Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
A neural network filtering approach for similarity-based remaining useful life estimation
Warwick Manufacturing Group, University of Warwick, Coventry, UK.
Warwick Manufacturing Group, University of Warwick, Coventry, UK.
Data Science and Analytics Manager,Pricewaterhouse Cooper, San Jose, USA.
Stinger Ghaffarian Technologies, Inc.NASA Ames Research Center, Moffett Field, USA.
Visa övriga samt affilieringar
2019 (Engelska)Ingår i: The International Journal of Advanced Manufacturing Technology, ISSN 0268-3768, E-ISSN 1433-3015, Vol. 101, nr 1-4, s. 87-103Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

The role of prognostics and health management is ever more prevalent with advanced techniques of estimation methods. However, data processing and remaining useful life prediction algorithms are often very different. Some difficulties in accurate prediction can be tackled by redefining raw data parameters into more meaningful and comprehensive health level indicators that will then provide performance information. Proper data processing has a significant importance on remaining useful life predictions, for example, to deal with data limitations or/and multi-regime operating conditions. The framework proposed in this paper considers a similarity-based prognostic algorithm that is fed by the use of data normalisation and filtering methods for operational trajectories of complex systems. This is combined with a data-driven prognostic technique based on feed-forward neural networks with multi-regime normalisation. In particular, the paper takes a close look at how pre-processing methods affect algorithm performance. The work presented herein shows a conceptual prognostic framework that overcomes challenges presented by short-term test datasets and that increases the prediction performance with regards to prognostic metrics.

Ort, förlag, år, upplaga, sidor
Springer, 2019. Vol. 101, nr 1-4, s. 87-103
Nyckelord [en]
C-MAPPS datasets, Data-driven prognostics, Neural networks, Similarity-based RUL calculation
Nationell ämneskategori
Annan samhällsbyggnadsteknik
Forskningsämne
Drift och underhållsteknik
Identifikatorer
URN: urn:nbn:se:ltu:diva-71863DOI: 10.1007/s00170-018-2874-0ISI: 000461051300007OAI: oai:DiVA.org:ltu-71863DiVA, id: diva2:1267487
Anmärkning

Validerad;2019;Nivå 2;2019-04-12 (johcin)

Tillgänglig från: 2018-12-03 Skapad: 2018-12-03 Senast uppdaterad: 2019-04-12Bibliografiskt granskad

Open Access i DiVA

fulltext(2312 kB)81 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 2312 kBChecksumma SHA-512
51541da8f6d56362b6f5bedb6fd2affc66df13211ef90117d195b1dc1661382506265dd9b940ed57e578699b7f540ee6009c066fab469e215ad345d30f52b8f1
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltext

Personposter BETA

Goebel, Kai

Sök vidare i DiVA

Av författaren/redaktören
Goebel, Kai
Av organisationen
Drift, underhåll och akustik
I samma tidskrift
The International Journal of Advanced Manufacturing Technology
Annan samhällsbyggnadsteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 81 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 258 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf