論文の概要: Remaining Useful Life Prediction Using Temporal Deep Degradation Network
for Complex Machinery with Attention-based Feature Extraction
- arxiv url: http://arxiv.org/abs/2202.10916v1
- Date: Mon, 21 Feb 2022 10:23:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 15:43:55.238360
- Title: Remaining Useful Life Prediction Using Temporal Deep Degradation Network
for Complex Machinery with Attention-based Feature Extraction
- Title（参考訳）: 時間的深部劣化ネットワークを用いた注意特徴抽出型複合機械の余剰寿命予測
- Authors: Yuwen Qin, Ningbo Cai, Chen Gao, Yadong Zhang, Yonghong Cheng and Xin
Chen
- Abstract要約: ニューラルネットワークを用いたセンサストリーミングデータから抽出した劣化関連特徴は、RUL予測の精度を劇的に向上させることができる。
1次元畳み込みニューラルネットワーク (1D CNN) による劣化関連特徴を持つRUL予測を行うため, 時間分解ネットワークモデル(TDDN)を提案する。
その結果,TDDNモデルでは,現在の機械学習モデルと比較して,複雑な条件下で最高のRUL予測精度が得られることがわかった。
- 参考スコア（独自算出の注目度）: 17.831515307314802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The precise estimate of remaining useful life (RUL) is vital for the
prognostic analysis and predictive maintenance that can significantly reduce
failure rate and maintenance costs. The degradation-related features extracted
from the sensor streaming data with neural networks can dramatically improve
the accuracy of the RUL prediction. The Temporal deep degradation network
(TDDN) model is proposed to make the RUL prediction with the
degradation-related features given by the one-dimensional convolutional neural
network (1D CNN) feature extraction and attention mechanism. 1D CNN is used to
extract the temporal features from the streaming sensor data. Temporal features
have monotonic degradation trends from the fluctuating raw sensor streaming
data. Attention mechanism can improve the RUL prediction performance by
capturing the fault characteristics and the degradation development with the
attention weights. The performance of the TDDN model is evaluated on the public
C-MAPSS dataset and compared with the existing methods. The results show that
the TDDN model can achieve the best RUL prediction accuracy in complex
conditions compared to current machine learning models. The degradation-related
features extracted from the high-dimension sensor streaming data demonstrate
the clear degradation trajectories and degradation stages that enable TDDN to
predict the turbofan-engine RUL accurately and efficiently.
- Abstract（参考訳）: 持続する有用寿命(RUL)の正確な推定は、故障率と保守コストを著しく低減できる予後分析および予測保守に不可欠である。
ニューラルネットワークを用いたセンサストリーミングデータから抽出した劣化関連特徴は,rul予測の精度を劇的に向上させる。
1次元畳み込みニューラルネットワーク(1D CNN)の特徴抽出と注意機構によって得られる劣化関連特徴をRULで予測するために、時間的深部分解ネットワーク(TDDN)モデルを提案する。
1D CNNは、ストリーミングセンサデータから時間的特徴を抽出するために使用される。
時間的特徴は変動する生センサストリーミングデータから単調な劣化傾向を示す。
注意機構は、注意重みによる断層特性と劣化進展を捉えることにより、RUL予測性能を向上させることができる。
TDDNモデルの性能は、公開C-MAPSSデータセットで評価され、既存の手法と比較される。
その結果,TDDNモデルでは,現在の機械学習モデルと比較して,複雑な条件下で最高のRUL予測精度が得られることがわかった。
高次元センサストリーミングデータから抽出された劣化関連特徴は、TDDNがターボファンエンジンRULを正確にかつ効率的に予測できる明確な劣化軌跡と劣化段階を示す。
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) - 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) - Spatio-temporal Attention-based Hidden Physics-informed Neural Network for Remaining Useful Life Prediction [1.8554335256160261]
STA-HPINN(spatatio-temporal Attention-based Hidden Physics-informed Neural Network)を導入する。
隠れた物理インフォームドニューラルネットワークを用いて、RULの進化を管理する次元物理機構を捉える。
このアプローチはベンチマークデータセットで検証され、最先端のメソッドと比較して、例外的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-05-20T21:10:18Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - STIP: A SpatioTemporal Information-Preserving and Perception-Augmented
Model for High-Resolution Video Prediction [78.129039340528]
本稿では、上記の2つの問題を解決するために、時空間情報保存・知覚拡張モデル(STIP)を提案する。
提案モデルは,特徴抽出と状態遷移中の映像の時間的情報を保存することを目的としている。
実験結果から,提案したSTIPは,様々な最先端手法と比較して,より良好な映像品質で映像を予測できることが示唆された。
論文 参考訳（メタデータ） (2022-06-09T09:49:04Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Slow-varying Dynamics Assisted Temporal Capsule Network for Machinery
Remaining Useful Life Estimation [17.779154105635012]
Capsule Network(CapsNet)は、典型的な畳み込みニューラルネットワークに代わる有望な代替手段として機能する。
CapsNetは、劣化した機械装置から測定されたラン・トゥ・フェイル・タイム・シリーズの長期的時間的相関を捉えられなかった。
本研究では,緩やかな変動のダイナミクスと時間的ダイナミクスを同時に学習するために,緩やかな変化のダイナミクス支援型テンポラルカプセルネット(SD-TemCapsNet)を提案する。
論文 参考訳（メタデータ） (2022-03-30T14:52:07Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - 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) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳（メタデータ） (2021-06-04T18:03:31Z) - 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)
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。