电子元器件行业深度分析：行业应用础润而雨，无线充电蓄势待发

企业级海量数据的知识化已日趋成为行业共识，通过海量数据的知识化集成，可以加速数据标准化、消除/减少歧义、链接数据孤岛等。知识图谱作为表达能力更强的数据建模形式，也需要不断技术升级与时俱进。知识图谱和大型语言模型都是用来表示和处理知识的手段。大模型补足了理解语言的能力，知识图谱则丰富了表示知识的方式，两者的深度结合必将为人工智能提供更为全面、可靠、可控的知识处理方法。

阅读3

基于贝叶斯深度学习的预后驱动预测性维护框架

在这项工作中，提出了一种新的预测驱动的产品数据管理框架，它提供了一个集成RUL预测和维护决策的综合解决方案。在预测阶段，我们采用基于BDL的框架来限定任意的和认知的不确定性，并输出RUL的预测性分布。在维修决策阶段，提出了一种在一般检查场景下的实用策略。该模型能够在任何时刻快速评估R选项和DN选项的成本率，并生成满足操作约束的暂定的产品数据管理计划。随着逐步收集更多的CM数据，我们的框架动态更新和调整维护和备件订购决策，以生成更可靠的PDM时间表。通过与几种基准策略的比较，基于NASA Ames预测卓越中心提供的涡扇发动机数据集，我们发现基于BDL方法驱动的基准策略可以在不确定性量化的情况下增强预测结果，从而提高动态PDM决策的性能。在定期和不定期检查的情况下，建议的政策导致的平均成本率非常接近理想的政策。这项研究对行业具有实际意义，展示了将不确定性量化和操作约束纳入到PDM政策中的好处。增强的策略性能带来了更好的维护规划，降低了成本并提高了盈利能力，同时还提高了客户满意度。

阅读3

SCI一区论文学习|一种基于片段数据的非参数退化建模剩余寿命预测方法

本期给大家推荐李乃鹏教授的一种基于片段数据的非参数退化建模剩余寿命预测方法。基于状态维修(CBM)通过预测设备剩余使用寿命(RUL)，在设备发生故障前制定维修计划，是保证设备安全运行的有效手段。由于监测中断和/或传感器读数丢失会产生片段数据。而片段数据只记录了一个随机的退化过程，初始退化时间信息通常会丢失。因此，无法使用常用的时间相关建模框架对其进行建模。为解决这一问题，文章提出了一种基于片段数据的非参数退化建模方法用于RUL预测。该方法利用基于退化状态的函数定义剩余寿命。并提出了一种基于极大似然估计的主分析(PAMLE)算法来恢复故障单元的缺失数据。最后，通过疲劳裂纹扩展数据集和锂离子电池退化数据集验证了该方法的有效性。