用CNN做rul.通过卷积神经网络测得轴承的剩余使用时间。用来做轴承寿命预测RUL，包括训练集和测试集两部分，还有说明文档pdf

基于 Transformer 的锂电池寿命预测（Remaining Useful Life，RUL）（Python完整源码和数据） Packages pytorch 1.8.0 pandas 0.24.2 基于 Pytorch 的 Transformer 锂电池寿命预测（Remaining Useful Life，RUL）

无味粒子滤波算法改进了粒子滤波算法，可以实现目标跟踪以及剩余寿命的预测

粒子滤波算法预测电池寿命。包括电池容量数据和MATLAB程序。

cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_

论文代码

这项工作介绍了 [1] 中提出的 LCI-ELM 的新改进。 新的贡献集中在训练模型对更高维度的“时变”数据的适应性上。 使用C-MAPSS数据集对提出的算法进行了研究[2]。 PSO[3] 和 R-ELM[4] 训练规则被整合到了这个任务中。 拟议算法和用户指南的详细信息可在： https : //www.researchgate.net/publication/337945405_Dynamic_Adaptation_for_Length_Changeable_Weighted_Extreme_Learning_Machine [1] YX Wu、D. Liu 和 H. Jiang，“长度可变增量极限学习机”，J. Comput。 科学技术，卷。 32号3，第 630-643 页，2017 年。 [2] A. Saxena、M. Ieee、K. Goebel、D. Simon 和

RUL来自振动信号 问题：要预测轴承在工业资产（如泵，压缩机，变速箱等）中的剩余寿命，请查看支持文件。 参考研究论文：ANN泵寿命预测.pdf 有关数据，请联系： 可交付成果： •显示RMS和峰度的图形•Weibull危险率和参数估计（形状和比例参数） 培训和验证集的结果 •测试仪的输出性能 •建议模型的训练和验证错误（如参考研究论文所示） •多传感器融合的想法，可以实际预测整个旋转设备的剩余用途

RUL_预测

非线性回归方法的锂离子卫星动力系统的RUL和SOH估计 链接到数据集可以在找到