已入深夜,您辛苦了!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,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Aircraft Engines Remaining Useful Life Prediction Based on A Hybrid Model of Autoencoder and Deep Belief Network

自编码 深信不疑网络 人工智能 深度学习 预言 均方误差 计算机科学 特征(语言学) 人工神经网络 数据挖掘 机器学习 工程类 模式识别(心理学) 统计 数学 哲学 语言学
作者
Huthaifa Al-Khazraji,Ahmed R. Nasser,Ahmed Mudheher Hasan,Ammar K. Al Mhdawi,H. S. Al‐Raweshidy,Amjad J. Humaidi
出处
期刊:IEEE Access [Institute of Electrical and Electronics Engineers]
卷期号:10: 82156-82163 被引量:36
标识
DOI:10.1109/access.2022.3188681
摘要

Remaining Useful Life (RUL) is used to provide an early indication of failures that required performing maintenance and/or replacement of the system in advance. Accurate RUL prediction offers cost-effective operation for decision-makers in the industry. The availability of data using intelligence sensors leverages the power of data-driven methods for RUL estimation. Deep Learning is one example of a data-driven method that has a lot of applications in the industry. One of these applications is the RUL prediction where DL algorithms achieved good results. This paper presents an Autoencoder-based Deep Belief Network (AE-DBN) model for Aircraft engines’ RUL estimation. The AE-DBN DL model is utilized the feature extraction characteristic of AE and superiority in learning long-range dependencies of DBN. The efficiency of the proposed DL algorithm is evaluated by comparison between the proposed AE-DBRN and the state-of-the-art related method for RUL perdition for four datasets. Based on the Root Mean Square Error (RMSE) and Score indices, the outcomes reveal that the AE-DBN RUL prediction model is superior to other DL approaches.

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
飘逸凌柏发布了新的文献求助10
1秒前
4秒前
ShengShuoX应助奶茶麻辣烫采纳,获得10
5秒前
6秒前
企鹅吃圣代完成签到 ,获得积分10
9秒前
10秒前
11秒前
12秒前
Hosea发布了新的文献求助30
15秒前
16秒前
困大颗粒完成签到,获得积分10
20秒前
20秒前
科研通AI2S应助Membranes采纳,获得10
21秒前
22秒前
24秒前
Singularity应助奶茶麻辣烫采纳,获得10
27秒前
28秒前
LIVE发布了新的文献求助200
29秒前
33秒前
木子李完成签到 ,获得积分10
33秒前
34秒前
鲜于秋白发布了新的文献求助10
35秒前
yue完成签到 ,获得积分10
39秒前
hphhh发布了新的文献求助10
39秒前
Scarrt完成签到 ,获得积分10
43秒前
诚心钢笔完成签到 ,获得积分10
44秒前
木子李关注了科研通微信公众号
44秒前
47秒前
47秒前
CipherSage应助鲜于秋白采纳,获得10
47秒前
48秒前
1111chen发布了新的文献求助10
52秒前
大模型应助奶茶麻辣烫采纳,获得10
53秒前
KETU发布了新的文献求助10
55秒前
英姑应助缓慢的凝云采纳,获得10
56秒前
56秒前
欢喜发卡发布了新的文献求助10
59秒前
59秒前
ektyz发布了新的文献求助10
59秒前
英俊的铭应助shihd采纳,获得10
1分钟前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Foreign Policy of the French Second Empire: A Bibliography 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
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 3146435
求助须知:如何正确求助?哪些是违规求助? 2797816
关于积分的说明 7825895
捐赠科研通 2454175
什么是DOI,文献DOI怎么找? 1306214
科研通“疑难数据库(出版商)”最低求助积分说明 627666
版权声明 601503