論文の概要: A two-level machine learning framework for predictive maintenance: comparison of learning formulations

• arxiv url: http://arxiv.org/abs/2204.10083v1
• Date: Thu, 21 Apr 2022 13:24:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-22 18:12:11.554366
• Title: A two-level machine learning framework for predictive maintenance: comparison of learning formulations
• Title（参考訳）: 予測メンテナンスのための2段階機械学習フレームワーク:学習定式化の比較
• Authors: Valentin Hamaide, Denis Joassin, Lauriane Castin, Fran\c{c}ois Glineur
• Abstract要約: 本稿では,2段階のフレームワークにおいて,予測保守のための異なる定式化を設計・比較することを目的とする。 最初のレベルは、学習アルゴリズムを使って特徴を集約することで、健康指標を構築する責任がある。 第2のレベルは、この健康指標に基づいてアラームをトリガーできる意思決定システムで構成されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting incoming failures and scheduling maintenance based on sensors information in industrial machines is increasingly important to avoid downtime and machine failure. Different machine learning formulations can be used to solve the predictive maintenance problem. However, many of the approaches studied in the literature are not directly applicable to real-life scenarios. Indeed, many of those approaches usually either rely on labelled machine malfunctions in the case of classification and fault detection, or rely on finding a monotonic health indicator on which a prediction can be made in the case of regression and remaining useful life estimation, which is not always feasible. Moreover, the decision-making part of the problem is not always studied in conjunction with the prediction phase. This paper aims to design and compare different formulations for predictive maintenance in a two-level framework and design metrics that quantify both the failure detection performance as well as the timing of the maintenance decision. The first level is responsible for building a health indicator by aggregating features using a learning algorithm. The second level consists of a decision-making system that can trigger an alarm based on this health indicator. Three degrees of refinements are compared in the first level of the framework, from simple threshold-based univariate predictive technique to supervised learning methods based on the remaining time before failure. We choose to use the Support Vector Machine (SVM) and its variations as the common algorithm used in all the formulations. We apply and compare the different strategies on a real-world rotating machine case study and observe that while a simple model can already perform well, more sophisticated refinements enhance the predictions for well-chosen parameters.
• Abstract（参考訳）: ダウンタイムやマシン故障を避けるためには,産業機械のセンサ情報に基づく入ってくる故障の予測とスケジュール維持が重要である。 予測メンテナンス問題を解決するために、さまざまな機械学習定式化が使用できる。 しかし、文献で研究されるアプローチの多くは、現実のシナリオには直接適用されない。 実際、これらのアプローチの多くは、分類や故障検出の場合にはラベル付き機械の誤動作に依存するか、回帰や有用な寿命推定の場合に予測できる単調な健康指標を見つけるかのどちらかであり、必ずしも実現可能であるとは限らない。 さらに、問題の意思決定部分は、予測フェーズとともに常に研究されるわけではない。 本稿では,2段階のフレームワークにおける予測保守のための異なる定式化を設計・比較し,故障検出性能とメンテナンス決定のタイミングを定量化する設計指標について検討する。 最初のレベルは、学習アルゴリズムを使って特徴を集約することで健康指標を構築する責任がある。 第2のレベルは、この健康指標に基づいてアラームをトリガーできる意思決定システムで構成される。 フレームワークの第1段階では、単純なしきい値に基づく一変量予測技術から、失敗前の残り時間に基づく教師付き学習方法まで、3つの改善度を比較する。 我々は、すべての定式化で使用される共通アルゴリズムとして、サポートベクトルマシン(SVM)とそのバリエーションを選択する。 実世界の回転機械ケーススタディに異なる戦略を適用して比較し、単純なモデルが既にうまく機能しているのに対して、より洗練された改良により、良質なパラメータの予測が促進されることを観察する。

関連論文リスト

• Machine Learning for predicting chaotic systems [0.0]
  我々は、よく調整された単純な手法と、未調整のベースライン手法が、しばしば最先端のディープラーニングモデルより優れていることを示す。 これらの結果は、データ特性と利用可能な計算資源に対するマッチング予測手法の重要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-07-29T16:34:47Z)
• Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model [0.0]
  この研究は、SVM(Support Vector Machine)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、畳み込みニューラルネットワークLSTMベース(Convolutional Neural Network LSTM-based)など、さまざまな機械学習分類手法を掘り下げて、マシンのパフォーマンスを予測し分析することを目的としている。 本研究の主な目的は、精度、精度、リコール、F1スコアなどの要因を考慮して、これらのアルゴリズムの性能を評価し、機械性能を予測・解析することである。
  論文  参考訳（メタデータ） (2024-03-15T12:47:45Z)
• Learning-Based Approaches to Predictive Monitoring with Conformal Statistical Guarantees [2.1684857243537334]
  本チュートリアルは、予測モニタリング(PM)のための効率的な手法に焦点を当てている。 PMは、システムの現在の状態から与えられた要件の将来の違反を検出する問題である。 CPSの予測モニタリングに対する我々のアプローチを要約した、汎用的で包括的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-04T15:16:42Z)
• Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
  本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。 デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。 これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
  論文  参考訳（メタデータ） (2023-07-12T01:11:52Z)
• Evaluating Machine Unlearning via Epistemic Uncertainty [78.27542864367821]
  本研究では,不確実性に基づく機械学習アルゴリズムの評価を行う。 これは私たちの最良の知識の一般的な評価の最初の定義です。
  論文  参考訳（メタデータ） (2022-08-23T09:37:31Z)
• Prediction of Dilatory Behavior in eLearning: A Comparison of Multiple Machine Learning Models [0.2963240482383777]
  タスクの不合理な遅延である Procrastination は、オンライン学習においてよくある出来事である。 このような予測に焦点を当てた研究はほとんどない。 様々な種類の予測器と様々な手法の予測性能の比較を含む研究は、事実上存在しない。
  論文  参考訳（メタデータ） (2022-06-30T07:24:08Z)
• Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
  非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。 我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。 これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-21T13:18:11Z)
• Learning Predictions for Algorithms with Predictions [49.341241064279714]
  予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。 オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。 両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-18T17:25:43Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• Score-Based Change Detection for Gradient-Based Learning Machines [9.670556223243182]
  本稿では,経験的リスク最小化により学習した機械学習モデルの任意のコンポーネント数の変化を検出できる汎用的なスコアベース変化検出手法を提案する。 仮説テストの整合性を確立し、所定の誤報率を達成するためにそれを校正する方法を示す。
  論文  参考訳（メタデータ） (2021-06-27T01:38:11Z)
• Distribution-Free, Risk-Controlling Prediction Sets [112.9186453405701]
  ユーザ特定レベルにおける将来のテストポイントにおける期待損失を制御するブラックボックス予測器から設定値予測を生成する方法を示す。 提案手法は,予測セットのサイズをキャリブレーションするホールドアウトセットを用いて,任意のデータセットに対して明確な有限サンプル保証を提供する。
  論文  参考訳（メタデータ） (2021-01-07T18:59:33Z)

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。