論文の概要: Masked Self-Supervision for Remaining Useful Lifetime Prediction in Machine Tools

• arxiv url: http://arxiv.org/abs/2207.01219v1
• Date: Mon, 4 Jul 2022 06:08:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 14:02:31.139212
• Title: Masked Self-Supervision for Remaining Useful Lifetime Prediction in Machine Tools
• Title（参考訳）: 機械工具の寿命予測のためのマスクセルフスーパービジョン
• Authors: Haoren Guo, Haiyue Zhu, Jiahui Wang, Vadakkepat Prahlad, Weng Khuen Ho, Tong Heng Lee
• Abstract要約: 産業4.0では, 現代製造業現場における残留実用ライフタイム(RUL)の予測が不可欠である。 ディープラーニングのアプローチが利用可能になったことで、これらをRUL予測に活用する大きな可能性と展望が、いくつかのモデルを生み出した。 これはラベルのないデータを利用して、RUL予測のためのディープラーニングモデルを構築するために設計されている。
• 参考スコア（独自算出の注目度）: 3.175781028910441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prediction of Remaining Useful Lifetime(RUL) in the modern manufacturing and automation workplace for machines and tools is essential in Industry 4.0. This is clearly evident as continuous tool wear, or worse, sudden machine breakdown will lead to various manufacturing failures which would clearly cause economic loss. With the availability of deep learning approaches, the great potential and prospect of utilizing these for RUL prediction have resulted in several models which are designed driven by operation data of manufacturing machines. Current efforts in these which are based on fully-supervised models heavily rely on the data labeled with their RULs. However, the required RUL prediction data (i.e. the annotated and labeled data from faulty and/or degraded machines) can only be obtained after the machine breakdown occurs. The scarcity of broken machines in the modern manufacturing and automation workplace in real-world situations increases the difficulty of getting sufficient annotated and labeled data. In contrast, the data from healthy machines is much easier to be collected. Noting this challenge and the potential for improved effectiveness and applicability, we thus propose (and also fully develop) a method based on the idea of masked autoencoders which will utilize unlabeled data to do self-supervision. In thus the work here, a noteworthy masked self-supervised learning approach is developed and utilized. This is designed to seek to build a deep learning model for RUL prediction by utilizing unlabeled data. The experiments to verify the effectiveness of this development are implemented on the C-MAPSS datasets (which are collected from the data from the NASA turbofan engine). The results rather clearly show that our development and approach here perform better, in both accuracy and effectiveness, for RUL prediction when compared with approaches utilizing a fully-supervised model.
• Abstract（参考訳）: 産業4.0では、機械・工具の近代的製造・自動化作業場における残留実用ライフタイム(RUL)の予測が不可欠である。 このことは、継続的ツールの着用、またはさらに悪いことに、突然の機械の故障が様々な製造業の失敗を招き、明らかに経済的損失を引き起こす。 ディープラーニングのアプローチが利用可能になったことにより、これらをRUL予測に活用する大きな可能性と展望が、製造機械の運転データに基づいて設計されたいくつかのモデルを生み出した。 完全な教師付きモデルに基づくこれらの現在の取り組みは、彼らのルールでラベル付けされたデータに大きく依存している。 しかし、必要なRUL予測データ(すなわち、故障および/または劣化したマシンからの注釈付きラベル付きデータ)は、機械の故障発生後にのみ取得できる。 現代の製造業や自動化作業場における壊れた機械の不足は、十分な注釈とラベル付きデータを得ることの難しさを増す。 対照的に、健全なマシンからのデータを収集するのはずっと簡単です。 そこで我々は,この課題と,有効性と適用性の向上の可能性に注目し,未ラベルデータを用いて自己監督を行うマスク付きオートエンコーダのアイデアに基づく手法を提案する。 そこで本研究では,有意義な自己教師型学習手法を開発し,活用する。 これはラベルのないデータを利用して、RUL予測のためのディープラーニングモデルを構築するために設計されている。 この開発の有効性を検証する実験は、NASAターボファンエンジンのデータから収集したC-MAPSSデータセット上で実施されている。 その結果, 完全教師付きモデルを用いた手法と比較して, RUL予測では, 精度, 有効性ともに, 開発とアプローチが良好であることが明らかとなった。

関連論文リスト

• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• 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)
• The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
  大規模言語モデル(LLM)はAIの進歩の基礎となっている。 LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。 機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
  論文  参考訳（メタデータ） (2024-03-23T09:26:15Z)
• Data-driven prediction of tool wear using Bayesian-regularized artificial neural networks [8.21266434543609]
  工具摩耗の予測は、製造におけるコストの最小化と製品品質の向上に役立つ。 ベイジアン正規化ニューラルネットワーク(BRANN)を用いて,加工工具の摩耗を正確に予測する新しいデータ駆動モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-30T15:22:20Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• Remaining useful life prediction with uncertainty quantification: development of a highly accurate model for rotating machinery [0.0]
  VisProと呼ばれる不確実な定量化を伴う新しいアーキテクチャとRUL予測モデルを考案する。 我々は、回転機械の他の高度なデータ駆動型RUL予測モデルと比較し、得られた結果を分析し、ベンチマークする。
  論文  参考訳（メタデータ） (2021-09-23T18:22:27Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• 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)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)

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。