Biblioteca122.739 documentos en línea

Artículo

Developing Deep Survival Model for Remaining Useful Life Estimation Based on Convolutional and Long Short-Term Memory Neural NetworksDesarrollo de un modelo de supervivencia profunda para la estimación de la vida útil restante basado en redes neuronales convolucionales y de memoria a largo plazo y corto plazo.

Resumen

La aplicación de equipos mecánicos en la fabricación se está volviendo cada vez más complicada con el desarrollo y la adopción de tecnología. Para mantener la alta fiabilidad y estabilidad de la línea de producción, es necesario reducir el tiempo de inactividad para reparaciones y la frecuencia del mantenimiento rutinario. Dado que la degradación de máquinas y componentes es inevitable, estimar con precisión la vida útil restante de los mismos es crucial. Proponemos un enfoque integrado de aprendizaje profundo con redes neuronales convolucionales y redes neuronales de memoria a largo plazo para aprender las características latentes y estimar el valor de la vida útil restante con un modelo de supervivencia profunda basado en la distribución Weibull discreta. Utilizamos el conjunto de datos de simulación de degradación del motor turbofán del conjunto de datos de simulación del Sistema Modular Aero-Propulsión Comercial proporcionado por la NASA para validar nuestro enfoque. Los resultados mejorados han demostrado que nuestro modelo propuesto puede capturar la tendencia de degradación de una falla y tiene un

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento