,获得积分10
8分钟前
plum发布了新的文献求助10
8分钟前
8分钟前
HEIKU应助紫熊采纳,获得10
8分钟前
楚襄谷完成签到 ,获得积分10
8分钟前
9分钟前
frederick发布了新的文献求助10
9分钟前
zhengzhster应助紫熊采纳,获得20
9分钟前
frederick完成签到,获得积分10
10分钟前
紫熊完成签到,获得积分10
10分钟前
10分钟前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 700
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 700
A Dissection Guide & Atlas to the Rabbit 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3099799
求助须知:如何正确求助?哪些是违规求助? 2751268
关于积分的说明 7612116
捐赠科研通 2403036
什么是DOI,文献DOI怎么找? 1275146
科研通“疑难数据库(出版商)”最低求助积分说明 616263
版权声明 599053