{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,6,13]]，“日期-时间”：“2024-06-13T06:04:35Z”，“时间戳”：1718258675820}，“引用-计数”：36，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：“日期-零件”：[[2021,11,1]]，”日期-时间“：”2021-11-01T00:00Z“，”timestamp“：16357248000000}，”content-version“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[2021,11,1]]，“date-time”：“2021-11-01T00:00:00Z”，“timestamp”：163572480000}，“content-version”：“stm-asf”，“delay-in-days”：“0，”URL“https:\\/doi.org\/10.15223\/policy-017”}，{“开始”：{“日期部分”：[[2021,11,1]]，“日期时间”：“2021-11-01T00:00:00Z”，“时间戳”：1635724800000｝，“内容版本”：“stm-asf”，“延迟天数”：0，“URL”：“https://doi.org/10.15223\/policy-037”｝，｛“开始”：｛“日期部分”：[[2021,11,1]]，“日期时间”：“2021-11-01T00:00:00Z”，“时间戳”：1635724800000｝，“内容版本”：“stm-asf”，“延迟天数”：0，“URL”：“https://doi。org/10.15223\/policy-012“｝，｛”开始“用法：{“date-parts”：[[2021,11,1]]，“date-time”：“2021-11-01T00:00:00Z”，“timestamp”：163572480000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\\/doi.org\/10.15223\/policy-029”}，{“start”：{（日期）：[2021,11]]，version“：”stm-asf“，”delay-in-days“：0，”URL“：“https:\/\/doi.org\/10.15223\/policy-004”}]，“content-domain”：{“domain”:[“elsevier.com”，“sciencedirect.com”]，“crossmark-restriction”：true}，“short-container-title”：[“Applied Soft Computing”]，”published-print“：{”date-parts“：[2021,11]]}，”doi“：”10.1016\/j.asoc.2021.107817“，”type“：”journal-article“，”“created”：{“日期-部分”：[[2021,8,14]]，“日期-时间”：“2021-08-14T03:30:33Z”，“时间戳”：1628911833000}，“页面”：“107817”，“更新策略”：“http://\/dx.doi.org\/10.1016\/elsevier_cm_policy”，“源”：“Crossref”，”is-referenced-by-count“：14，”title“：[”在机械组件上使用集成的Laplacian-LSTM网络进行剩余使用寿命预测“]，”前缀“：”10.1016“，”卷“：”112“，”作者“：[{”ORCID“：“http://\/orcid.org\/00000-0003-1317-7860”，“authenticated-orcid”：false，“given”：“Mohd Syahril Ramadhan”，“family”：“Mohd Saufi”，“sequence”：“first”，“affiliation”：[]}，{“givens”：“Kamarul Arifin”，“家族”：“Hassan”，”sequence“：”additional“，”afliation“：[]]}]，“member”：“78”，“reference”：[{“issue”：“12”，“key”：”10.1016 \/j.asoc.2021.107817_b1“，”doi-asserted-by“：“crossref”，“first page”：“9521”，“DOI”：“10.1109\/TIE.2019.2924605”，“article-title”：“基于双卷积神经网络架构的剩余使用寿命预测”，“volume”：”66“，“author”：“Yang”，“year”：“2019”，“journal-title“：”IEEE Trans.Ind.Electron.“}，{”key“：”10.1016\/j.asoc.2021.107817_52“，”DOI-asserted-by“：“10.1016\/j.knosys.2020.105843”，“article-title”：“使用深度对抗性神经网络预测机械剩余使用寿命的数据比对”，“volume”：“197”，“author”：“Li”，”year“：“2020”，“journal-title“：”Knowledge-Based Syst.“}，{”issue“：”1“，”key“：”10.1016\/j.asoc.2021.107817_b3“，”doi-asserted-by“：”crossref“，”first page“：“122644”，“doi”：“10.1109\/ACCESS.2019.2938227”，“article-title”：“机械故障检测与诊断深度学习模型的挑战与机遇：综述”，“volume”：“7”，“author”：“Saufi”，“year”：“2019”，“journal-title“：IEEE ACCESS”}，{“issue”：“1\u20132”，“key”：”10.1016\/j.asoc.2021.107817_b4“，”doi-asserted-by“：”crossref“，“first-page”：“314”，“doi”：“10.1016\/j.ymssp.2013.06.004”，“article-title”：“旋转机械系统的预测和健康管理设计——综述、方法和应用”，“volume”：“42”，“author”：“Lee”，“year”：“2014”，“journal-title“：”Mech.Syst.Signal Process.“}，{“issue”：“1”，“key”：”10.1016\/j.asoc.2021.107817_b5“，”doi-asserted-by“：”crossref“，”first page“1”，“DOI”：“10.1016\/j.ejor.2010.11.018”，“article-title”：“剩余使用寿命估算-统计数据驱动方法综述”，“volume”：“213”，“author”：“Si”，“year”：“2011”，“journal-title“：”European j.Oper.Res.“}，{“key”：”10.1016\/j.asoc.2021.107817_b6“，”DOI-asserted-by“：”crossref“，”first page“162415”，“DOI.”：“10.1109\/ACCESS.2019.2950985”，“article-title”：“预测与健康管理中的深度学习应用综述”，“volume”：“7”，“author”：“Zhang”，“year”：“2019”，“journal-title“：”IEEE ACCESS“}，{“issue”：“7'，“key”：”10.1016\/j.asoc.2021.107817_b7“，”doi-asserted-by“：”crossref“，”doi“：”10.3390\/app8071102“，”article-title“：“基于连续小波变换和卷积神经网络的轴承剩余使用寿命预测的新图像特征”，“卷”：“8”，“作者”：“Yoo”，“年份”：“2018”，“期刊标题”：“应用科学”}，{“问题”：“2”，“关键”：“10.1016\/j.asoc.2021.107817_58”，“doi-asserted-by”：“交叉引用”，“首页”：“443”，“doi”：“10.1109\/TIM.2019.2903699”，“article-title”：“一种通过自适应深度特征匹配在线检测滚动轴承早期故障的新方法”，“volume”：“69”，“author”：“Mao”，“year”：“2020”，“journal-title“：”IEEE Trans.Instrum.Meas.“}，{”issue“：”11“，”key“：”10.1016\/j.asoc.2021.107817_59“，”doi-asserted-by“：”crossref“，”first-page“：”1“，”doi“：“10.1007”，“s40430-019-2010-6”，“article-title”：“基于多尺度卷积神经网络构建滚动轴承寿命健康指标的方法”，“volume”：“41”，“author”：“Wu”，“year”：“2019”，“journal-title“：”J.Brazilian Soc.Mech.Sci.Eng.“}，{“issue”：“1”，“key”：”10.1016\/J.asoc.2021.107817_b10“，”first page“38”，“article-title”：“使用振动信号进行旋转机械状态监测的变模式分解”，“卷”：“35”，“作者”：“Isham”，“年份”：“2018年”，“期刊标题”：“南京航空航天大学学报”}，{“key”：“10.1016\/j.asoc.2021.107817_b11”，“doi-asserted-by”：“crossref”，”第一页“：”52588“，”doi“：”10.1109\/ACCES.2020.2981072“，“article-title”：“使用贝叶斯优化调整深度神经网络超参数时的基本增强策略”，“volume”：“8”，“author”：“Cho”，“year”：“2020”，“journal-title“：”IEEE Access“}，{“key”：”10.1016\/j.asoc.2021.107817_b12“，”article-title“：“结合变化点检测和剩余使用寿命预测的双-LSTM框架”，“卷”：“205”，“作者”：“史”，“年份”：“2020”，“日志标题”：“Reliab.Eng.Syst.Saf.”}，{“问题”：“xxxx”，“关键”：“10.1016\/j.asoc.2021.107817_b13”，“doi-asserted-by”：“crossref”，《首页》：“471”，“doi”：“10116\/j.isatra.2019.08.58”，“文章标题“”：“使用支持向量机和混合退化跟踪模型预测轴承剩余使用寿命”，“体积”：“98”，“作者”：“Yan”，“年份”：“2020”，“期刊标题”：“ISA Trans.”}，{“问题”：“四月”，“关键”：“10.1016\/j.asoc.2021.107817_b14”，“文章标题”：“预测剩余使用寿命：通过变化贝叶斯推断解释的深度学习方法”，“卷”：“125”，“作者”：“克劳斯”，“年份”：“2019”，“日志标题”：“决策支持系统”}，{“键”：“10.1016\/j.asoc.2021.107817_b15”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.ymssp.2019.106330”，《文章标题》：“用于机械剩余使用寿命预测的深度可分离卷积网络”，“卷”：“134”，“作者”：“王”，“年份”：“2019”，“日志标题”：“机械系统信号处理”}，{“问题”：“18”，“键”：“10.1016\/j.asoc.2021.107817_b16”，“doi-asserted-by”：“crossref”，《首页》：“3224”，“doi”：“101177\/0954406217734885”，“文章标题”：“基于高频振动特征的滚珠轴承剩余使用寿命预测”，“体积”：“232”，“作者”：“Behzad”，“年份”：“2018年”，“日记标题”：“Proc.Inst.Mech.Eng.Part C J.Mech.Engin.Sci.”}，{“问题”：“六月”，“关键”：“10.1016\/J.asoc.2021.107817_b17”，“doi-asserted-by”：“交叉引用”，“首页”：“78”，“doi”：“101016\/jmsy”。2018.05.011“，“article-title”：“机器剩余寿命预测的长-短期记忆”，“volume”：“48”，“author”：“Zhang”，“year”：“2018”，“journal-title“：”J.Manuf.Syst.“}，{“key”：”10.1016\/J.asoc.2021.107817_b18“，”unstructured“：”R.Pascanu，T.Mikolov，Y.Bengio，《关于训练递归神经网络的困难》，in:30th Int.Conf。机器。学习。ICML 2013，第3部分，2013年，第2347\u20132355页。参考“，”首页”：“213”，“DOI”：“10.1016\/j.ymssp.2018.05.050”，“文章标题”：“深度学习及其在机器健康监测中的应用”，“卷”：“115”，“作者”：“Zhao”，“年份”：“2019”，“期刊标题”：“Mech。系统。信号处理。“}，{”issue“：”5“，”key“：”10.1016\/j.asoc.2021.107817_b21“，”first page“：：“crossref”，“doi”：“10.1088\/1361-6501\/aae5b2”article-title“：“弹性叠层稀疏自动编码器差分进化优化及其在轴承故障诊断中的应用”，“卷”：“29”，“作者”：“沙特”，“年份”：“2018年”，“期刊标题”：“测量”。科学。Technol公司。“}，{”issue“：”2017“，”key“：”10.1016\/j.asoc.2021.107817_b23“，”doi-asserted-by“：”crossref“，”first page“：“1”，”doi“：”101016\/j.ress.2017.11.021“，”article-title“：”使用深度卷积神经网络进行预测中的剩余有效寿命估计“，”volume“:”172“，“author”：“Li”，“year”：“2018”，“journal-title”：“Reliab.Eng.Syst.Saf.”}，{“键”：“10.1016\/j.asoc.2021.107817_b24“，”doi-asserted-by“：”crossref“，”first page“：”13“，”doi“：”10.1155\/2018\/3145947“，”article-title“：”结合稀疏自动编码器和田口方法的新广义深度学习框架，用于新数据分类和处理“，”volume“：“2018”，”author“：”Karim“，”year“：”2018“，”journal title“：“Math”。问题。Eng.“}，{”key“：”10.1016\/j.asoc.2021.107817_b25“，”doi-asserted-by“：”crossref“，”first page“：“1”，“doi”：“10.1016\/j.knosys.2017.0.024”，“article-title”：“使用带极限学习机的深小波自动编码器对滚动轴承进行智能故障诊断”，“volume”：“140”，“author”：“Haidong”，“year”：“2018”，“journal-title“：”Knowledge-Based Syst.“}”，{“key”：“10.1016\/j.asoc.2021.107817_26”，“doi断言者”：“crossref”，“首页”：“343”，“doi”：“10.1016\/j.isatra.200.06.023”，“文章标题”：“基于注意力有序神经元的LSTM网络用于齿轮剩余寿命预测”，“卷”：“106”，“作者”：“翔”，“年”：“2020”，“期刊标题”：“ISA Trans。“}，{”issue“：”1“，”key“：”10.1016\/j.asoc.2021.107817_b27“，”doi-asserted-by“：”crossref“，”first-page“：”666“，”doi“：”101186\/s40537-020-00352-3“，”article-title“：”通过测量成对约束不确定性进行约束特征选择的新方法“，”volume“：“7”，”author“：”Rostami“，“year”：“2020”，”journal-title”：“j.Big Data”}，”{“issue“：”12“，”key“：“10.1016\/j.asoc.2021.107817_b28”，”doi-asserted-by“：”crossref“，”first page“：”1“，”doi“：”10.1371\/journal.pone.0189143“，“article-title”：“一种改进的基于包装器的机械故障诊断特征选择方法”，“volume”：“12”，“author”：“Hui”，“year”：“2017”，“journal-title“：”“PLoS One”}，{“key”：”10.1016//j.asoc.2021.1078 17_b29“，”非结构化“：”P.Nectoux\u00a0others，PRONOSTIA：轴承加速退化试验的实验平台。引用此版本：HAL Id:HAL-00719503 PRONOSTIA:轴承加速退化试验的实验平台，2012。“}，{“key”：“10.1016\/j.asoc.2021.107817_b30”，“doi-asserted-by”：“crossref”，“first page”：”953“，“doi”：“10.4028\/www.science.net\/AMM.393.953”，“article-title”：“小波分析：母小波选择方法”，“volume”：393“，”author“：”Ngui“，”year“：”2013“，”journal-title“：”Appl。机械。马特。“}，{”issue“：”2018“，”key“：”10.1016\/j.asoc.2021.107817_b31“，”doi-asserted-by“：”crossref“，”first page“：“208”，”doi“：”101016\/j.ress.2018.11.011“，“article-title”：“使用多尺度特征提取的基于深度学习的轴承剩余使用寿命估算”，“volume”：“182”，“author”：“Li”，‘year’：“2019”，“journal-title“：”Reliab.Eng.Syst.Saf.“}，{“key”：“10.1016\/j.asoc.2021.107817_b32”，“doi-asserted-by”：“crossref”，“unstructured”：“E.Sutrisno，H.Oh，A.S.Vasan，M.Pecht，使用数据驱动方法估算滚珠轴承的剩余使用寿命，2012 IEEE Conf.Progn.Heal.Manag.vol.2，2012，pp.1\u20137，http://dx.doi.org\/10.109\/ICPHM.2012.6299548.”，“doi”：“10.1109\/ICPHM.2012.6299548”}，{“issue”：“2”，“key”：“10.1016\/j.asoc.2021.107817_b33”，“doi-asserted-by”：“crossref”，“first page”：”1549“，”doi“：”10.1109\/TIE.2017.2733469“：“Liu”，“year”：“2017”，“journal title”：“IEEE Trans.Ind.Electron.”}，{“key”：“10.1016\/j.asoc.2021.107817_b34”，“doi断言”：“crossref”，“nonstructured”：“Y.Lei，N.Li，S.Gontarz，j.Lin，S.Radkowski，j.Dybala，基于模型的机械剩余使用寿命预测方法，65（3）（2016）1314\u20131326.”，“doi”：“10.1109\/TR.2016.2570568”}，{“key”：“10.1016\/j.asoc.2021.107817_b35”，“doi-asserted-by”：“crossref”，“首页”：“98”，“doi”：“101016\/j.neucom.2017.02.045”，“article-title”：“基于递归神经网络的轴承剩余使用寿命预测健康指标”，“volume”：”240“author”：“Guo”，“year”：“2017”，“journal-title“：”Neurocomputing“}”，{“key”：“10.1016\/j.asoc.2021.107817_b36”，“非结构化”：“R.T.S.j.Lee，H.Qiu，G.Yu，j.Lin，IMS，辛辛那提大学。\u2018Bearing Data Set，\u2019 NASA Ames Prognostics Data Repository，2007.”}]，“container-title”：[“应用软计算”]，“原始标题”：[]，“language”：“en”，“link”：[{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S1568494621007389？httpAccept=text\.xml”，“content-type”：“text\/xml”，“内容-版本”：“vor”，“intended-application”：“text-mining”}，{“URL”：“http:\/\-api.elsever.com/content\/article \/PII:S1568494 621007389-httpAccept=text\/plain”，“content-type“：”text\/prain“，”content-vers离子“：”vor“，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2023,4,15]]，“date-time”：“2023-04-15T12:16:37Z”，“timestamp”：1681560997000}，“score”：1，“resource”：{primary“：{”URL“https:\/\/linkinghub.elsevier.com\/retrieve\/pii\/S1568494621007389”}}，”subtitle“：[]，”shorttitle“：[]，”issued“日期parts“：[[2021,11]]}，“references-count”：36，“alternative-id”：[“S1568494621007389”]，“URL”：“http://\/dx.doi.org\/10.1016\/j.asoc.2021.107817”，“relation”：{}，“ISSN”：【“1568-4946”】，“ISSN-type”：[{“value”：“1568-49”，“type”:“print”}]，“subject”：[]，“published”：{“date-parts”：[2021,11]}，”assertion“:[{”value“Elsevier”“，”name“：”publisher“，”label“：”本文由“}，{”value“维护”：“使用集成Laplacian-LSTM网络对机械部件进行剩余使用寿命预测”，“name”：“articletitle”，“label”：“Article Title”}，{“value”：“Applied Soft Computing”，“name:”journaltitle“，”label“：”Journal Title“}，”value“：”https:\/\/doi.org\/10.1016\/j.asoc.2021.107817“，”name“：”articlelink“，”标签“”：“CrossRef DOI link to publisher maintained version”}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}