近日,中国科学院沈阳自动化研究所在工业设备智能维护管理研究方面取得新进展,相关成果以A spatiotemporal feature learning-based RUL estimation method for predictive maintenance为题发表在测绘遥感领域期刊Measurement。
端到端性能退化预测框架
沈阳自动化所智能检测与装备研究室IDE团队提出了一种基于时空特征深度学习的关键设备剩余使用寿命预测框架,设计了处理采集到的反应设备状态的传感器数据的时空数据特征挖掘方法,能够学习到传感器历史数据中表征时空相关性的一致性退化模式,从而显著提升预测精度。此外,研究团队提出了一种端到端多层次信号级预测框架,能够在无需专家知识与手工特征的前提下进行预测工作,提高了方法通用性与自适应性。
科研人员通过该方法在航空发动机性能退化预测C-MAPSS数据集、刀具磨损数据集PHM2010进行了详细的实验和分析,实验表明该方法相比当前较多使用的SOTA方法,具有更低的拟合误差与更好的综合性能。
IDE团队长期专注于智能产线领域的关键技术及系统研发,先后承担了国家重点研发计划、国家自然科学基金重点项目等,在故障诊断、工业互联网、在机测量与自适应加工等方面的研究取得了多项突破成果,部分成果在航空航天、汽车装配业应用。
该研究得到了国家自然科学基金、先导专项、辽宁省自然科学基金的支持。
[来源:沈阳自动化研究所]
版权与免责声明:
① 凡本网注明"来源:仪器信息网"的所有作品,版权均属于仪器信息网,未经本网授权不得转载、摘编或利用其它方式使用。已获本网授权的作品,应在授权范围内使用,并注明"来源:仪器信息网"。违者本网将追究相关法律责任。
② 本网凡注明"来源:xxx(非本网)"的作品,均转载自其它媒体,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责,且不承担此类作品侵权行为的直接责任及连带责任。如其他媒体、网站或个人从本网下载使用,必须保留本网注明的"稿件来源",并自负版权等法律责任。
③ 如涉及作品内容、版权等问题,请在作品发表之日起两周内与本网联系,否则视为默认仪器信息网有权转载。
谢谢您的赞赏,您的鼓励是我前进的动力~
打赏失败了~
评论成功+4积分
评论成功,积分获取达到限制
投票成功~
投票失败了~