論文の概要: Slow-varying Dynamics Assisted Temporal Capsule Network for Machinery
Remaining Useful Life Estimation
- arxiv url: http://arxiv.org/abs/2203.16373v1
- Date: Wed, 30 Mar 2022 14:52:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-31 15:52:29.826076
- Title: Slow-varying Dynamics Assisted Temporal Capsule Network for Machinery
Remaining Useful Life Estimation
- Title（参考訳）: 有効寿命推定のための低変速ダイナミクスを用いた機械用テンポラルカプセルネットワーク
- Authors: Yan Qin, Chau Yuen, Yimin Shao, Bo Qin, Xiaoli Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 17.779154105635012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Capsule network (CapsNet) acts as a promising alternative to the typical
convolutional neural network, which is the dominant network to develop the
remaining useful life (RUL) estimation models for mechanical equipment.
Although CapsNet comes with an impressive ability to represent the entities'
hierarchical relationships through a high-dimensional vector embedding, it
fails to capture the long-term temporal correlation of run-to-failure time
series measured from degraded mechanical equipment. On the other hand, the
slow-varying dynamics, which reveals the low-frequency information hidden in
mechanical dynamical behaviour, is overlooked in the existing RUL estimation
models, limiting the utmost ability of advanced networks. To address the
aforementioned concerns, we propose a Slow-varying Dynamics assisted Temporal
CapsNet (SD-TemCapsNet) to simultaneously learn the slow-varying dynamics and
temporal dynamics from measurements for accurate RUL estimation. First, in
light of the sensitivity of fault evolution, slow-varying features are
decomposed from normal raw data to convey the low-frequency components
corresponding to the system dynamics. Next, the long short-term memory (LSTM)
mechanism is introduced into CapsNet to capture the temporal correlation of
time series. To this end, experiments conducted on an aircraft engine and a
milling machine verify that the proposed SD-TemCapsNet outperforms the
mainstream methods. In comparison with CapsNet, the estimation accuracy of the
aircraft engine with four different scenarios has been improved by 10.17%,
24.97%, 3.25%, and 13.03% concerning the index root mean squared error,
respectively. Similarly, the estimation accuracy of the milling machine has
been improved by 23.57% compared to LSTM and 19.54% compared to CapsNet.
- Abstract（参考訳）: カプセルネットワーク(capsnet)は、機械機器の持続的有用寿命(rul)推定モデルを開発する主要なネットワークである典型的な畳み込みニューラルネットワークの代替として有望な役割を果たす。
CapsNetは、高次元ベクトル埋め込みによってエンティティの階層的関係を表現できる印象的な能力を備えているが、劣化した機械機器から測定されたラン・トゥ・フェイル時系列の長期的時間的相関を捉えられない。
一方、機械的力学挙動に隠された低周波情報を明らかにする遅い変動ダイナミクスは、既存のRUL推定モデルでは見過ごされ、高度なネットワークの最大限の能力を制限する。
上記の問題に対処するため,RUL推定のための測定値から低変速動特性と時相動特性を同時に学習するために,Slow-variant Dynamics Assisted Temporal CapsNet (SD-TemCapsNet)を提案する。
まず, 断層変動の感度を考慮し, 緩やかな特徴を通常の生データから分解し, システム力学に対応する低周波成分を伝達する。
次に、長い短期記憶(LSTM)機構をCapsNetに導入し、時系列の時間的相関を捉える。
この目的のために、航空機エンジンとミリングマシンで実施された実験は、提案されたSD-TemCapsNetが主流の手法より優れていることを検証した。
capsnetと比較して、4つの異なるシナリオによる航空機エンジンの推定精度がそれぞれ10.17%、24.97%、3.25%、および13.03%改善されている。
同様に、ミリングマシンの推定精度はLSTMと比較して23.57%向上し、CapsNetに比べて19.54%向上した。
関連論文リスト
- Temporally-Consistent Koopman Autoencoders for Forecasting Dynamical Systems [42.6886113798806]
テンポラリ一貫性を有するクープマンオートエンコーダ(tcKAE)について紹介する。
tcKAEは、制約付き、ノイズの多いトレーニングデータであっても正確な長期予測を生成する。
我々は,最先端のKAEモデルよりもtcKAEの方が,様々なテストケースで優れた性能を示す。
論文 参考訳（メタデータ） (2024-03-19T00:48:25Z) - RefreshNet: Learning Multiscale Dynamics through Hierarchical Refreshing [0.0]
RefreshNetの"リフレッシュ"メカニズムは、粗いブロックがより細かいブロックの入力をリセットし、エラーの蓄積を効果的に制御し緩和することを可能にする。
RefreshNetの"リフレッシュ"メカニズムは、粗いブロックがより細かいブロックの入力をリセットし、エラーの蓄積を効果的に制御し緩和することを可能にする。
論文 参考訳（メタデータ） (2024-01-24T07:47:01Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳（メタデータ） (2023-06-06T07:07:54Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - 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) - Remaining Useful Life Prediction Using Temporal Deep Degradation Network
for Complex Machinery with Attention-based Feature Extraction [17.831515307314802]
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。
論文 参考訳（メタデータ） (2022-02-21T10:23:40Z) - Recurrent-type Neural Networks for Real-time Short-term Prediction of
Ship Motions in High Sea State [0.0]
船体運動のリアルタイム短期予測(流速予測)において, 繰り返し型ニューラルネットワークの予測能力について検討した。
インシデント波の時系列、船の動き、舵角、および浸漬プローブが、現在放送問題の変数として使われている。
論文 参考訳（メタデータ） (2021-05-27T12:58:15Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。