Fugu-MT 論文翻訳(概要): Remaining useful life prediction with uncertainty quantification: development of a highly accurate model for rotating machinery

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

Hybrid Gaussian Process Regression with Temporal Feature Extraction for Partially Interpretable Remaining Useful Life Interval Prediction in Aeroengine Prognostics [0.615155791092452]
本稿では,Remaining Useful Life (RUL) 間隔予測のための改良されたガウスプロセス回帰(GPR)モデルを提案する。修正されたGPRは、過去のデータから学習することで信頼区間を予測し、より構造化された方法で不確実性モデリングに対処する。現代の製造システムに固有の複雑な時系列パターンや動的挙動を効果的に捉えている。
論文参考訳（メタデータ） (2024-11-19T03:00:02Z)
An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文参考訳（メタデータ） (2024-10-24T18:15:48Z)
Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。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)
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 [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
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)
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)
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。