...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Mechanical systems and signal processing >Just-in-time learning based probabilistic gradient boosting tree for valve failure prognostics
【24h】

Just-in-time learning based probabilistic gradient boosting tree for valve failure prognostics

机译：基于立即学习的阀门故障预测基于概况概率梯度升压树

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Historical failure instances of a system with diversified degradation patterns will pose great challenge for prognostics. Consequently, it is challenging to accurately predict the remaining useful life (RUL) using a prognostic model trained from such data. To solve this problem, this paper proposes a just-in-time learning-based data-driven prognostic method for reciprocating compressors with diverse degradation patterns and operating modes. The proposed framework employs a just-in-time learning (JITL) scheme to deal with the stochastic nature of fault evolution and the diversity of degradation patterns. Moreover, a data-driven forecasting model that features a randomized and smoothed gradient boosting decision tree (RS-GBDT) is developed for RUL and uncertainty predictions. The effectiveness of the proposed approach was validated on temperature measurements collected from 13 valve failure cases of an industrial reciprocating compressor.
机译：具有多元化退化模式的系统的历史失败实例将对预后造成巨大挑战。因此，使用从这些数据训练的预后模型准确地预测剩余的使用寿命（RUL）是挑战性的。为了解决这个问题，本文提出了一种基于立即学习的数据驱动的预后预测方法，用于往复式压缩机，具有各种劣化模式和操作模式。拟议的框架采用即时学习（JITL）方案来处理故障进化的随机性和降解模式的多样性。此外，为RUL和不确定性预测开发了一种具有随机和平滑梯度升压决策树（RS-GBDT）的数据驱动的预测模型。在工业往复式压缩机的13个阀门故障情况下收集的温度测量验证了所提出的方法的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号