基于深度学习特征融合的多目标优化预测健康指数构建方法,IEEE Transactions on Reliability
退化建模和预测是系统健康管理的基础。近年来，各种传感器提供了大量可以反映系统状态的监测数据。人们提出了多种基于多传感器数据的特征融合技术来生成用于预测的复合健康指数（HI），它可以代表潜在的退化机制。现有方法大多采用线性融合模型，忽视了HI构建的实际需求，不足以揭示特征之间的非线性关系，难以获得复杂系统的准确HI。本研究提出了一种新颖的基于特征融合的深度学习和多目标优化的HI构建方法。多个退化特征由深度神经网络（DNN）融合。采用 HI 应具有的几个用于预测的所需属性来制定 DNN 训练的目标函数。为了平衡融合模型的空间复杂性和性能，生成多目标优化模型来训练 DNN。然后，使用广义非线性维纳过程模型通过所得的 HI 来预测剩余使用寿命。最后，通过两个案例的分析来说明该方法的有效性和鲁棒性。
"点击查看英文标题和摘要"
相关知识
基于深度学习特征融合的多目标优化预测健康指数构建方法,IEEE Transactions on Reliability
基于谱幅融合广义健康指数的可解释装备退化评估优化模型研究进展
自动化学院“人机混合智能与智慧健康研究中心”在人工智能领域权威期刊《IEEE Transactions on Circuits and Systems for Video Technology》发表论文
大连化物所等开发出用于电池寿命预测的深度学习模型
我所开发出新型深度学习模型应用于电池寿命预测
多特征融合深度学习的滚动轴承剩余寿命预测方法研究
基于模型的锂离子电池健康状态预测
锂离子电池健康和寿命预测新突破：里程修正与图像化数据的应用
一种基于深度学习的生理指标检测系统及方法与流程
电子科技大学系统可靠性与安全性研究中心
网址: 基于深度学习特征融合的多目标优化预测健康指数构建方法,IEEE Transactions on Reliability https://m.trfsz.com/newsview1702729.html
