論文の概要: Automatic Remaining Useful Life Estimation Framework with Embedded
Convolutional LSTM as the Backbone
- arxiv url: http://arxiv.org/abs/2008.03961v1
- Date: Mon, 10 Aug 2020 08:34:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 22:18:41.803390
- Title: Automatic Remaining Useful Life Estimation Framework with Embedded
Convolutional LSTM as the Backbone
- Title（参考訳）: 組込み畳み込みLSTMをバックボーンとした有効寿命自動推定フレームワーク
- Authors: Yexu Zhou, Yuting Gao, Yiran Huang, Michael Hefenbrock, Till Riedel,
and Michael Beigl
- Abstract要約: 組込み畳み込みLSTM(E NeuralTM)と呼ばれる新しいLSTM変種を提案する。
ETMでは、異なる1次元の畳み込みの群がLSTM構造に埋め込まれている。
RUL推定のために広く用いられているいくつかのベンチマークデータセットに対する最先端のアプローチよりも,提案したEMMアプローチの方が優れていることを示す。
- 参考スコア（独自算出の注目度）: 5.927250637620123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An essential task in predictive maintenance is the prediction of the
Remaining Useful Life (RUL) through the analysis of multivariate time series.
Using the sliding window method, Convolutional Neural Network (CNN) and
conventional Recurrent Neural Network (RNN) approaches have produced impressive
results on this matter, due to their ability to learn optimized features.
However, sequence information is only partially modeled by CNN approaches. Due
to the flatten mechanism in conventional RNNs, like Long Short Term Memories
(LSTM), the temporal information within the window is not fully preserved. To
exploit the multi-level temporal information, many approaches are proposed
which combine CNN and RNN models. In this work, we propose a new LSTM variant
called embedded convolutional LSTM (ECLSTM). In ECLSTM a group of different 1D
convolutions is embedded into the LSTM structure. Through this, the temporal
information is preserved between and within windows. Since the hyper-parameters
of models require careful tuning, we also propose an automated prediction
framework based on the Bayesian optimization with hyperband optimizer, which
allows for efficient optimization of the network architecture. Finally, we show
the superiority of our proposed ECLSTM approach over the state-of-the-art
approaches on several widely used benchmark data sets for RUL Estimation.
- Abstract（参考訳）: 予測維持における重要な課題は、多変量時系列の分析を通じて、残留有益生命(RUL)の予測である。
このスライディングウインドウ法を用いた畳み込みニューラルネットワーク(CNN)と従来のリカレントニューラルネットワーク(RNN)アプローチは、最適化された特徴を学習できることから、この問題に対して印象的な結果をもたらしている。
しかし、シーケンス情報はcnnのアプローチによって部分的にモデル化されるだけである。
従来のRNN(Long Short Term Memories (LSTM))のような平らなメカニズムのため、ウィンドウ内の時間情報は保存されていない。
マルチレベル時間情報を活用するために,CNNモデルとRNNモデルを組み合わせた多くの手法を提案する。
本研究では,組込み畳み込みLSTM (ECLSTM) と呼ばれる新しいLSTM変種を提案する。
ECLSTMでは、異なる1次元畳み込みの群がLSTM構造に埋め込まれる。
これにより、時間情報はウィンドウ内およびウィンドウ内に保存される。
モデルのハイパーパラメータは注意深いチューニングを必要とするため,ネットワークアーキテクチャの効率的な最適化を可能にするハイパーバンドオプティマイザを用いたベイズ最適化に基づく自動予測フレームワークを提案する。
最後に、RUL推定のために広く使われているベンチマークデータセットに対する最先端のアプローチよりも提案したECLSTMアプローチの方が優れていることを示す。
関連論文リスト
- Disentangling Structured Components: Towards Adaptive, Interpretable and
Scalable Time Series Forecasting [52.47493322446537]
本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。
SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。
SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
論文 参考訳（メタデータ） (2023-05-22T13:39:44Z) - Towards Energy-Efficient, Low-Latency and Accurate Spiking LSTMs [1.7969777786551424]
Spiking Neural Networks(SNN)は、複雑なタスクのための魅力的なテンポラルコンピューティングパラダイムビジョンとして登場した。
そこで本研究では,新規な長期記憶ネットワーク(LSTM)の学習フレームワークを提案する。
rev-to-SNN変換フレームワーク、続いてSNNトレーニング。
我々は、時間的M、Google Speech Commands(GSC)データセット、異なるLSTMアーキテクチャ上のUCIスマートフォンなど、逐次学習タスクに関するフレームワークを評価した。
論文 参考訳（メタデータ） (2022-10-23T04:10:27Z) - Image Classification using Sequence of Pixels [3.04585143845864]
本研究では,繰り返しニューラルネットワークを用いた逐次画像分類法の比較を行った。
本稿では,Long-Short-Term memory(LSTM)やBidirectional Long-Short-Term memory(BiLSTM)アーキテクチャに基づく手法について述べる。
論文 参考訳（メタデータ） (2022-09-23T09:42:44Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Improving Time Series Classification Algorithms Using
Octave-Convolutional Layers [0.0]
我々は,OctoConvとの畳み込みに代えて,時系列分類タスクの精度を大幅に向上させることを実験的に示した。
さらに、更新されたALSTM-OctFCNは、上位2つの時系列分類器と統計的に同一である。
論文 参考訳（メタデータ） (2021-09-28T13:12:09Z) - Simulation of Open Quantum Dynamics with Bootstrap-Based Long Short-Term
Memory Recurrent Neural Network [0.0]
ブートストラップ法はLSTM-NNの構成と予測に適用される。
ブートストラップに基づくLSTM-NNアプローチは、オープンシステムの長期量子力学を伝播する実用的で強力なツールである。
論文 参考訳（メタデータ） (2021-08-03T05:58:54Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - A Fully Tensorized Recurrent Neural Network [48.50376453324581]
重み付けされたRNNアーキテクチャを導入し、各リカレントセル内の個別の重み付け行列を共同で符号化する。
このアプローチはモデルのサイズを数桁削減するが、通常のRNNと同等あるいは優れた性能を維持している。
論文 参考訳（メタデータ） (2020-10-08T18:24:12Z) - Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network
for Forecasting Network-wide Traffic State with Missing Values [23.504633202965376]
我々は、RNNベースのモデルに注目し、RNNとその変種を交通予測モデルに組み込む方法を再検討する。
トラフィック状態予測のためのニューラルネットワーク構造の設計を支援するために,スタック型双方向・一方向LSTMネットワークアーキテクチャ(SBU-LSTM)を提案する。
また,LSTM構造(LSTM-I)におけるデータ計算機構を提案する。
論文 参考訳（メタデータ） (2020-05-24T00:17:15Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。