論文の概要: Predictive Maintenance using Machine Learning
- arxiv url: http://arxiv.org/abs/2205.09402v1
- Date: Thu, 19 May 2022 09:05:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-20 13:51:48.272027
- Title: Predictive Maintenance using Machine Learning
- Title（参考訳）: 機械学習を用いた予測メンテナンス
- Authors: Archit P. Kane, Ashutosh S. Kore, Advait N. Khandale, Sarish S.
Nigade, Pranjali P. Joshi
- Abstract要約: 予測保守(PdM)は、資産の保守計画を効果的に管理するために実施される。
データは一定期間にわたって収集され、機器の状態を監視する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Predictive maintenance (PdM) is a concept, which is implemented to
effectively manage maintenance plans of the assets by predicting their failures
with data driven techniques. In these scenarios, data is collected over a
certain period of time to monitor the state of equipment. The objective is to
find some correlations and patterns that can help predict and ultimately
prevent failures. Equipment in manufacturing industry are often utilized
without a planned maintenance approach. Such practise frequently results in
unexpected downtime, owing to certain unexpected failures. In scheduled
maintenance, the condition of the manufacturing equipment is checked after
fixed time interval and if any fault occurs, the component is replaced to avoid
unexpected equipment stoppages. On the flip side, this leads to increase in
time for which machine is non-functioning and cost of carrying out the
maintenance. The emergence of Industry 4.0 and smart systems have led to
increasing emphasis on predictive maintenance (PdM) strategies that can reduce
the cost of downtime and increase the availability (utilization rate) of
manufacturing equipment. PdM also has the potential to bring about new
sustainable practices in manufacturing by fully utilizing the useful lives of
components.
- Abstract（参考訳）: 予測保守(英: Predictive maintenance, PdM)とは、データ駆動技術で故障を予測して資産の保守計画を効果的に管理するための概念である。
これらのシナリオでは、機器の状態を監視するために一定時間にわたってデータが収集される。
目的は、失敗を予測し、最終的に予防するのに役立ついくつかの相関関係とパターンを見つけることである。
製造業の設備は、しばしば計画されたメンテナンスアプローチなしで利用される。
このような実践はしばしば、予期せぬ失敗のために予期せぬダウンタイムをもたらす。
定期保守では、一定時間間隔後に製造装置の状態をチェックし、故障が発生した場合には、予期しない設備停止を回避するために部品を交換する。
逆に、これはマシンが非機能である時間とメンテナンスのコストの増加につながります。
産業4.0の出現とスマートシステムは、ダウンタイムのコストを削減し、製造機器の可用性(利用率)を向上する予測保守戦略(PdM)に重点を置いている。
PdMはまた、コンポーネントの有用な生活を十分に活用することで、製造における新しい持続可能なプラクティスをもたらす可能性がある。
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) - Reinforcement and Deep Reinforcement Learning-based Solutions for
Machine Maintenance Planning, Scheduling Policies, and Optimization [1.6447597767676658]
本稿では,保守計画と最適化問題に対する強化学習と深部強化学習の応用に関する文献的考察を行う。
システムやマシンの状態監視データを強化学習に活用することにより、スマートメンテナンスプランナを開発することができ、スマートファクトリの実現の先駆けとなる。
論文 参考訳（メタデータ） (2023-07-07T22:47:29Z) - 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) - Optimization paper production through digitalization by developing an
assistance system for machine operators including quality forecast: a concept [50.591267188664666]
廃紙からの紙の製造は、特にエネルギー消費の観点からも、依然として非常に資源集約的な課題である。
我々は,その利用方法の欠如を特定し,操作支援システムと最先端の機械学習技術を用いた概念の実装を行った。
我々の主な目的は、利用可能なデータを活用するマシンオペレーターに状況に応じた知識を提供することである。
論文 参考訳（メタデータ） (2022-06-23T09:54:35Z) - Human-in-the-Loop Large-Scale Predictive Maintenance of Workstations [89.51621054382878]
予測保守(英: Predictive maintenance, PdM)とは、システムの状態の統計的解析に基づいて、保守作業のスケジューリングを行うタスクである。
本稿では,機械学習システムがワークステーションの集合における将来の問題を予測できるPdM手法を提案する。
論文 参考訳（メタデータ） (2022-06-23T09:40:46Z) - Prescriptive maintenance with causal machine learning [4.169130102668252]
同様のマシン上での観測データから,保守条件が機械特性に与える影響を学習する。
産業パートナーから4000以上の保守契約に関する実生活データを用いて,提案手法を検証した。
論文 参考訳（メタデータ） (2022-06-03T13:35:57Z) - Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。
本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。
アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
論文 参考訳（メタデータ） (2021-04-08T08:50:44Z) - VisioRed: A Visualisation Tool for Interpretable Predictive Maintenance [5.845912816093006]
マシンラーニングを使用すると、予測および規範的なメンテナンスがシステム障害を予測および防止する。
本稿では,時系列データに基づく予測保守モデルから得られた情報を表示するための解釈を組み込んだ可視化ツールを提案する。
論文 参考訳（メタデータ） (2021-03-31T11:35:51Z) - Right Decisions from Wrong Predictions: A Mechanism Design Alternative
to Individual Calibration [107.15813002403905]
意思決定者は、しばしば不完全な確率予測に頼る必要がある。
本稿では,予測ユーティリティが実際に取得したユーティリティと一致することを保証する補償機構を提案する。
本研究では、乗客が飛行遅延確率に基づいて、個々の旅行計画をどのように確実に最適化できるかを示すアプリケーションを示す。
論文 参考訳（メタデータ） (2020-11-15T08:22:39Z) - Predictive Maintenance for Edge-Based Sensor Networks: A Deep
Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。
機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。
従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文 参考訳（メタデータ） (2020-07-07T10:00:32Z)
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。