論文の概要: A data-driven modular architecture with denoising autoencoders for
health indicator construction in a manufacturing process
- arxiv url: http://arxiv.org/abs/2208.05208v1
- Date: Wed, 10 Aug 2022 08:12:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-11 13:29:35.712780
- Title: A data-driven modular architecture with denoising autoencoders for
health indicator construction in a manufacturing process
- Title（参考訳）: 製造工程におけるヘルスインジケータ構築のためのデノージングオートエンコーダを用いたデータ駆動型モジュラーアーキテクチャ
- Authors: Emil Blixt Hansen, Helge Langseth, Nadeem Iftikhar, Simon B{\o}gh
- Abstract要約: 健康指標(HI)は、生産を助け、メンテナンスをスケジュールし、失敗を避けるために用いられる。
HIは特定のプロセスにエンジニアリングされることが多く、通常、セットアップには大量の履歴データを必要とする。
歴史的データを持たないシステムのためのHI構築におけるモジュラー手法であるModularHIを提案する。
- 参考スコア（独自算出の注目度）: 1.0637125300701793
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Within the field of prognostics and health management (PHM), health
indicators (HI) can be used to aid the production and, e.g. schedule
maintenance and avoid failures. However, HI is often engineered to a specific
process and typically requires large amounts of historical data for set-up.
This is especially a challenge for SMEs, which often lack sufficient resources
and knowledge to benefit from PHM. In this paper, we propose ModularHI, a
modular approach in the construction of HI for a system without historical
data. With ModularHI, the operator chooses which sensor inputs are available,
and then ModularHI will compute a baseline model based on data collected during
a burn-in state. This baseline model will then be used to detect if the system
starts to degrade over time. We test the ModularHI on two open datasets, CMAPSS
and N-CMAPSS. Results from the former dataset showcase our system's ability to
detect degradation, while results from the latter point to directions for
further research within the area. The results shows that our novel approach is
able to detect system degradation without historical data.
- Abstract（参考訳）: 予後と健康管理(PHM)の分野において、健康指標(HI)は生産を助け、例えばメンテナンスのスケジュールや失敗を避けるために用いられる。
しかし、HIは特定のプロセスにエンジニアリングされることが多く、通常セットアップには大量の履歴データを必要とする。
これは特に、PHMから得られる十分なリソースと知識が不足している中小企業にとっての課題である。
本稿では,歴史的データを持たないシステムにおけるHI構築におけるモジュール方式であるModularHIを提案する。
ModularHIでは、オペレータがどのセンサー入力が利用可能かを選択し、次にModularHIはバーンイン状態中に収集されたデータに基づいてベースラインモデルを計算する。
このベースラインモデルは、システムが時間とともに劣化し始めるかどうかを検出するために使用される。
CMAPSSとN-CMAPSSの2つのオープンデータセット上でModularHIをテストする。
前者のデータセットの結果は、劣化を検出するシステムの能力を示し、後者の結果は、領域内でさらなる研究を行うための方向を示す。
その結果,新しい手法では履歴データなしでシステムの劣化を検知できることがわかった。
関連論文リスト
- Data-driven Bayesian State Estimation with Compressed Measurement of Model-free Process using Semi-supervised Learning [57.04370580292727]
モデルフリープロセスの圧縮測定(BSCM)によるデータ駆動ベイズ状態の推定。
時間的測定ベクトルの次元は、推定される時間的状態ベクトルの次元よりも低い。
既存の2つの教師なし学習ベースのデータ駆動手法は、モデルフリープロセスのBSCM問題に対処できない。
半教師付き学習に基づくDANSE手法を開発し,その手法をSemiDANSEと呼ぶ。
論文 参考訳（メタデータ） (2024-07-10T05:03:48Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - A robust deep learning-based damage identification approach for SHM
considering missing data [12.46223206282221]
欠落したデータは構造的健康モニタリング法の伝導に大きな影響を及ぼす。
本稿では,欠落したデータ事例を考慮に入れたロバストな損傷識別手法を提案する。
その結果、欠落したデータ計算と損傷識別を併用できることが判明した。
論文 参考訳（メタデータ） (2023-03-31T18:00:56Z) - System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。
このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文 参考訳（メタデータ） (2022-08-30T20:16:17Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Big Machinery Data Preprocessing Methodology for Data-Driven Models in
Prognostics and Health Management [0.0]
本稿では,複雑なシステムからの監視データの事前処理のための包括的,ステップバイステップパイプラインを提案する。
データ選択とラベル生成の文脈で専門家の知識の重要性を論じる。
検証のために2つのケーススタディが提示され、最終的な目標は、健全で不健康なラベルでクリーンなデータセットを作成することである。
論文 参考訳（メタデータ） (2021-10-08T17:10:12Z) - Data-driven Residual Generation for Early Fault Detection with Limited
Data [4.129225533930966]
多くの複雑なシステムでは、システムのための高精度なモデルを開発することは不可能である。
データ駆動型ソリューションは、いくつかの実践的な理由から、産業システムにおいて大きな注目を集めている。
モデルに基づく手法とは異なり、圧力や電圧などの時系列測定を他の情報源と組み合わせることが直接の前進である。
論文 参考訳（メタデータ） (2021-09-28T03:18:03Z) - KalmanNet: Neural Network Aided Kalman Filtering for Partially Known
Dynamics [84.18625250574853]
KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。
我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
論文 参考訳（メタデータ） (2021-07-21T12:26:46Z) - Medical data wrangling with sequential variational autoencoders [5.9207487081080705]
本稿では,逐次変分オートエンコーダ(vaes)を用いた異種データ型とバースト欠落データを用いた医療データ記録のモデル化を提案する。
GP-VAEモデルより計算複雑性が低く,両指標を用いた場合,Shi-VAEが最高の性能を発揮することを示す。
論文 参考訳（メタデータ） (2021-03-12T10:59:26Z) - Data Anomaly Detection for Structural Health Monitoring of Bridges using
Shapelet Transform [0.0]
多くの構造健康モニタリング(SHM)システムが、土木インフラを監視するために配備されている。
SHMシステムによって測定されたデータは、故障または故障したセンサーによって引き起こされる複数の異常によって影響を受ける傾向にある。
本稿では,SHMデータの異常を自律的に識別するために,Shapelet Transformという比較的新しい時系列表現を提案する。
論文 参考訳（メタデータ） (2020-08-31T01:11:04Z)
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。