論文の概要: Time-Series Regeneration with Convolutional Recurrent Generative Adversarial Network for Remaining Useful Life Estimation

• arxiv url: http://arxiv.org/abs/2101.03678v1
• Date: Mon, 11 Jan 2021 02:44:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 22:15:47.973061
• Title: Time-Series Regeneration with Convolutional Recurrent Generative Adversarial Network for Remaining Useful Life Estimation
• Title（参考訳）: convolutional recurrent generative adversarial networkを用いた時系列再生による有効寿命推定
• Authors: Xuewen Zhang, Yan Qin, Chau Yuen (Fellow IEEE), Lahiru Jayasinghe, and Xiang Liu
• Abstract要約: 本稿では,非循環的および循環的劣化パターンに対して,データ自己生成に着目した拡張RULフレームワークを提案する。 データをデータ駆動方式で強化し、現在のRULメソッドを強化するために、現実的な時系列を生成するように設計されている。 提案手法の有効性は,非環状および環状の分解システムを用いて検証する。
• 参考スコア（独自算出の注目度）: 1.6607547545124726
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: For health prognostic task, ever-increasing efforts have been focused on machine learning-based methods, which are capable of yielding accurate remaining useful life (RUL) estimation for industrial equipment or components without exploring the degradation mechanism. A prerequisite ensuring the success of these methods depends on a wealth of run-to-failure data, however, run-to-failure data may be insufficient in practice. That is, conducting a substantial amount of destructive experiments not only is high costs, but also may cause catastrophic consequences. Out of this consideration, an enhanced RUL framework focusing on data self-generation is put forward for both non-cyclic and cyclic degradation patterns for the first time. It is designed to enrich data from a data-driven way, generating realistic-like time-series to enhance current RUL methods. First, high-quality data generation is ensured through the proposed convolutional recurrent generative adversarial network (CR-GAN), which adopts a two-channel fusion convolutional recurrent neural network. Next, a hierarchical framework is proposed to combine generated data into current RUL estimation methods. Finally, the efficacy of the proposed method is verified through both non-cyclic and cyclic degradation systems. With the enhanced RUL framework, an aero-engine system following non-cyclic degradation has been tested using three typical RUL models. State-of-art RUL estimation results are achieved by enhancing capsule network with generated time-series. Specifically, estimation errors evaluated by the index score function have been reduced by 21.77%, and 32.67% for the two employed operating conditions, respectively. Besides, the estimation error is reduced to zero for the Lithium-ion battery system, which presents cyclic degradation.
• Abstract（参考訳）: 健康診断タスクでは, 劣化メカニズムを探索することなく, 産業機器や部品の正確な有効寿命(RUL)を推定できる機械学習に基づく手法に重点を置いている。 これらの手法の成功を確実にする前提条件は、豊富な実行障害データに依存するが、実際は実行障害データが不十分である可能性がある。 つまり、かなりの量の破壊実験を行うことは、高いコストだけでなく、破滅的な結果をもたらす可能性がある。 このことから,データ自己生成に焦点をあてたRULフレームワークが,非循環的および循環的劣化パターンに対して初めて提案される。 データをデータ駆動方式で強化し、現在のRULメソッドを強化するために、現実的な時系列を生成するように設計されている。 第一に、2チャネルの融合畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み畳み込み型ニューラルネットワーク(CR-GAN)を用いて、高品質なデータ生成を実現する。 次に、生成されたデータを現在のRUL推定手法に結合する階層的フレームワークを提案する。 最後に, 提案手法の有効性を非環状および環状の分解システムを用いて検証した。 RULフレームワークの強化により、3つの典型的なRULモデルを用いて非循環劣化後のエアエンジンシステムをテストすることができる。 生成した時系列によるカプセルネットワークの強化により,最先端のRUL推定結果が得られた。 具体的には,指標スコア関数で評価した推定誤差を21.77%,運用条件を32.67%削減した。 また、リチウムイオン電池システムにおいて、周期的劣化を示す推定誤差をゼロにする。

関連論文リスト

• Efficient Diffusion as Low Light Enhancer [63.789138528062225]
  RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。 textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
  論文  参考訳（メタデータ） (2024-10-16T08:07:18Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Revisiting Plasticity in Visual Reinforcement Learning: Data, Modules and Training Stages [56.98243487769916]
  ニューラルネットワークが新しいデータで進化する能力である塑性は、高性能でサンプル効率のよい視覚強化学習に不可欠である。 本稿では,批評家の可塑性レベルに基づいてリプレイ率を動的に調整するAdaptive RRを提案する。
  論文  参考訳（メタデータ） (2023-10-11T12:05:34Z)
• Spot The Odd One Out: Regularized Complete Cycle Consistent Anomaly Detector GAN [4.5123329001179275]
  本研究では,GAN(Generative Adversarial Neural Network)のパワーを活用した,現実の応用における異常検出のための逆方向検出手法を提案する。 従来の手法は、あらゆる種類の異常に適用できないような、クラス単位での精度のばらつきに悩まされていた。 RCALADという手法は,この構造に新たな識別器を導入し,より効率的な学習プロセスを実現することで,この問題を解決しようとするものである。
  論文  参考訳（メタデータ） (2023-04-16T13:05:39Z)
• AER: Auto-Encoder with Regression for Time Series Anomaly Detection [12.418290128163882]
  時系列データの異常検出は、様々な産業領域でますます一般的になっている。 最近の教師なし機械学習手法は、この問題に対処する上で顕著な進歩を遂げている。 本稿では,バニラオートエンコーダとLSTM回帰器を組み合わせたジョイントモデルであるAER(Auto-encoder with Regression)を提案する。
  論文  参考訳（メタデータ） (2022-12-27T17:22:21Z)
• A Hybrid Deep Learning Model-based Remaining Useful Life Estimation for Reed Relay with Degradation Pattern Clustering [12.631122036403864]
  リードリレーは機能テストの基本的な構成要素であり、電子機器の品質検査の成功と密接に関係している。 リードリレーの有効寿命(RUL)を正確に推定するために,劣化パターンクラスタリングを用いたハイブリッドディープラーニングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-14T05:45:46Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Accurate Remaining Useful Life Prediction with Uncertainty Quantification: a Deep Learning and Nonstationary Gaussian Process Approach [0.0]
  有用寿命 (Retaining useful life, RUL) とは、あるコンポーネントやシステムの寿命が期待されていることを指す。 我々は、深層学習と非定常ガウス過程回帰(DL-NSGPR)の利点を統合し、活用する、不確実な定量化を伴う高精度なRUL予測モデルを考案した。 計算実験の結果,DL-NSGPR予測はルート平均2乗誤差1.7～6.2倍の精度で精度が高いことがわかった。
  論文  参考訳（メタデータ） (2021-09-23T18:19:58Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• Adaptive Degradation Process with Deep Learning-Driven Trajectory [5.060233857860902]
  RUL(Remaining useful Life)推定は、インテリジェントな予測保守と健康管理の実装において重要な要素である。 本論文では, ハイブリットDNNベースの予後予測モデルを開発し, 適応ドリフトを用いてシステム劣化を特徴づける。 LSTM-CNNエンコーダデコーダを開発し、ノイズ係数とドリフト係数を併用して将来の劣化軌道を予測し、ベイズ推論により適応ドリフトを更新する。
  論文  参考訳（メタデータ） (2021-03-22T06:00:42Z)

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。