{“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”：[[2024,6,20]]，“日期-时间”：“2024-06-20T10:31:39Z”，“时间戳”：1718879499276}，“引用-计数”：83，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：{“日期-零件”：[2022,6,1]]，”日期-时间“：”2022-06-01T00:00:00 0:00Z“，”时间戳“：1654041600000}，”内容-版本“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[[2024,4,28]]，“date-time”：“2024-04-28T00:00:00Z”，“timestamp”：1714262400000}，“content-version”：“am”，“delay-in-days”：697，“URL”：“http://\/www.elsevier.com\/open-access\/user”license\/1.0\/“}，{“start”：{“date-parts”：[[2022,6,1]]，“date-time”：“2022-06-01T00:00:00Z”，“timestamp”：1654041600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-017”}，{“start”：{“date-parts”：[[2022,6,1]]，“date-time”：“2022-06-01T00:00Z”，”timestamp“16540416000}，”content-versiion“：”stm-asf'，“delay”in-days“：0，”URL“：”https:\/\/doi.org\/10.15223\/policy-037“}，{“start”：{“date-parts”：[[2022,6,1]]，“date-time”：“2022-06-01T00:00:00Z”，“timestamp”：1654041600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-012”}，{“start”：{（日期）parts“：[2022,6,1]，”date-time“：”2022-06-01T00:00:00Z“，”timestamp“：165 4041600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-029”}，{“start”：{“date-parts”：[[2022,6,1]]，“date-time”：“2022-06-01T00:00:00Z”，“timestamp”：1654041600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“http:\/\/doi.org\/10.15223\/policy-004”}]，“出资人”：[{“doi”：“10.13039 \/100000001“，”name“：”国家科学基金会“，”doi-asserted-by“：”publisher“，“奖项”：[“IIP-1919265”]}，{“DOI”：“10.13039\/100009227”，“名称”：“爱荷华州立科技大学”，“DOI-asserted-by”：“publisher”}]，“内容域”：{“domain”：[”elsevier.com“，”sciencedirect.com“]，“crossmark-restriction”：true}，“short-container-title”：[）神经计算“]，”published-print“：{”date-parts“：[2022,6]}”，“内政部“：“10.1016\/j.neucom.2021.2.035”，“type”：“journal-article”，“created”：{“date-parts”：[2021,12,18]]，“date-time”：“2021-12-18T16:17:50Z”，“timestamp”：1639844270000}，“page”：”575-596“，“update-policy”：：“http://\/dx.doi.org\/10.10016\/elsevier_cm_policy“，”source“：”Crossref“，“is-referenced-by-count”：20，“标题“：[“使用工业标准进行轴承预测的概率LSTM预测和校正的集合”]，“前缀”：“10.1016”，“卷”：“491”，“作者”：[{“给定”：“Venkat P.”，“家族”：“Nemani”，“序列”：“第一”，“从属”：[]}，{“已知”：“郝”：“additional”，“affiliation”：[]}，{“given”：“Chao”，“family”：“Hu”，“sequence”：“additive”，“filiation“：[]{”given“：”Andrew T.“，”family“：”Zimmerman“，”sequence“：”additional“，”affiliance“：[]}]，“member”：“78”，“reference”：[{“key”：”10.1016\/j.neucom.2021.035_b0005“，”doi-asserted-by“”：”crossref“，“first-page”：“799”“，”doi“：”10.1016\/j.ymssp.2017.11.016“，“文章标题”：“机械健康预测：从数据采集到RUL预测的系统综述”，“卷”：“104”，“作者”：“雷”，“年份”：“2018”，“期刊标题”：“机械系统信号处理”}，｛“问题”：“5”，“关键”：“10.1016\/j.neucom.202.11.035_b0010”，“doi断言”：“crossref”，“首页”：“1803”，“doi”：“10.1016\/j.ymssp.2010.11.018”，“article-title”：“按行业估算剩余使用寿命的预测建模选项”，“volume”：“25”，“author”：“Sikorska”，“year”：“2011”，“journal-title“：”机械系统信号处理“}，{“issue”：“2”，“key”：”10.1016\/j.neucom.2021.035_b0015“，”doi-asserted-by“：”crossref“，”first page“：”728“，”doi“：”10.1109\/TR.2019.2930195“，”article-Ti tle“：“故障预测与应用\u2014a最新文献综述”，“卷”：“70”，“作者”：“Kordestani”，“年份”：“2021”，“期刊标题”：“IEEE Trans.Reliab.”}，{“key”：“10.1016\/j.neucom.2021.035_b0020”，“series-title”：“2017年预测与系统健康管理会议（PHM-Harbin）”，“首页”：“1”，”文章标题“：“结合巴黎定律和可靠性方法预测滚动轴承”，“作者”：“Behzad”，“年份”：“2017”}，{“问题”：“1”，“关键”：“10.1016\/j.neucom.2021.0235_b0025”，“doi-asserted-by”：“crossref”，“首页”：“529”，“doi”：“101109\/TIE.2018.2811366”，“文章标题”：“电机滚动轴承退化数据驱动的故障时间预测方法”，“卷”：“66”，“作者”：“Wu”，“年份”：“2019”，“期刊标题”：“IEEE Trans.Ind.Electron.”}，{“问题”：“4”，“关键”：“10.1016\/j.neucom.2021.035_b0030”，“doi-asserted-by”：“crossref”，“首页”：“1331”，“doi”：“101109\/TR.2017.2739126”，“article-title”：“轴承退化信号的统计建模”，“volume”：“66”，“author”：“Wang”，“year”：“2017”，“journal-title“：”IEEE Trans.Reliab.“}，{“issue”：“11”，“key”：”10.1016\/j.neucom.2021.035_b0035“，”doi-asserted-by“：”crossref“，”first page“：”4181“，”doi“：”10.1109\/JSEN.2019.2898634“，”article-title“：“基于物理的滚动轴承故障诊断卷积神经网络”，“卷”：“19”，“作者”：“Sadoughi”，“年份”：“2019”，“期刊标题”：“IEEE Sens.J.”}，{“关键”：“10.1016\/J.neucom.2021.035_b0040”，“doi-asserted-by”：“crossref”，《首页》：“104295”，“doi”：“101016\/J.engappai.2021.104295”：“一种基于物理的轴承故障检测深度学习方法”，“卷”：“103”，“作者”：“沈”，“年份”：“2021”，“期刊标题”：“Eng.Appl.Artif.Intell.”}，｛“问题”：“1”，“密钥”：“10.1016\/j.neucom.202.11.035_b0045”，“doi断言”：“crossref”，“首页”：“11”，“doi”：“10.1080\/10402000108982420”，“文章标题”：“滚珠轴承新的基于应力的疲劳寿命模型”，“卷”：“44”，“作者”：“Yu”，“年份”：“2001”，“日志标题”：“Tribol.Trans.”}，{“问题”：“4”，“关键”：“10.1016\/j.neucom.2021.035_b0050”，“doi-asserted-by”：“crossref”，“首页”：“63”，“doi”：“101109\/MIAS.2015.2459117”，“article-title”：“逆变器驱动轴承的使用寿命：从局部维护到预测的方法和研究方向”，“卷”：“22”，“作者”：“Muetze”，“年份”：“2016年”，“期刊标题”：“IEEE Ind.Appl.Mag.”}，{“问题”：“3”，“关键”：“10.1016\/j.neucom.2021.0235_b0055”，“doi-asserted-by”：“crossref”，“首页”：“1781”，“doi”：“101109\/TIE.2014.236616”，“文章标题”：“用于轴承剩余使用寿命估计的扩展卡尔曼滤波”，“卷”：“62”，“作者”：“Singleton”，“年份”：“2015”，“期刊标题”：“IEEE Trans.Ind.Electron.”}，｛“问题”：“3”，“密钥”：“10.1016\/j.neucom.202.11.035_b0060”，“doi断言者”：“crossref”，“首页”：“924”，“doi”：“10.1109\/TII.2016.2535368”，“文章标题”：“轴承退化问题的基于数据的两阶段预测方法”，“卷”：“12”，“作者”：“王”，“年份”：“2016”，“日志标题”：“IEEE Trans.Ind.Inform.”}，{“问题”：“11”，“关键”：“10.1016\/j.neucom.2021.035_b0065”，“doi-asserted-by”：“crossref”，“首页”：“2599”，“doi”：“101109\/TIM.2014.2313034”，“文章标题”：“使用递归定量分析和卡尔曼滤波器进行轴承退化评估”，“卷”：“63”，“作者”：“钱”，“年份”：“2014年”，“日志标题”：“IEEE Trans.Instrum.Meas.”}，{“问题”：“9”，“键”：“10.1016\/j.neucom.2021.0235_b0070”，“doi-asserted-by”：“crossref”，“首页”：“2046”，“doi”：“101109\/TIM.2016.270398”，“文章标题”：“轴承异常检测和故障预测”，“卷”：“65”，“作者”：“金”，“年份”：“2016年”，“期刊标题”：“IEEE Trans.Instrum.Meas.”}，{“关键”：“10.1016\/j.neucom.2021.035_b0075”，“非结构化”：“C.Anger，R.Schrader，and U。Klingauf，\u201cUnscented Kalman滤波器与轴承故障预测的高斯过程退化模型，\u201 d 2012.“}，{”key“：”10.1016\/j.neucom.2021.0235_b0080“，”doi-asserted-by“：”crossref“，”first page“：“678”，“doi”：“10.1016\/j.measurement.208.12.028”，“article-title”：“滚动轴承剩余使用寿命预测的新型切换无中心卡尔曼滤波方法“，”volume“：”135“，”author“：”Cui“，”year“：”2019“，”journal-title“：”Measurement“}，{“issue”：“4”，“key”：“10.1016\/j.neucom.2021.035_b0085”，“doi-asserted-by”：“crossref”，“first page”：”3394“，”doi“10.1109\/TIA.2019.2907666”，“article-title”：“轴承故障预测的数据驱动方法”，“卷”：“55”，“作者”：“金”，“年份”：“2019年”，“期刊标题”：“IEEE Trans。Ind.申请。“}，{”issue“：”5“，”key“：”10.1016\/j.neucom.2021.12.035_b0090“，”doi-asserted-by“：”crossref“，”first page“：“2464”，”doi“：”101109\/TIE.2013.227022“，”article-title“：”使用遗传编程在剩余使用寿命预测中发现预测特征“，”volume“:”61“，”author“：”Liao“，“year”：“2014”，”journal-title:“IEEE Trans.Ind.Electron.”}，}“issue“：”12“，”key“：”10.1016\/j.neucom.2021.0235_b0095“，”doi-asserted-by“：”crossref“，”first-pages“：”7762“，”doi“：”101109\/TIE.2015.2455055“，”article-title“：”预测滚动轴承剩余使用寿命的改进指数模型“，”volume“：“62”，“author”：“Li”，“year”：“2015”，“journal-title”：“IEEE Trans。Ind.Electron公司。“}，{”key“：”10.1016\/j.neucom.2021.12.035_b0100“，”doi-asserted-by“：”crossref“，”first page“：“549”，“doi”：“10.1016\/j.ymssp.2016.06.031”，“article-title”：“滚动轴承剩余使用寿命预测的多时间尺度方法”，“volume”：“83”，“author”：“Qian”，“year”：“2017”，“journal-title“：”Mech.Syst.Signal Process.“}”，{“issue”：”3“，”键“：”10.1016\/j.neucom.2021.0235_b0105“，“doi-asserted-by”：“crossref”，“first page”：“694”，“doi”：“10.1109\/TIE.2004.824875”，“article-title”：“基于振动降解信号的剩余寿命预测：神经网络方法”，“volume”：”51“，“author”：“Gebraeel”，“year”：“2004”，“journal-title“：”IEEE Trans。Ind.Electron公司。“}，{”key“：”10.1016\/j.neucom.2021.12.035_b0110“，”doi-asserted-by“：”crossref“，”unstructured“：”R.Huang，L.Xi，X.Li，C.Richard Liu，H.Qiu，and j.Lee，基于自组织映射和反向传播神经网络方法的滚珠轴承剩余寿命预测，\u201d机械系统信号处理，21（1）第193\u2013207页，2007年1月，doi:10.1016\/j.ymssp.2005.11.008.“，”doi“：”10.1016\/j.ymssp.2005.11.008“}，{“key”：“10.1016\/j.neucom.2021.035_b0115”，“doi-asserted-by”：“crossref”，“unstructured”：“F.O。Heimes，\u201cRecurrent neural networks for remain usive life estimation，《用于剩余寿命估算的递归神经网络》，《2008年国际预测与健康管理会议》，2008年10月，第1\u20136页。doi:10.1109\/PHM.2008.4711422.“，”doi“：”10.1109\/PHM.2008.4711422“}，{“key”：“10.1016\/j.neucom.2021.12.035_b0120”，“doi-asserted-by”：“crossref”，“first page”：”98“，”doi“：，“年份：“2017年”，“期刊标题”：“神经计算”}，{“问题”：“7”，“关键”：“10.1016\/j.neucom.2021.12.35_b0125”，“doi-asserted-by”：“crossref”，“首页”：“1751”，“doi”：“101016\/j.engappai.2013.02.006”，“文章标题”：”：“基于非线性特征约简和支持向量回归的剩余使用寿命估算”，“数量”：“26”，“作者”：“Benkedjouh”，“年份”：“2013年”，“新闻标题”：“工程应用。Artif公司。智力。“}，{”issue“：”4“，”key“：”10.1016\/j.neucom.2021.0235_b0130“，”doi-asserted-by“：”crossref“，”first page“：“821”，”doi“：”101109\/TR.2013.2285318“，”article-title“：”利用数据驱动的概率E-support向量回归估计滚动轴承的剩余使用寿命“，”volume“：IEEE传输。Reliab公司。“｝，｛”issue“：”1“，”key“：”10.1016\/j.neucom.20112.035_b0135“，”doi断言“：”crossref“，”首页“：”52“，”doi“：”10.1109\/TIM.2042.230494“，”文章标题“：”基于Hilbert-Huang变换、支持向量机和回归的轴承健康监测“，”卷“：”64“，”作者“：”Soualhi“，”年份“：”2015“，”期刊标题“：”IEEE Trans.Instrum.Meas.“｝，{“key”：“10.1016\/j.neucom.2021.12.035_b0140”，“doi-asserted-by”：“crossref”，“首页”：“405”，“doi”：“101016\/j.ymssp.2012.03.011”，“article-title”：“相关向量机与指数回归相结合用于轴承剩余寿命估算”，“volume”：”31“，”author“：”Di Maio“，”year“：”2012“，”journal-title“：”Mech.Syst.Signal Process“}，{“issue”：“1”，“key”：“10.1016\/j.neucom.2021.0235_b0145”，“doi-asserted-by”：“crossref”，“first page”：《401》，“doi”：“101109\/TR.2018.2882682”，“article-title”：“估算滚动轴承剩余使用寿命的混合预测方法”，“volume”:“69”，“author”：“Wang”，“year”：“2020”，“journal-title“：”IEEE Trans.Reliab.“}，{”key“：“10.1016\/j.neucom.2021.0235_b0150”，“doi-asserted-by”：“crossref”，“unstructured”：“Y.LeCun，Y.Bengio，and G.Hinton，\u201cDeep learning，\u201 d Nature，521（7553），Art.no.7553，May 2015，doi:10.1038\/nature14539.”，“doi”：“10.1038\/hature14539”}，{“key”：“1016\/j.neucom.2021.12.035_b055”，“doi-asserted-by”“交叉引用”，“首页”：“106330”，“doi”：“10.1016\/j.ymssp.2019.106330”，“article-title”：“机械剩余使用寿命预测的深度可分离卷积网络”，“volume”：“134”，”author“：”Wang“，”year“：”2019“，”journal-title“：”Mech.Syst.Signal Process.“}，{“key”：”10.1016\/j.neucom.2021.12.035_b0160“，”doi-asserted-by“：”crossref“，”first page“：”123“，”doi“：“10.1016\/j.procs.2018.01.106”，“article-title”：“基于卷积长短期记忆网络的滚动元件轴承剩余使用寿命估算”，“volume”：“127”，“author”：“Hinchi”，“year”：“2018”，“journal-title“：”Procedia Compute.Sci.“}，{“key”：”10.1016\/j.neucom.201.12.035_b0165“，”doi-asserted-by“：”crossref“，”unstructured“Y”。Yoo和J.-G.Baek，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型图像特征，应用。科学。，8（7），第7条，2018年7月，doi:10.3390\/app8071102.“，”doi“：”10.3390\/app8071102“}，{“key”：“10.1016\/j.neucom.2021.12.035_b0170”，“doi-asserted-by”：“crossref”，“first page”：”13041“，”doi“：“：”任“，”year”：“2018”，“期刊标题”：“IEEE Access”}，｛“key”：“10.1016\/j.neucom.202.11.035_b0175”，“doi断言”：“crossref”，“首页”：“208”，“doi”：“10.1016\/j.res.20.11.011”，“文章标题”：“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计”，“volume”：“182”，“author”：“Li”，“year”：“2019”，“新闻标题“：”Reliab。工程系统。安全。“}，{”key“：”10.1016\/j.neucom.2021.12.035_b0180“，”doi-asserted-by“：”crossref“，”first page“：“117”，“doi”：“10.1016\/j.nucom.2019.0.064”，“article-title”：“递归卷积神经网络：机械剩余使用寿命预测的新框架”，“volume”：“379”，“author”：“Wang”，“year”：“2020”，“journal-title“：”Neurocomputing“}”，{“issue”：”3“，”key“：“10.1016\/j.neucom.2021.12.035_b0185”，”doi-asserted-by“：”crossref“，”first page“：”2283“，”doi“：”10.1109\/TIE.2019.2907440“，”article-title“：”Bayesian Deep-Learning-Based Health Prognostics Toward Prognostics Uncertainty“，”volume“:”67“，”author“：”Peng“，”year“：”2020“，”journal-title”：“IEEE Trans。Ind.Electron公司。“}，{”key“：”10.1016\/j.neucom.2021.0235_b0190“，”series-title“：”2016 IEEE国际航空通用系统会议（AUS）“，”首页“：”135“，”article-title“：“利用LSTM神经网络对航空发动机进行故障诊断和剩余使用寿命估算”，“author”：“Yuan”，“year”：“2016”}，“key”：“10.1016\\j.neucomm.2021.035_b0195”，“非结构化“：”P.Malhotra等人，基于LSTM编码器-解码器的使用无监督健康指数的u201cMulti-Sensor预测，\u201d ArXiv160806154 Cs，2016年8月，查阅日期：2021年2月1日。[在线]。可用：http:\/\/arxiv.org/abs\/1608.016154。“｝，｛”issue“：”11“，”key“：”10.1016\/j.neucom.20112.035_b0200“，”doi asserted by“：”crossref“，”首页“：”8792“，”doi“：”10.1109\/TIE.20192891463“，”文章标题“：”多种操作条件下的双向LSTM预测方法“，”卷“：”66“，”作者“：”Huang“，”年份“：”2019“，”期刊标题“：”IEEE传输。Ind.Electron公司。“}，{”key“：”10.1016\/j.neucom.2021.0235_b0205“，”doi-asserted-by“：”crossref“，”first page“：“104748”，”doi“：”101016\/j.connengprac.2021.04748“，”article-title“：”使用基于深度递归神经网络的方法预测离子蚀刻机冷却系统的剩余使用寿命“，”volume“：109”，“author”：“Wu”，“year”：“2021”，“journal-title”：“”控制工程实践。“}，{”key“：”10.1016\/j.neucom.2021.12.035_b0210“，”doi-asserted-by“：”crossref“，”unstructured“：”W.Mao，j.He，j.Tang，and Y.Li，\u201c基于深度特征表示和长短期记忆神经网络预测滚动轴承的剩余使用寿命，《高级机械工程》，10（12），p.1687814018817184，2018年12月，doi:10.1177，“，”doi“：”10.1177，”key“：”101016，”j.neucom.2021.035_b0215“，”doi-asserted-by“：”crossref“，”first page“：“12868”，”doi:“10.1109”JSEN.2020.3033153“，“article-title”：“工业过程监测、控制和优化用软传感器综述”，“卷”：“21”，“作者”：“江”，“年份”：“2021”，“期刊标题”：“IEEE Sens.J.”}，{“关键”：“10.1016\/J.neucom.2021.035_b0220”，“非结构化”：“Y.Gal和Z。Ghahramani，《用贝叶斯近似表示模型不确定性：深度学习中的模型不确定性》，《机器学习国际会议》，2016年6月，第1050\u20131059页。访问日期：2020年11月5日。[在线]。可用：http://\/crocesses.mlr.press\/v48\/gal16.html。“}，{”问题“：”3“，”密钥“：”10.1016\/j.neucom.2021.0235_b0225“，”doi-asserted-by“：”crossref“，”首页“：”735“，”doi“：”101109\/TIA.2004.827454“，”文章标题“：”电机滚动轴承故障分类和故障特征生成“，”卷“：”40“，”作者“：”Stack“，”年份“：”2004“，”日志标题“：“IEEE Trans.Ind.Appl.”}key“：”10.1016\/j.neucom.2021.0235_b0230“，”非结构化“：”j.I.Taylor，《振动分析手册：解决旋转机械问题的实用指南》。VCI，2003.“}，{”问题“：”1“，”键“：”10.1016\/j.neucom.2021.12.035_b0235“，”doi-asserted-by“：”crossref“，”首页“：”149“，“doi”：“10.1109\/TE.2002.808234”，“article-title”：“轴承故障检测的基本振动信号处理”，“volume”：“46”，“author”：“McInerny”，“year”：“2003”，“journal-title“：”IEEE Trans.Educe.“}”，{“key”“：”10.1016\/j.neucom.2021.0235_b0240“，“非结构化”：“\u201c文献库，\u201d罗克韦尔自动化。https://www.rockwellautomation.com\/en-us\/support\/documentation\/literature-library.html（2020年10月28日访问）。“}，{”key“：”10.1016\/j.neucom.2021.0235_b0245“，”series-title“：”基本机械振动：机器测试、分析和监测简介“，”author“：”Eshleman“，”year“：”1999“}”，{“key”：“10.1016\/j.nucom.2021.023.5_b0250”，“非结构化”：“14:00-17:00，\u201cISO 10816-3:2009，\u201 d ISO。https:\/\/www.iso.org\/cms\/render\/live\/en\/sites\/isoorg\/contents\/data\/standard\/05\/0528.html（2020年10月28日访问）。“}，{”key“：”10.1016\/j.neucom.2021.0235_b0255“，”unstructured“：”\u201cSensor Selection Guide.\u201d Wilcoxon Research.[Online]。可用：https:\/\/Wilcoxon.com\/wp-content\/uploads\/2018\/11\/TN16_Sensor-Selection-Guide_2018.pdf.“}参考“，”首页“：”550“，”doi“：”10.20965\/ijat.2013.p0550“，“文章标题”：“使用压电冲击传感器检测滚柱轴承故障的新方法”，“卷”：“7”，“作者”：“Henmi”，“年份”：“2013年”，“期刊标题”：《国际汽车杂志》。Technol公司。“}，{”issue“：”6“，”key“：”10.1016\/j.neucom.2021.0235_b0265“，”doi-asserted-by“：”crossref“，”first page“：“065008”，”doi“：”101088\/0143-0807\/37\/6\/065008“，”article-title“：”Beyond velocity and acceleration:jerk，snap and higher derivatives“，“volume”：“37”，“author”：“Eager”，“year”：“2016”，“journal-title”：“Eur.j.Phy“}，{”键“：”10.1016\/j.neucom.2021.0235_b0270“，“series-time”：“快速傅里叶变换和卷积算法”，“首页”：“80”，“article-title”：“快傅里叶转换”，“作者”：“Nussbaumer”，“年份”：“1981”}，{“密钥”：“10.1016\/j.nucom.2021.035_b0275”，“series-title）：“贝叶斯理论”，“author”：“Bernardo”，“年”：“2009”}、{“key”：”10.1016\/j.neucom.2021.12.035_b0280“，“首页”：“6402”，“文章标题”：“使用深度集成进行简单且可扩展的预测不确定性估计”，“卷”：“30”，“作者”：“拉克希米纳拉亚南”，“年份”：“2017”，“期刊标题”：《高级神经信息处理》。系统。“｝，｛”key“：”10.1016\/j.neucom.2021.12.035_b0285“，”非结构化“：”j.Gu et al.，\u201c卷积神经网络的最新进展，\u201d ArXiv151207108 Cs，2017年10月，访问时间：2020年12月31日。[在线]。可用信息：http://\/arxiv.org\/abs\/1512.07108.“}，{”key“：”10.1016\/j.neucom.2021.12.035_b0290“，”doi-asserted-by“：”crossref“，”first page“：“71”，”doi“：”101016\/j.neucomm.2019.09.070“，”article-title“：”DeepETC：用于调查和分类电子传输链\u2019s复合体的深卷积神经网络架构“，”volume“”：“375”，“作者“：”Le“，”year“：”2020“，”journal-title“：”Neurocomputing“}，{”key“：”10.1016\/j.neucom.2021.12.035_b0295“，”doi-asserted-by“：”crossref“，“first page”：“104171”，“doi”：“10.1016\/j.chemolab.200.104171”、“article-title”：“结合卷积神经网络和序列图变换识别多标签蛋白赖氨酸PTM位点”，“volume”：”206“，”author“：”Sua“，”year“：”2020“，”journal-title“：”Chemom“。智力。实验室系统。“}，{”key“：”10.1016\/j.neucom.2021.0235_b0300“，”doi-asserted-by“：”crossref“，”unstructured“：”T.Wang，Jianbo Yu，D.Siegel，and j.Lee，“工程系统剩余有效寿命估算的基于相似性的预测方法”，载于：2008年国际预测与健康管理会议，2008年10月，第1\u20136页。doi:10.1109\/PHM.2008.4711421.“，”doi“：”10.1109\/PHM.2008.4711421“}，{“key”：“10.1016\/j.neucom.2021.12.035_b0305”，“doi-asserted-by”：“crossref”，“first page”：”622“，”doi“：，“年份”：2012年，“新闻标题”：“机械。系统。信号处理。“}，{”key“：”10.1016\/j.neucom.2021.12.035_b0310“，”doi-asserted-by“：”crossref“，”unstructured“：”C.Hu，B.D.Youn，P.Wang，and j.Taek Yoon，\u201cReliab.Eng.Syst.Saf.，vol.103，pp.120\u2013135，Jul.2012，doi:10.1016\/j.ress.2012.03.08.“，”DOI“：”10.1016\/j.ress.2012.03.008“｝，｛”key“：”10.1016\/j.neucom.2021.12.035_b0315“，”DOI断言“：”crossref“，”非结构化“：”C.Hu，B.D.Youn，and P.Wang，\u201c手术中的时间依赖可靠性分析：预后和健康管理，\u201d in：C.Hu，B.D.Youn，and P.Wang，（编辑）《不确定性和健康预测下的工程设计》，Cham:Springer International Publishing，2019年，第233\u2013301页。doi:10.1007，“978-3-319-92574-5_8.”，“doi”：“10.1007，978-3-3169-92574~5_8”}，{“issue”：“2”，“key”：“101016，j.neucom.2021.0235_b0320”，“doi-asserted-by”：“crossref”，“first page”：”107“，”doi“10.1049，ip-f-2.1993.0015”，“article-title”：“非线性非高斯贝叶斯状态估计的新方法”，“volume”：作者“：”戈登“，”年份“：”1993“，”journal-title“：”IEE程序。F雷达信号处理。“}，{”key“：”10.1016\/j.neucom.2021.12.035_b0325“，”doi-asserted-by“：”crossref“，”unstructured“：”j.Deutsch，M.He，and D.He，\u201c使用集成深度学习和粒子滤波方法预测混合陶瓷轴承的剩余使用寿命，《应用科学》，7（7），第7条，2017年7月，doi:10.3390\/app70649.“，”doi“：”10.3390\/app7070649“}，{”key“：”10.1016\/j.neucom.2021.0235_b0330“，”doi-asserted-by“：”crossref“，”first page“：“51”，”doi“：”101016\/j.ress.2019.02.11“，“article-title”：“一种基于粒子滤波和相关向量机的系统退化混合预测方法”，“volume”：“186”，“author”：“Chang”，“year”：“2019”，“journal-title“：”Reliab.Eng。系统。安全。“｝，｛”issue“：”10“，”key“：”10.1016\/j.neucom.20112.035_b0335“，”doi断言“：”crossref“，”首页“：”2696“，”doi“：”10.1109\/TIM.2015.2427891“，”文章标题“：”使用增强粒子过滤器预测滚动轴承的剩余使用寿命“，”卷“：”64“，”作者“：”钱“，”年份“：”2015“，”期刊标题“：”IEEE Trans.Instrum.Meas.“｝，｛”issue“：”11“，”key“：”10.1016\/j.neucom.2021.12.035_b0340“，”doi-asserted-by“：”crossref“，”first page“：“3885”，“doi”：“10.1109\/TIM.2009.2021212”，“article-title”：“非线性工业系统状态估计的粒子滤波”，“volume”：“58”，“author”：“Rigatos”，“year”：“2009”，“journal-title“：”IEEE Trans。仪器。测量。“}，{”key“：”10.1016\/j.neucom.2021.12.035_b0345“，”doi-asserted-by“：”crossref“，”unstructured“：”A.Saxena et al.，\u201cMetrics for evaluation performance of prediction techniques，\u2018年10月在2008年国际预测与健康管理会议上发表，第1\u201317页。doi:10.1109\/PHM.2008.4711436.“，”doi“：”10.1109\/PHM.2008.4711436“}，{“key”：“10.1016\/j.neucom.2021.12.035_b0350”，“doi-asserted-by”：“crossref”，“unstructured”：“D.Roman，S.Saxena，V.Robu，M.Pecht，and D.Flynn，\u201c电池健康状态估计的机器学习管道，\u201 D Nat.Mach.Intell.，3（5），第5条，2021年5月，doi:10.1038 \/s42256-021-00312-3“，”doi“：”10.1038 \/s42256-0021-00312-3“}，{“键”：“10.1016 \/j.neucom.2021.0235_b0355”，“doi-asserted-by”：“crossref”，“首页”：“514”，“doi”：“10116 \/j.measurement.2019.02.73”，“article-title”：“变工况下旋转机械鲁棒故障诊断的新型传递学习方法”，“卷”：“138”，“作者”：“钱”，“年份”：“2019”，“期刊标题”：“测量”}，{“键”：“10.1016\/j.neucom.2021.035_b0360”，“doi-asserted-by”：“crossref”，”首页“：”107150“，”doi“：”10.1016\/j.asoc.2021.107150“，“article-title”：“机械故障诊断数据有限的深度转移学习”，“卷”：“103”，“作者”：“汉”，“年份”：“2021年”，“期刊标题”：“应用。软计算。“}，{”key“：”10.1016\/j.neucom.2021.0235_b0365“，”unstructured“：”S.Fort，H.Hu，and B.Lakshminarayanan，\u201cDeep Ensembles:A Loss Landscape Perspectives，\u201 d ArXiv191202757 Cs Stat.，2020年6月，访问日期：2021年6月17日。[在线]。可用：http://\/arxiv.org\/abs\/1912.02757.“}，{“问题”：“86”，“关键”：“10.1016\/j.neucom.2021.2.035_b0370”，“首页”：“2579”，“文章标题”：“使用t-SNE可视化数据”，“卷”：“9”，“作者”：“van der Maaten”，“年份”：“2008”，“日志标题”：《j.Mach.Learn.Res.》}2021.12.035_b0375“，”doi-asserted-by“：”crossref“，”首页“：”1564“，”DOI“：”10.1016\/j.apenergy.2017.09.106“，”article-title“：”预测锂离子电池剩余使用寿命的新混合方法“，”volume“：”206“，”author“：”Chang“，”year“：”2017“，”journal-title”：“Appl。能源“}，{“问题”：“4”，“关键”：“10.1016\/j.neucom.2021.035_b0380”，“doi-asserted-by”：“crossref”，“首页”：“3170”，“doi”：“101109\/TIE.2020.2973876”，“文章标题”：“锂离子电池未来容量和剩余使用寿命预测的不确定性量化数据驱动方法”，“体积”：“68”，“作者”：“刘”，“年份”：“2021”，“journal-title“：”IEEE Trans。Ind.Electron公司。“}，{”key“：”10.1016\/j.neucom.2021.12.035_b0385“，”doi-asserted-by“：”crossref“，”first page“：“182”，”doi“：”101016\/j.apenergy.2014.03.086“，”article-title“：”估算锂离子电池容量和预测剩余使用寿命的方法“，”volume“：10.1016\/j.neucom.2021.0235_b0390“，”doi-asserted-by“：”crossref“，”first page“：”118“，“doi”：“10.1016\/j.jpowsour.2017.11.056”，“article-title”：“植入式医疗器械中锂离子电池剩余使用寿命评估”，“volume”：“375”，“author”：“Hu”，“year”：“2018”，“journal-title“：”j.Power Sources“}，{“issue”：“2”，“key”：”10.1016\/j.neucom.2021.0235_b0395“，”doi-asserted-by“：”crossref“，”first page“：”174“，“doi”：“10.1109\/78.978374”，“article-title”：“在线非线性贝叶斯跟踪粒子滤波器教程”，“volume”：“50”，“author”：“Arulapalam”，“year”：“2002”，“journal-title“：”IEEE Trans。信号处理。“}，{”issue“：”2“，”key“：”10.1016\/j.neucom.2021.2.035_b0400“，”首页“：”239“，”article-title“：”在计算机代码输出分析中选择输入变量值的三种方法的比较“，”volume“：“”doi-asserted-by“：”crossref“，”first page“：”70“，”doi“：”10.1109\/MSP.2014.2330626“，”article-title“：”粒子滤波重采样方法：分类、实施和策略“，”volume“：“32”，”author“：”Li“，“year”：“2015”，”journal-title”：“IEEE Signal Process。Mag.“}，{”key“：”10.1016\/j.neucom.2021.0235_b0410“，”doi-asserted-by“：”crossref“，”first page“：“67”，“doi”：“10.1016\/j.ress.2018.2.003”，“article-title”：“使用动态回归模型估算滚动轴承剩余使用寿命的可靠技术”，“volume”：“184”，“author”：“Ahmad”，“year”：“2019”，“journal-title“：”Reliab.Eng。系统。安全。“}，{”key“：”10.1016\/j.neucom.2021.12.035_b0415“，”doi-asserted-by“：”crossref“，”unstructured“：”B.Wang，Y.Lei，N.Li，and j.Lin，“轴承剩余使用寿命预测的改进融合预测方法”，载于：2017年IEEE国际预测与健康管理会议（ICPHM），2017年6月，第18\u201324页。doi:10.1109\/ICPHM.2017.79998300.“，”doi“：”10.1109\/IPCHM.2017.9998300“}]，”container-title“：[”Neurocomputing“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com\/content\/article\/PII:S092523121018737？httpAccept=text\/xml“，”content-type“：”text\/.xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，{”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S09252312108737？httpAccept=text\/plain“，”content-type“：”text\/prain“，“content-version”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2024,1,29]]，“date-time”：“2024-01-29T12:26:14Z”，“timestamp”：1706531174000}，“score”：1，“resource”：{primary“URL”：“https:\\/linkinghub.elsevier.com/retrieve\/pii\/S0925252 31221018737“}}，”副标题“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[[2022,6]]}，”references-count“：83，”alternative-id“：[”S092531221018737“]，”URL“：”http://\/dx.doi.org\/10.1016\/j.neucom.2021.2035“，”relation“：{}，“ISSN”：[“0925-2312”]，“ISSN-type”：[{“value”：“09252312”，“type”:“print”}]，“subject”：【]，“published”：{“date-parts”：[[2022,6]]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“本文由”｝，｛“value”：“使用工业标准进行轴承预测的概率LSTM预测因子和校正器集合”，“name”：“articlettle”，“label”：“article Title”｝，｛“value”：“Neurocomputing”，“name”：“journaltitle”，“label”：“Journal Title”｝，｛“value”：“https:\/\/doi.org\/10.1016\/j.neucom.2021.12.035“，”name“：”articlelink“，”label“：”CrossRef doi link to publisher maintained version“}，”{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，{“value”：“\u00a9 2021 Elsevier B.V.保留所有权利