論文の概要: Prescriptive maintenance with causal machine learning

• arxiv url: http://arxiv.org/abs/2206.01562v1
• Date: Fri, 3 Jun 2022 13:35:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-06 19:12:06.327907
• Title: Prescriptive maintenance with causal machine learning
• Title（参考訳）: 因果機械学習による規範的メンテナンス
• Authors: Toon Vanderschueren, Robert Boute, Tim Verdonck, Bart Baesens, Wouter Verbeke
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.169130102668252
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine maintenance is a challenging operational problem, where the goal is to plan sufficient preventive maintenance to avoid machine failures and overhauls. Maintenance is often imperfect in reality and does not make the asset as good as new. Although a variety of imperfect maintenance policies have been proposed in the literature, these rely on strong assumptions regarding the effect of maintenance on the machine's condition, assuming the effect is (1) deterministic or governed by a known probability distribution, and (2) machine-independent. This work proposes to relax both assumptions by learning the effect of maintenance conditional on a machine's characteristics from observational data on similar machines using existing methodologies for causal inference. By predicting the maintenance effect, we can estimate the number of overhauls and failures for different levels of maintenance and, consequently, optimize the preventive maintenance frequency to minimize the total estimated cost. We validate our proposed approach using real-life data on more than 4,000 maintenance contracts from an industrial partner. Empirical results show that our novel, causal approach accurately predicts the maintenance effect and results in individualized maintenance schedules that are more accurate and cost-effective than supervised or non-individualized approaches.
• Abstract（参考訳）: マシンのメンテナンスは、マシンの障害やオーバーホールを避けるために十分な予防的メンテナンスを計画することを目的としている。 メンテナンスは現実的には不完全であり、新しい資産ほど良いものではない。 文献では様々な不完全な保守方針が提案されているが, 機械の状態に対する保守の影響については, 1) 既知確率分布による決定的・支配的効果と(2) 機械独立性の仮定に強く依存している。 本研究は,既存の因果推論手法を用いた類似機械の観測データから,保守条件が機械特性に与える影響を学習することにより,両方の仮定を緩和することを提案する。 メンテナンス効果を予測することにより,メンテナンスレベルの異なるオーバーホールや障害の数を推定し,その結果,予防的メンテナンス頻度を最適化し,総コストを最小化することができる。 産業パートナーの4000以上の保守契約において,実生活データを用いて提案手法を検証する。 実験の結果, 提案手法は, 保守効果を正確に予測し, 管理や非個別化アプローチよりも正確かつコスト効率の高い個別化メンテナンススケジュールを実現できることがわかった。

関連論文リスト

• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Automatically Adaptive Conformal Risk Control [49.95190019041905]
  本稿では,テストサンプルの難易度に適応して,統計的リスクの近似的条件制御を実現する手法を提案する。 我々のフレームワークは、ユーザが提供するコンディショニングイベントに基づく従来のコンディショニングリスク制御を超えて、コンディショニングに適した関数クラスのアルゴリズム的、データ駆動決定を行う。
  論文  参考訳（メタデータ） (2024-06-25T08:29:32Z)
• 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)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• 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)
• Predictive Maintenance using Machine Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2022-05-19T09:05:37Z)
• 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)
• 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)
• An Economic Perspective on Predictive Maintenance of Filtration Units [0.0]
  企業による予測保守の導入率は依然として低い。 主な問題は、ほとんどの上級管理職が予測保守の考えを十分に確信していないことである。 本研究は,予測保守の技術的領域とビジネス領域のギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2020-08-25T14:43:30Z)
• 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。