基于深度学习与贪婪匹配策略的设备剩余寿命预测
设备剩余使用寿命（Remaining Useful Life，RUL）估计对于设备安全稳定运行具有重要意义。本文针对发动机剩余寿命预测问题，提出基于深度学习与贪婪匹配策略的 GRU-MLRGM 剩余寿命预测方法。通过滑动窗口技术变发动机传感器多维数据为低维时序数据，进而采用门控型循环神经网络提取其深度特征，通过线性回归模型建立单个设备的健康指示器（Health Indicator，HI），进而建立多个训练设备的退化轨迹库，随后通过相似性分析与贪婪匹配策略来确定某一待预测设备退化轨迹与退化轨
剩余使用寿命、滑动窗口、循环神经网络、退化轨迹库、相似性分析、贪婪匹配策略
2024-01-12（万方平台首次上网日期，不代表论文的发表时间）
共5页
23-27
