論文の概要: Advancing from Predictive Maintenance to Intelligent Maintenance with AI and IIoT

• arxiv url: http://arxiv.org/abs/2009.00351v1
• Date: Tue, 1 Sep 2020 11:10:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 00:25:52.248491
• Title: Advancing from Predictive Maintenance to Intelligent Maintenance with AI and IIoT
• Title（参考訳）: AIとIIoTによる予測メンテナンスからインテリジェントメンテナンスへの進化
• Authors: Haining Zheng and Antonio R. Paiva and Chris S. Gurciullo
• Abstract要約: 本稿は、過去90年間の信頼性モデリング技術の進化を概観し、産業と学術で開発された主要な技術について論じる。 次に、Intelligent maintenanceという次世代のメンテナンスフレームワークを紹介し、その重要なコンポーネントについて議論します。 このAIおよびIIoTベースのインテリジェントメンテナンスフレームワークは、(1)ディープラーニングによる確率的信頼性モデリングを含む最新の機械学習アルゴリズム、(2)ワイヤレススマートセンサーによるリアルタイムデータ収集、転送、ストレージ、(3)ビッグデータ技術、(4)機械学習モデルの継続的インテグレーションとデプロイ、(5)モバイルデバイスとAR/VRアプリケーションの分野における高速かつより良い意思決定を含む。
• 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: As Artificial Intelligent (AI) technology advances and increasingly large amounts of data become readily available via various Industrial Internet of Things (IIoT) projects, we evaluate the state of the art of predictive maintenance approaches and propose our innovative framework to improve the current practice. The paper first reviews the evolution of reliability modelling technology in the past 90 years and discusses major technologies developed in industry and academia. We then introduce the next generation maintenance framework - Intelligent Maintenance, and discuss its key components. This AI and IIoT based Intelligent Maintenance framework is composed of (1) latest machine learning algorithms including probabilistic reliability modelling with deep learning, (2) real-time data collection, transfer, and storage through wireless smart sensors, (3) Big Data technologies, (4) continuously integration and deployment of machine learning models, (5) mobile device and AR/VR applications for fast and better decision-making in the field. Particularly, we proposed a novel probabilistic deep learning reliability modelling approach and demonstrate it in the Turbofan Engine Degradation Dataset.
• Abstract（参考訳）: 人工知能(AI)技術が進歩し、さまざまな産業用IoT(Industrial Internet of Things, IIoT)プロジェクトを通じて、大量のデータが利用可能になるにつれて、予測メンテナンスの手法の現状を評価し、現在の実践を改善する革新的なフレームワークを提案する。 本稿は,過去90年間の信頼性モデリング技術の進化を概観し,産学界における主要な技術について述べる。 次に,次世代メンテナンスフレームワークであるインテリジェントメンテナンスを紹介し,その重要なコンポーネントについて論じる。 このAIおよびIIoTベースのインテリジェントメンテナンスフレームワークは、(1)ディープラーニングによる確率的信頼性モデリングを含む最新の機械学習アルゴリズム、(2)ワイヤレススマートセンサーによるリアルタイムデータ収集、転送、ストレージ、(3)ビッグデータ技術、(4)機械学習モデルの継続的インテグレーションとデプロイ、(5)モバイルデバイスとAR/VRアプリケーションの分野における高速かつより良い意思決定を含む。 特に,新しい確率論的深層学習信頼性モデリング手法を提案し,Turbofan Engine Degradation Datasetで実証した。

関連論文リスト

• System Reliability Engineering in the Age of Industry 4.0: Challenges and Innovations [2.7332305169992135]
  条件ベースの監視と予測保守は、重要な進歩の例である。 センサによる監視と運転支援システムによるスマート製造と自動車工学の応用に重点を置いている。
  論文  参考訳（メタデータ） (2024-10-30T12:00:29Z)
• Overview of Current Challenges in Multi-Architecture Software Engineering and a Vision for the Future [0.0]
  提示されたシステムアーキテクチャは、動的な知識グラフベースのWebAssembly Twinsの概念に基づいている。 結果として得られるシステムは、エンドユーザによる完全な透明性とコントロール性を備えた、高度な自律能力を持つことになる。
  論文  参考訳（メタデータ） (2024-10-28T13:03:09Z)
• DETECTA 2.0: Research into non-intrusive methodologies supported by Industry 4.0 enabling technologies for predictive and cyber-secure maintenance in SMEs [0.19972837513980318]
  DETECTA 2.0プロジェクトは、リアルタイム異常検出、高度な分析、予測予測機能を調和させる。 中心となるのはDigital Twinインターフェースで、マシン状態と検出された異常の直感的なリアルタイム可視化を提供する。 予測エンジンは、N-HiTSのような高度な時系列アルゴリズムを使用して、将来のマシン利用トレンドを予測する。
  論文  参考訳（メタデータ） (2024-05-24T08:38:38Z)
• Networking Systems for Video Anomaly Detection: A Tutorial and Survey [55.28514053969056]
  ビデオ異常検出(VAD)は人工知能(AI)コミュニティにおける基本的な研究課題である。 本稿では,各種深層学習駆動型VAD経路の基本前提,学習フレームワーク,適用シナリオについて述べる。 我々は、産業用IoTおよびスマート都市における最新のNSVAD研究と、デプロイ可能なNSVADのためのエンドクラウド共同アーキテクチャを紹介します。
  論文  参考訳（メタデータ） (2024-05-16T02:00:44Z)
• AI Maintenance: A Robustness Perspective [91.28724422822003]
  我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。 本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。 我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
  論文  参考訳（メタデータ） (2023-01-08T15:02:38Z)
• A Time Series Approach to Explainability for Neural Nets with Applications to Risk-Management and Fraud Detection [0.0]
  技術に対する信頼は、予測の背後にある根拠を理解することによって実現される。 横断的なデータの場合、古典的なXAIアプローチはモデルの内部動作に関する貴重な洞察をもたらす可能性がある。 本稿では、データの自然時間順序を保存・活用する深層学習のための新しいXAI手法を提案する。
  論文  参考訳（メタデータ） (2022-12-06T12:04:01Z)
• Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
  AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。 データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
  論文  参考訳（メタデータ） (2022-11-27T13:07:14Z)
• Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
  モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。 特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• Agility in Software 2.0 -- Notebook Interfaces and MLOps with Buttresses and Rebars [9.327920030279586]
  本稿では,機械学習開発の基本となる2つの現代的発展現象について論じる。 まず、統合開発環境への容易な移行をサポートすることにより、ノートブックにおける作業の本質的な弱点を解消できるソリューションを提案する。 第2に、MLOpsコンテキストにメタファ的な執着と残響を導入することで、AIシステムの強化エンジニアリングを提案する。
  論文  参考訳（メタデータ） (2021-11-28T13:40:30Z)
• INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
  我々はInterNという新しい学習パラダイムを開発した。 複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。 ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
  論文  参考訳（メタデータ） (2021-11-16T18:42:50Z)
• Federated Learning for Industrial Internet of Things in Future Industries [106.13524161081355]
  産業用IoT(Industrial Internet of Things)は,産業用システムの運用を変革する有望な機会を提供する。 近年、人工知能(AI)はインテリジェントIIoTアプリケーションの実現に広く利用されている。 フェデレートラーニング(FL)は、複数のIIoTデバイスとマシンを協調して、ネットワークエッジでAIトレーニングを実行することで、インテリジェントなIIoTネットワークにとって特に魅力的である。
  論文  参考訳（メタデータ） (2021-05-31T01:02:59Z)

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。