論文の概要: Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2007.03313v1
• Date: Tue, 7 Jul 2020 10:00:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 18:21:52.411805
• Title: Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach
• Title（参考訳）: エッジベースセンサネットワークの予測メンテナンス:深層強化学習アプローチ
• Authors: Kevin Shen Hoong Ong, Dusit Niyato, Chau Yuen
• Abstract要約: 未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。 機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。 従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
• 参考スコア（独自算出の注目度）: 68.40429597811071
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Failure of mission-critical equipment interrupts production and results in monetary loss. The risk of unplanned equipment downtime can be minimized through Predictive Maintenance of revenue generating assets to ensure optimal performance and safe operation of equipment. However, the increased sensorization of the equipment generates a data deluge, and existing machine-learning based predictive model alone becomes inadequate for timely equipment condition predictions. In this paper, a model-free Deep Reinforcement Learning algorithm is proposed for predictive equipment maintenance from an equipment-based sensor network context. Within each equipment, a sensor device aggregates raw sensor data, and the equipment health status is analyzed for anomalous events. Unlike traditional black-box regression models, the proposed algorithm self-learns an optimal maintenance policy and provides actionable recommendation for each equipment. Our experimental results demonstrate the potential for broader range of equipment maintenance applications as an automatic learning framework.
• Abstract（参考訳）: ミッションクリティカル機器の故障は生産を中断し、金銭的損失をもたらす。 設備の最適性能と安全運転を確保するため、収益発生資産の予測保守により、計画外の設備停止のリスクを最小限に抑えることができる。 しかし,機器のセンサ化が増大するとデータデルージュが発生し,既存の機械学習に基づく予測モデルだけでは時間的機器条件予測には不十分となる。 本稿では,機器ベースのセンサネットワークコンテキストから予測機器のメンテナンスを行うためのモデルフリー深層強化学習アルゴリズムを提案する。 各機器内では、センサ装置が生のセンサデータを集約し、異常事象に対して機器の健康状態を分析する。 従来のブラックボックス回帰モデルとは異なり、提案されたアルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に実行可能な推奨を提供する。 実験結果は, 自動学習フレームワークとして, 幅広い機器メンテナンスアプリケーションの可能性を示す。

関連論文リスト

• Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
  無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。 効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。 本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
  論文  参考訳（メタデータ） (2024-04-24T13:50:27Z)
• Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model [0.0]
  この研究は、SVM(Support Vector Machine)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、畳み込みニューラルネットワークLSTMベース(Convolutional Neural Network LSTM-based)など、さまざまな機械学習分類手法を掘り下げて、マシンのパフォーマンスを予測し分析することを目的としている。 本研究の主な目的は、精度、精度、リコール、F1スコアなどの要因を考慮して、これらのアルゴリズムの性能を評価し、機械性能を予測・解析することである。
  論文  参考訳（メタデータ） (2024-03-15T12:47:45Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Multi-Dimensional Self Attention based Approach for Remaining Useful Life Estimation [0.17205106391379021]
  RUL(Remaining Useful Life)推定は、予後・健康管理(PHM)において重要な役割を担っている。 本稿では,IIoTシナリオにおけるマルチセンサデバイスのための生活予測モデルについて検討する。 本稿では,RUL推定のためのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2022-12-12T08:50:27Z)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• Predicting Power Electronics Device Reliability under Extreme Conditions with Machine Learning Algorithms [0.0]
  我々は、デバイス信頼性を予測するために機械学習アルゴリズムを利用した。 モデルをトレーニングするために、私たちは10の異なるメーカーから224個の電源デバイスをテストしました。 我々は、グラディエント・ブースティングやLSTMエンコーダ・デコーダ・ネットワークなどの計算モデルにより、高精度で電源装置故障を予測できることを示した。
  論文  参考訳（メタデータ） (2021-07-21T18:17:32Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)
• VisioRed: A Visualisation Tool for Interpretable Predictive Maintenance [5.845912816093006]
  マシンラーニングを使用すると、予測および規範的なメンテナンスがシステム障害を予測および防止する。 本稿では,時系列データに基づく予測保守モデルから得られた情報を表示するための解釈を組み込んだ可視化ツールを提案する。
  論文  参考訳（メタデータ） (2021-03-31T11:35:51Z)

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。