您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 201904-5
论文题目 基于独立循环神经网络的剩余使用寿命预测
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于独立循环神经网络的剩余使用寿命预测

首发时间:2019-04-01

王锴烨 1   

王锴烨(1995-),男,主要研究方向:深度学习,工业互联网

许方敏 1   

许方敏(1982-),男,副教授,硕导,主要研究方向:工业互联网,电信技术,信号处理

  • 1、北京邮电大学信息与通信工程学院

摘要:在工业领域,机械设备在运行过程中不可避免地会磨损。随着损失的累积,设备发生故障的概率越来越大。因此,如果能够准确预测设备的剩余使用寿命(RUL),就可以及时对设备进行维护,避免设备故障引起的停机时间,大大提高企业的生产效率。独立递归神经网络(IndRNN)作为递归神经网络(RNN)的一种变体,在序列MNIST分类、语言建模等方面均优于传统的递归神经网络,但尚未引起业界的广泛关注。本文旨在利用IndRNN对涡扇发动机的健康退化进行研究,并对其剩余使用寿命(RUL)进行准确预测,这不仅有效地解决了梯度爆炸和消失的问题,而且增加了神经网络的可解释性。在工业实际应用中,它还可以与高频采样传感器匹配,处理较长的时间序列。结果表明,IndRNN在RUL估计方面明显优于传统机器学习方法以及CNN和LSTM等深度学习算法。

关键词: 信号与信息处理 多变量时间序列 独立循环神经网络 剩余使用寿命预测

For information in English, please click here

Independently Recurrent Neural Network For Remaining Useful Life Estimation

Wang Kaiye 1   

王锴烨(1995-),男,主要研究方向:深度学习,工业互联网

Xu Fangmin 1   

许方敏(1982-),男,副教授,硕导,主要研究方向:工业互联网,电信技术,信号处理

  • 1、 School of Information and Telecommunication Engineering, Beijing University of Posts and Telecommunications

Abstract:In the industrial fields, the mechanical equipment will inevitably wear out in the process of operation. With the accumulation of losses, the probability of equipment failure is increasing. Therefore, if the remaining useful life (RUL) of the equipment can be accurately predicted, we can maintain the equipment in time to avoid the downtime caused by equipment failure and greatly improve the production efficiency of enterprises. As a variant of Recurrent Neural Networks(RNN), Independent Recurrent Neural Network (IndRNN) has proven to be superior to traditional RNNs in sequential MNIST classification, language modelling and other areas, but has not aroused wide concern in industry. This paper aims to use IndRNN to learn health degradation of turbofan engine and make accurate predictions of its RUL, which not only effectively solves the problem of gradient explosion and disappearance, but also increases the interpretability of neural networks. It also can process longer time series which matches the scene with high frequency sampling sensor in industrial practical applications. The results demonstrate that IndRNN for RUL estimation significantly outperforms traditional approaches as well as CNN and LSTM in RUL estimation.

Keywords: multivariate time series analysis independently recurrent neural network remaining useful life estimation prognostics and health management

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
王锴烨,许方敏. 基于独立循环神经网络的剩余使用寿命预测[EB/OL]. 北京:中国科技论文在线 [2019-04-01]. http://www.paper.edu.cn/releasepaper/content/201904-5.

No.****

同行评议

未申请同行评议

评论

全部评论

0/1000

勘误表

基于独立循环神经网络的剩余使用寿命预测