論文の概要: Uncovering the Underlying Physics of Degrading System Behavior Through a
Deep Neural Network Framework: The Case of Remaining Useful Life Prognosis
- arxiv url: http://arxiv.org/abs/2006.09288v1
- Date: Wed, 10 Jun 2020 21:05:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 06:42:51.731818
- Title: Uncovering the Underlying Physics of Degrading System Behavior Through a
Deep Neural Network Framework: The Case of Remaining Useful Life Prognosis
- Title（参考訳）: ディープニューラルネットワークフレームワークによるシステム動作の劣化物理の解明 : 生活予後の維持をめざして
- Authors: Sergio Cofre-Martel, Enrique Lopez Droguett and Mohammad Modarres
- Abstract要約: 本稿では、ディープニューラルネットワークフレームワークを用いて、劣化の物理を探索するオープンボックスアプローチを提案する。
フレームワークには3つのステージがあり、システムの状態を表す潜伏変数と対応するPDEを見つけることを目的としている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning (DL) has become an essential tool in prognosis and health
management (PHM), commonly used as a regression algorithm for the prognosis of
a system's behavior. One particular metric of interest is the remaining useful
life (RUL) estimated using monitoring sensor data. Most of these deep learning
applications treat the algorithms as black-box functions, giving little to no
control of the data interpretation. This becomes an issue if the models break
the governing laws of physics or other natural sciences when no constraints are
imposed. The latest research efforts have focused on applying complex DL models
to achieve a low prediction error rather than studying how the models interpret
the behavior of the data and the system itself. In this paper, we propose an
open-box approach using a deep neural network framework to explore the physics
of degradation through partial differential equations (PDEs). The framework has
three stages, and it aims to discover a latent variable and corresponding PDE
to represent the health state of the system. Models are trained as a supervised
regression and designed to output the RUL as well as a latent variable map that
can be used and interpreted as the system's health indicator.
- Abstract（参考訳）: 深層学習(DL)は、システム行動の予後の回帰アルゴリズムとして一般的に用いられる、予後と健康管理(PHM)に不可欠なツールとなっている。
興味ある指標の1つは、監視センサデータを用いて推定される残りの有用寿命(RUL)である。
これらのディープラーニングアプリケーションのほとんどは、アルゴリズムをブラックボックス関数として扱い、データ解釈をほとんど制御しない。
制約が課されない場合、モデルが物理やその他の自然科学の法則を破る場合、これは問題となる。
最近の研究は、モデルがどのようにデータとシステム自体の振る舞いを解釈するかを研究するのではなく、低予測エラーを達成するために複雑なdlモデルを適用することに重点を置いている。
本稿では,部分微分方程式(PDE)による劣化の物理を探索するために,ディープニューラルネットワークフレームワークを用いたオープンボックスアプローチを提案する。
フレームワークには3つのステージがあり、システムの状態を表す潜伏変数と対応するPDEを見つけることを目的としている。
モデルは教師付き回帰として訓練され、RULと、システムの健康指標として使用および解釈可能な潜在変数マップを出力するように設計されている。
関連論文リスト
- PhyMPGN: Physics-encoded Message Passing Graph Network for spatiotemporal PDE systems [31.006807854698376]
我々は物理符号化されたメッセージパッシンググラフネットワーク(PhyMPGN)という新しいグラフ学習手法を提案する。
我々は,GNNを数値積分器に組み込んで,与えられたPDEシステムに対する時間的時間的ダイナミクスの時間的行進を近似する。
PhyMPGNは、粗い非構造メッシュ上での様々なタイプの時間的ダイナミクスを正確に予測することができる。
論文 参考訳（メタデータ） (2024-10-02T08:54:18Z) - Adversarial Learning for Neural PDE Solvers with Sparse Data [4.226449585713182]
本研究では,ロバストトレーニングのためのシステムモデル拡張(Systematic Model Augmentation for Robust Training)という,ニューラルネットワークPDEの普遍的学習戦略を紹介する。
モデルの弱点に挑戦し改善することに集中することにより、SMARTはデータスカース条件下でのトレーニング中の一般化エラーを低減する。
論文 参考訳（メタデータ） (2024-09-04T04:18:25Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Analysis of Numerical Integration in RNN-Based Residuals for Fault
Diagnosis of Dynamic Systems [0.6999740786886536]
本論文は,重度トラックの後処理システムの事例スタディを含み,これらの技術が故障診断性能を向上させる可能性を明らかにする。
データ駆動モデリングと機械学習は、動的システムの振る舞いをモデル化するために広く使われている。
論文 参考訳（メタデータ） (2023-05-08T12:48:18Z) - Autoregressive models for biomedical signal processing [0.0]
本稿では、損失関数を介して不確実性を明示的に組み込んだ自己回帰モデリングの枠組みを提案する。
本研究は, 時系列の復調に成功し, システムパラメータの再構成に成功していることを示す。
この新たなパラダイムは、脳-コンピュータインターフェースデータ分析やてんかんなどの疾患における脳のダイナミクスの理解など、神経科学の様々な応用に利用できる。
論文 参考訳（メタデータ） (2023-04-17T08:57:36Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - PINN Training using Biobjective Optimization: The Trade-off between Data
Loss and Residual Loss [0.0]
物理情報ニューラルネットワーク(PINN)は、測定データが利用可能な問題を表現するための効率的なツールであることが証明されている。
本稿では、データ損失と残留損失を2つの個別目的関数として扱うことにより、PINNのトレーニングにおける多目的視点を提案する。
論文 参考訳（メタデータ） (2023-02-03T15:27:50Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease
Progression [71.7560927415706]
潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。
新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
論文 参考訳（メタデータ） (2021-06-05T11:42:45Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。