Fugu-MT 論文翻訳(概要): A stacked deep convolutional neural network to predict the remaining useful life of a turbofan engine

論文の概要: A stacked deep convolutional neural network to predict the remaining useful life of a turbofan engine

arxiv url: http://arxiv.org/abs/2111.12689v1
Date: Wed, 24 Nov 2021 18:36:28 GMT
ステータス: 処理完了
システム内更新日: 2021-11-25 14:53:54.993742
Title: A stacked deep convolutional neural network to predict the remaining useful life of a turbofan engine
Title（参考訳）: ターボファンエンジンの残存寿命予測のための階層型深層畳み込みニューラルネットワーク
Authors: David Solis-Martin, Juan Galan-Paez, Joaquin Borrego-Diaz
Abstract要約: このソリューションは、2つのレベルにスタックされた2つのDeep Convolutional Neural Networkに基づいている。提案手法は2021年のPHM会議データチャレンジの第3位にランクされた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents the data-driven techniques and methodologies used to predict the remaining useful life (RUL) of a fleet of aircraft engines that can suffer failures of diverse nature. The solution presented is based on two Deep Convolutional Neural Networks (DCNN) stacked in two levels. The first DCNN is used to extract a low-dimensional feature vector using the normalized raw data as input. The second DCNN ingests a list of vectors taken from the former DCNN and estimates the RUL. Model selection was carried out by means of Bayesian optimization using a repeated random subsampling validation approach. The proposed methodology was ranked in the third place of the 2021 PHM Conference Data Challenge.
Abstract（参考訳）: 本稿では,多種多様な性質の故障に苦しむ航空機用エンジンの残存寿命(RUL)を予測するために,データ駆動方式と手法を提案する。提示されたソリューションは、2つのレベルに積み重ねられた2つのDeep Convolutional Neural Networks(DCNN)に基づいている。第1のDCNNは、正規化された生データを入力として低次元の特徴ベクトルを抽出する。第2のDCNNは、以前のDCNNから取られたベクトルのリストを取得し、RULを推定する。繰り返しランダムサブサンプリング検証手法を用いたベイズ最適化によりモデル選択を行った。提案手法は2021年のPHM会議データチャレンジの第3位にランクされた。

関連論文リスト

Inference in Partially Linear Models under Dependent Data with Deep Neural Networks [0.0]
1次ディープニューラルネットワーク(DNN)推定後の定常$beta$-mixingデータに基づく部分線形回帰モデルにおける推論について考察する。サンプル分割を避けることで、依存データを持つ計量モデルに機械学習技術を適用する際の重要な課題の1つに対処する。
論文参考訳（メタデータ） (2024-10-29T22:29:31Z)
Efficient Higher-order Convolution for Small Kernels in Deep Learning [0.0]
本稿では,より少ないメモリと計算コストで高階のVolterraフィルタを実現する新しい手法を提案する。提案手法に基づいて,HLA(Higher-order Local Attention Block)と呼ばれる新しいアテンションモジュールを提案し,検証した。
論文参考訳（メタデータ） (2024-04-25T07:42:48Z)
Inferring Data Preconditions from Deep Learning Models for Trustworthy Prediction in Deployment [25.527665632625627]
デプロイ中に見つからないデータを使って、モデルの予測の信頼性を判断することが重要です。従来のソフトウェアを特定し検証する既存の方法は、このタスクには不十分である。本稿では、ニューラルネットワーク計算から導出されるルールを用いて、データ前提条件を推論する新しい手法を提案する。
論文参考訳（メタデータ） (2024-01-26T03:47:18Z)
Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文参考訳（メタデータ） (2021-10-22T20:49:02Z)
Estimating Traffic Speeds using Probe Data: A Deep Neural Network Approach [1.5469452301122177]
本稿では,sparseデータに基づく高速道路の時空トラヒック速度を再現する,専用ディープニューラルネットワークアーキテクチャを提案する。 2ヶ月の間にドイツ高速道路A9で収集された大規模な浮動小数点データ(FCD)を利用する。以上の結果から,DNNは学習パターンを適用でき,静止渋滞だけでなく移動パターンを高精度に再構築できることがわかった。
論文参考訳（メタデータ） (2021-04-19T23:32:12Z)
Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文参考訳（メタデータ） (2021-04-11T16:37:32Z)
Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。提案されたSIDNNは、幅広いOPFスキームと互換性がある。他のLearning-to-OPFスキームとシームレスに統合できる。
論文参考訳（メタデータ） (2021-03-27T00:45:23Z)
A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文参考訳（メタデータ） (2020-12-21T17:39:51Z)
Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
論文参考訳（メタデータ） (2020-08-19T12:35:55Z)
GraN: An Efficient Gradient-Norm Based Detector for Adversarial and Misclassified Examples [77.99182201815763]
ディープニューラルネットワーク(DNN)は、敵対的な例やその他のデータ摂動に対して脆弱である。 GraNは、どのDNNにも容易に適応できる時間およびパラメータ効率の手法である。 GraNは多くの問題セットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-04-20T10:09:27Z)

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。