論文の概要: Uncertainty-aware Remaining Useful Life predictor
- arxiv url: http://arxiv.org/abs/2104.03613v1
- Date: Thu, 8 Apr 2021 08:50:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 22:39:00.540267
- Title: Uncertainty-aware Remaining Useful Life predictor
- Title(参考訳): 不確かさを意識した生活予測装置
- Authors: Luca Biggio, Alexander Wieland, Manuel Arias Chao, Iason Kastanis,
Olga Fink
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 57.74855412811814
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Remaining Useful Life (RUL) estimation is the problem of inferring how long a
certain industrial asset can be expected to operate within its defined
specifications. Deploying successful RUL prediction methods in real-life
applications is a prerequisite for the design of intelligent maintenance
strategies with the potential of drastically reducing maintenance costs and
machine downtimes. In light of their superior performance in a wide range of
engineering fields, Machine Learning (ML) algorithms are natural candidates to
tackle the challenges involved in the design of intelligent maintenance
systems. In particular, given the potentially catastrophic consequences or
substantial costs associated with maintenance decisions that are either too
late or too early, it is desirable that ML algorithms provide uncertainty
estimates alongside their predictions. However, standard data-driven methods
used for uncertainty estimation in RUL problems do not scale well to large
datasets or are not sufficiently expressive to model the high-dimensional
mapping from raw sensor data to RUL estimates. In this work, we consider Deep
Gaussian Processes (DGPs) as possible solutions to the aforementioned
limitations. We perform a thorough evaluation and comparison of several
variants of DGPs applied to RUL predictions. The performance of the algorithms
is evaluated on the N-CMAPSS (New Commercial Modular Aero-Propulsion System
Simulation) dataset from NASA for aircraft engines. The results show that the
proposed methods are able to provide very accurate RUL predictions along with
sensible uncertainty estimates, providing more reliable solutions for
(safety-critical) real-life industrial applications.
- Abstract(参考訳): 有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産が定義された仕様内でいつまで運用されるかを予測する問題である。
rul予測手法を実生活アプリケーションに適用することは、メンテナンスコストとマシンダウンタイムを大幅に削減する可能性を持つインテリジェントな保守戦略の設計の前提条件である。
幅広いエンジニアリング分野における優れたパフォーマンスを考慮して、機械学習(ML)アルゴリズムは、インテリジェントなメンテナンスシステムの設計に関わる課題に取り組むための自然な候補である。
特に、潜在的に破滅的な結果や、遅すぎるか早すぎるかというメンテナンス決定に伴う実質的なコストを考えると、MLアルゴリズムは予測と並行して不確実性の推定を提供するのが望ましい。
しかし、RUL問題における不確実性推定に使用される標準的なデータ駆動手法は、大きなデータセットに十分にスケールしないか、あるいは生センサデータからRUL推定への高次元マッピングをモデル化するのに十分な表現力がない。
本研究では,DGP(Deep Gaussian Processes)を,上記の制限に対する可能な解として考える。
RUL予測に適用したいくつかのDGPの徹底的な評価と比較を行う。
N-CMAPSS (New Commercial Modular Aero-Propulsion System Simulation) では,NASAによる航空機用エンジンの性能評価を行った。
その結果,提案手法は, 精度の高いRUL予測と, 精度の高い不確実性推定を行い, より信頼性の高い(安全クリティカルな)産業用アプリケーションを実現することができた。
関連論文リスト
- Uncertainty Quantification for Forward and Inverse Problems of PDEs via
Latent Global Evolution [110.99891169486366]
本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。
本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。
提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
論文 参考訳(メタデータ) (2024-02-13T11:22:59Z) - Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。
実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
論文 参考訳(メタデータ) (2023-03-11T11:42:26Z) - Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。
昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。
本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-03T20:37:55Z) - Conformal Prediction Intervals for Remaining Useful Lifetime Estimation [5.171601921549565]
対象変数の可能な値の集合を予測することによって不確実性を表す共形予測(CP)フレームワークについて検討する。
CP は、実際の値(真の RUL)が事前特定可能な確実性の度合いで予測セットによってカバーされることを正式に保証する。
3つのCPアルゴリズムを用いて,任意の単一点RUL予測器を共形化し,有効間隔予測器に変換する。
論文 参考訳(メタデータ) (2022-12-30T09:34:29Z) - BayesCap: Bayesian Identity Cap for Calibrated Uncertainty in Frozen
Neural Networks [50.15201777970128]
本研究では,凍結モデルに対するベイズIDマッピングを学習し,不確実性の推定を可能にするBayesCapを提案する。
BayesCapは、元のデータセットのごく一部でトレーニングできる、メモリ効率のよいメソッドである。
本稿では,多種多様なアーキテクチャを用いた多種多様なタスクに対する本手法の有効性を示す。
論文 参考訳(メタデータ) (2022-07-14T12:50:09Z) - 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) - Entropy-based adaptive design for contour finding and estimating
reliability [0.24466725954625884]
信頼性解析において、故障確率を推定するために用いられる手法は、しばしばモデル評価に関連するコストによって制限される。
本稿では,MFISと組み合わせることで,より正確な故障確率推定を行うエントロピーに基づくGP適応設計を提案する。
ベンチマークデータに加え、NASA(NASA)宇宙服の衝撃損傷シミュレーターへの応用例も紹介されている。
論文 参考訳(メタデータ) (2021-05-24T15:41:15Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳(メタデータ) (2021-05-17T08:36:18Z) - 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。