論文の概要: Predicting Breakdown Risk Based on Historical Maintenance Data for Air Force Ground Vehicles

• arxiv url: http://arxiv.org/abs/2112.13922v1
• Date: Wed, 22 Dec 2021 21:13:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-02 09:10:26.802590
• Title: Predicting Breakdown Risk Based on Historical Maintenance Data for Air Force Ground Vehicles
• Title（参考訳）: 空軍地上車両の歴史的保守データに基づく故障リスクの予測
• Authors: Jeff Jang, Dilan Nana, Jack Hochschild, Jordi Vila Hernandez de Lorenzo
• Abstract要約: 予定外のメンテナンスは、航空機のダウンタイムの延長と、空軍のロジスティック・レディネス飛行隊(LRS)のコストの増大に寄与している。 LRSの現在の保守システムにおける主要な傾向は、予定外の修理の流入に対処するための予測された保守インフラがないことである。 正確な予測システムを構築するために3つの異なるアルゴリズムを独立に適用し、いつでもメンテナンススケジュールを最適化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unscheduled maintenance has contributed to longer downtime for vehicles and increased costs for Logistic Readiness Squadrons (LRSs) in the Air Force. When vehicles are in need of repair outside of their scheduled time, depending on their priority level, the entire squadron's slated repair schedule is transformed negatively. The repercussions of unscheduled maintenance are specifically seen in the increase of man hours required to maintain vehicles that should have been working well: this can include more man hours spent on maintenance itself, waiting for parts to arrive, hours spent re-organizing the repair schedule, and more. The dominant trend in the current maintenance system at LRSs is that they do not have predictive maintenance infrastructure to counteract the influx of unscheduled repairs they experience currently, and as a result, their readiness and performance levels are lower than desired. We use data pulled from the Defense Property and Accountability System (DPAS), that the LRSs currently use to store their vehicle maintenance information. Using historical vehicle maintenance data we receive from DPAS, we apply three different algorithms independently to construct an accurate predictive system to optimize maintenance schedules at any given time. Through the application of Logistics Regression, Random Forest, and Gradient Boosted Trees algorithms, we found that a Logistic Regression algorithm, fitted to our data, produced the most accurate results. Our findings indicate that not only would continuing the use of Logistic Regression be prudent for our research purposes, but that there is opportunity to further tune and optimize our Logistic Regression model for higher accuracy.
• Abstract（参考訳）: 予定外のメンテナンスは、航空機のダウンタイムを長くし、空軍のロジスティック準備飛行隊(LRS)のコストを増大させた。 優先レベルに応じて、車両が予定された時間外に修理を必要とする場合、飛行隊全体の修理スケジュールは否定的に変更される。 これは、メンテナンス自体に費やされる人員時間の増加、部品が到着するのを待つこと、修理スケジュールの再編成に要する時間などを含む可能性がある。 LRSsの現在のメンテナンスシステムにおける主要な傾向は、現在経験している未スケジュールの修復の流入に対処するための予測的メンテナンスインフラがなく、その結果、彼らの準備とパフォーマンスのレベルが望ましくないことである。 我々は,国防財産会計システム (DPAS) から取得したデータを用いて,車両のメンテナンス情報を格納するために現在LRSが使用している。 dpasから受信した過去の車両メンテナンスデータを用いて、3つの異なるアルゴリズムを独立に適用し、メンテナンススケジュールを最適化する正確な予測システムを構築した。 Logistics Regression、Random Forest、Gradient Boosted Treesアルゴリズムの適用により、ロジスティック回帰アルゴリズムが我々のデータに適合し、最も正確な結果が得られることがわかった。 以上の結果から,ロジスティック回帰の継続は研究目的には慎重であるだけでなく,ロジスティック回帰モデルをより高精度に調整・最適化する機会があることが示唆された。

関連論文リスト

• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• Predictive Maintenance of Armoured Vehicles using Machine Learning Approaches [3.403279506246879]
  本研究では,これらの車両から収集したセンサデータに基づいて,潜在的なメンテナンスニーズの予測を支援する,予測型メンテナンスベースアンサンブルシステムを提案する。 提案システムは98.93%の精度、99.80%の精度、99.03%のリコールを実現する。
  論文  参考訳（メタデータ） (2023-07-26T18:50:32Z)
• Acela: Predictable Datacenter-level Maintenance Job Scheduling [27.990173338574138]
  本稿では,維持作業期間を予測する機械学習システムであるAcelaを紹介する。 Acela はオフラインのサーバ数を 1.87-4.28X に減らし,サーバのオフライン時間を 1.40-2.80X に減らした。
  論文  参考訳（メタデータ） (2022-12-10T00:22:49Z)
• FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations [52.85536740465277]
  FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。 ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。 FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
  論文  参考訳（メタデータ） (2022-09-28T19:49:39Z)
• How Much More Data Do I Need? Estimating Requirements for Downstream Tasks [99.44608160188905]
  小さなトレーニングデータセットと学習アルゴリズムがあれば、ターゲットの検証やテストのパフォーマンスに到達するのに、どれくらいのデータが必要か? データ要求を過大評価または過小評価すると、十分な予算で回避できる相当なコストが発生する。 本ガイドラインを用いることで,機械学習システムのデータ要求を正確に推定し,開発時間とデータ取得コストの双方で節約することができる。
  論文  参考訳（メタデータ） (2022-07-04T21:16:05Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)
• An Offline Deep Reinforcement Learning for Maintenance Decision-Making [10.244120641608447]
  オフライン教師付き深層強化学習に基づく保守フレームワークを提案する。 オフライン強化学習を用いることで、履歴データから最適なメンテナンスポリシーを学習することができる。
  論文  参考訳（メタデータ） (2021-09-28T03:40:55Z)
• A Deep-Learning Based Optimization Approach to Address Stop-Skipping Strategy in Urban Rail Transit Lines [0.0]
  都市鉄道路線における最適なストップスキップパターンを決定するための高度なデータ駆動最適化手法を提案する。 我々は、ピーク時のステーションレベルの需要率を予測するために、LSTM(Long Short-Term Memory)ディープラーニングモデルを用いている。 この問題の指数関数的性質を考慮し,適切な時間で解決するAnt Colony Optimization手法を提案する。
  論文  参考訳（メタデータ） (2021-09-17T23:52:19Z)
• 3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning [75.78929539923749]
  無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。 UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である 本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
  論文  参考訳（メタデータ） (2021-06-06T14:08:41Z)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)

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。