人工智能在许多领域被使用.
用于工厂。 AI用于工业设施(如roboam)的预测性维护(PdM)可能会 前瞻保存是指半导体工厂使用的工业设备的理想预先得到预测,从而得到修复的工业设备.
如果他们不这样做,他们就必须这样做,这对工厂来说是一个巨大的损失. 因此,工业设备的安全相当重要。
我以前是守规矩的守护者 数据数量日益庞大,而且迅速和准确地实时发现工业设施的理想是有限度的。 因此,这些天,我们利用人工智能来开发技术.没错。
为了对工业设施进行预测性保存,可以使用分析时间序列数据的技术来预测工业设施的剩余使用寿命(RUL)。 本文 关于利用人工智能预测工业设备剩余寿命的技术的论文的简要说明,以及专利申请的主要特征是什么. 让我们看看。
* 本篇文章以作者所写的内容为基础,可能与作者所写的内容略有不同。
参考资料
Xiang Li、Qian Ding、Jian-Qiao Sun，2017年，Remaining Useful Life Estimation in Prognostics Using Deep Convolution Neural Networks（利用深度卷积神经网络估计剩余使用寿命）。
Xiang Li、Qian Ding、Jian-Qiao Sun，2017年，Remaining Useful Life Estimation in Prognostics Using Deep Convolution Neural Networks（利用深度卷积神经网络估计剩余使用寿命）。
https://escholarship.org/content/qt5ns8r3fs/qt5ns8r3fs_noSplash_7d463f0d432194b63917f89e056f2644.pdf
预测工业设备剩余寿命的方法
首先,让我们来看看有哪些方法可以预测工业设备的剩余寿命。
主要在预测工业设备的剩余寿命时 三种办法这里。 初一颂. 以模式为基础的办法没错 这是已有的 使用RUL预测模型(基于规则的模型)预测数据退化理解它的存在。 例如,可以使用粒子滤波器或使用Eyring模型来预测数据退化.
第二届 数据驱动方法没错 根据历史数据预测数据恶化。 基于人工智能的RUL预测似乎被覆盖了。
第三门. 混合法.没错 我在前面解释过 采用两种办法没错。
今天的论文涉及通过数据驱动的方法预测RUL.
* 文章内容摘要 * *
本文是关于利用航空发动机相关数据来预测发动机的剩余寿命.
利用DeepCNN来预测与RUL相关的最终输出,DeepCNN的结构如下:
这是在左侧的特征映射形式中采集的数据样本. (x轴方向不同传感器获得的数值和y轴方向不同时间获得的数值).
数据取样完成后,按顺序分四层输入,过滤器大小相同。 而最后一个演化层的滤波器大小与四个演化层所用的滤波器不同. 输入上层四进化层的最后一个输出 。
在这种情况下,原始特征的高层次代表就是上层进化层的输出. 最后一个演化层然后连接到一个完全连接的层,最后RUL预测值是输出.
如果有本文这样的DeepCNN结构,实验结果显示其RUL预测性能比DNN,RNN,LSTM更好.它发生。
提取专利申请的核心技术特征
我现在根据上篇文章向各位解释,什么是主要特点,什么是专利申请。
我认为,利用DeepCNN结构来预测RUL是本文的一个主要特征.
如果有DeepCNN结构,则有实验结果显示出比其他模型更好的性能.
在创建专利说明书时,在专利说明书中描述实验结果,这样就更容易对拒绝未来创造性违反的理由作出回应.
另一方面,DeepCNN的详细结构可以是支撑关键特征的内容. 具体来说,模型的详细结构是,一个具有相同大小的首层滤波器的多元性与第二个具有不同大小的滤波器的多元性与第一个滤波器的多元性相连接,而第二个演化层则与一个完全连接的层相连接,可能支持本文的主要特征.
一个附带特征是利用时间窗口对输入数据进行取样,并与数据归一化有关。
如果你正在根据你所读的 写一个专利说明书,
1. 输入在深CNN中包含至少一个感知数据的数据,其中包含多个演化层和一个全连接层.
2. 根据深氯化萘的产量预测的剩余寿命
确定最广泛的权利要求，
1. DeepCNN的详细结构(多演化层过滤器的特征,层层连接顺序等).
2. 如何为 DeepCNN 提供数据输入样本
3. 如何使数据归一化
我要写一份专利申请书
本文基于发表时的情况撰写。如需就具体事项咨询，请联系IPLEX。