論文の概要: Accurate Remaining Useful Life Prediction with Uncertainty
Quantification: a Deep Learning and Nonstationary Gaussian Process Approach
- arxiv url: http://arxiv.org/abs/2109.12111v1
- Date: Thu, 23 Sep 2021 18:19:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-01 12:10:31.591398
- Title: Accurate Remaining Useful Life Prediction with Uncertainty
Quantification: a Deep Learning and Nonstationary Gaussian Process Approach
- Title（参考訳）: 不確実性定量化を用いた正確な残余有用生命予測--深層学習と非定常ガウス過程アプローチ
- Authors: Zhaoyi Xu, Yanjie Guo, Joseph Homer Saleh
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Remaining useful life (RUL) refers to the expected remaining lifespan of a
component or system. Accurate RUL prediction is critical for prognostic and
health management and for maintenance planning. In this work, we address three
prevalent challenges in data-driven RUL prediction, namely the handling of high
dimensional input features, the robustness to noise in sensor data and
prognostic datasets, and the capturing of the time-dependency between system
degradation and RUL prediction. We devise a highly accurate RUL prediction
model with uncertainty quantification, which integrates and leverages the
advantages of deep learning and nonstationary Gaussian process regression
(DL-NSGPR). We examine and benchmark our model against other advanced
data-driven RUL prediction models using the turbofan engine dataset from the
NASA prognostic repository. Our computational experiments show that the
DL-NSGPR predictions are highly accurate with root mean square error 1.7 to 6.2
times smaller than those of competing RUL models. Furthermore, the results
demonstrate that RUL uncertainty bounds with the proposed DL-NSGPR are both
valid and significantly tighter than other stochastic RUL prediction models. We
unpack and discuss the reasons for this excellent performance of the DL-NSGPR.
- Abstract（参考訳）: 残りの有用な生活(retaining useful life、rul)は、コンポーネントやシステムの期待される寿命を指す。
正確なRUL予測は、予後および健康管理およびメンテナンス計画に重要である。
本研究では,データ駆動型RUL予測における3つの課題,すなわち高次元入力特徴の扱い,センサデータと予測データセットのノイズに対する堅牢性,システム劣化とRUL予測の間の時間依存性の取得について述べる。
深層学習と非定常ガウス過程回帰(dl-nsgpr)の利点を統合し,活用する不確実性定量化を用いた高精度rul予測モデルを開発した。
我々は,NASAの予測レポジトリのターボファンエンジンデータセットを用いて,他の先進的なデータ駆動型RUL予測モデルと比較し,ベンチマークを行った。
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。
さらに、提案したDL-NSGPRとRULの不確実性境界は、他の確率的RUL予測モデルよりも有効かつ極めて厳密であることを示した。
本稿では,DL-NSGPRの優れた性能の理由について論じる。
関連論文リスト
- 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) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳（メタデータ） (2023-04-17T10:59:57Z) - 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) - 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) - Generalized multiscale feature extraction for remaining useful life
prediction of bearings with generative adversarial networks [4.988898367111902]
ベアリングは産業機械の重要な要素であり、その失敗は不必要なダウンタイムと経済損失につながる可能性がある。
軸受の残りの有効寿命(RUL)を予測する必要がある。
本稿では, 生成逆数ネットワークを用いた新しい一般化されたマルチスケール特徴抽出手法を提案する。
論文 参考訳（メタデータ） (2021-09-26T07:11:55Z) - Remaining useful life prediction with uncertainty quantification:
development of a highly accurate model for rotating machinery [0.0]
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。
論文 参考訳（メタデータ） (2021-09-23T18:22:27Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - 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) - 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) - 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) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。