論文の概要: Remaining useful life prediction with uncertainty quantification:
development of a highly accurate model for rotating machinery
- arxiv url: http://arxiv.org/abs/2109.11579v1
- Date: Thu, 23 Sep 2021 18:22:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 06:15:34.694346
- Title: Remaining useful life prediction with uncertainty quantification:
development of a highly accurate model for rotating machinery
- Title(参考訳): 不確実性定量化による生活予測の残留:回転機械の高精度モデルの開発
- Authors: Zhaoyi Xu, Yanjie Guo, Joseph Homer Saleh
- Abstract要約: VisProと呼ばれる不確実な定量化を伴う新しいアーキテクチャとRUL予測モデルを考案する。
我々は、回転機械の他の高度なデータ駆動型RUL予測モデルと比較し、得られた結果を分析し、ベンチマークする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rotating machinery is essential to modern life, from power generation to
transportation and a host of other industrial applications. Since such
equipment generally operates under challenging working conditions, which can
lead to untimely failures, accurate remaining useful life (RUL) prediction is
essential for maintenance planning and to prevent catastrophic failures. In
this work, we address current challenges in data-driven RUL prediction for
rotating machinery. The challenges revolve around the accuracy and uncertainty
quantification of the prediction, and the non-stationarity of the system
degradation and RUL estimation given sensor data. We devise a novel
architecture and RUL prediction model with uncertainty quantification, termed
VisPro, which integrates time-frequency analysis, deep learning image
recognition, and nonstationary Gaussian process regression. We analyze and
benchmark the results obtained with our model against those of other advanced
data-driven RUL prediction models for rotating machinery using the PHM12
bearing vibration dataset. The computational experiments show that (1) the
VisPro predictions are highly accurate and provide significant improvements
over existing prediction models (three times more accurate than the second-best
model), and (2) the RUL uncertainty bounds are valid and informative. We
identify and discuss the architectural and modeling choices made that explain
this excellent predictive performance of VisPro.
- Abstract(参考訳): 回転する機械は、発電から輸送、その他多くの産業用途に至るまで、現代生活に不可欠である。
このような機器は、通常、不定期な故障につながる困難な作業条件下で運用されるため、メンテナンス計画や破滅的な失敗を防ぐために、正確な有効寿命(RUL)予測が不可欠である。
本研究では、回転機械におけるデータ駆動型RUL予測における現在の課題に対処する。
課題は,予測の正確性と不確かさの定量化,センサデータによるシステム劣化とrul推定の非定常性に関するものである。
我々は,時間周波数解析,ディープラーニング画像認識,非定常ガウス過程回帰を統合した,不確実性定量化を伴う新しいアーキテクチャとrul予測モデルであるvisproを開発した。
phm12軸受振動データセットを用いた回転機械の他の高度データ駆動型rul予測モデルに対して,本モデルで得られた結果を分析し,ベンチマークを行った。
計算実験により,(1)VisPro予測は精度が高く,既存の予測モデル(第2ベットモデルより3倍高い精度)よりも大幅に改善され,(2)RULの不確実性境界が有効かつ有益であることが示された。
VisProの優れた予測性能を説明するアーキテクチャとモデリングの選択肢を特定し,議論する。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳(メタデータ) (2023-07-25T14:09:53Z) - 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) - 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) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - 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) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - 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) - Data-driven method for real-time prediction and uncertainty
quantification of fatigue failure under stochastic loading using artificial
neural networks and Gaussian process regression [0.0]
早期故障予測の方法は、工学、軍事、および市民の用途に不可欠です。
不確実性(UQ)は、リアルタイム意思決定の目的において重要である。
論文 参考訳(メタデータ) (2021-03-11T13:57:08Z) - Learning Prediction Intervals for Model Performance [1.433758865948252]
モデル性能の予測間隔を計算する手法を提案する。
我々は,幅広いドリフト条件におけるアプローチを評価し,競合ベースラインよりも大幅に改善することを示す。
論文 参考訳(メタデータ) (2020-12-15T21:32:03Z)
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。