論文の概要: A Hybrid Deep Learning Model-based Remaining Useful Life Estimation for
Reed Relay with Degradation Pattern Clustering
- arxiv url: http://arxiv.org/abs/2209.06429v1
- Date: Wed, 14 Sep 2022 05:45:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-15 13:45:02.338854
- Title: A Hybrid Deep Learning Model-based Remaining Useful Life Estimation for
Reed Relay with Degradation Pattern Clustering
- Title（参考訳）: 分解パターンクラスタリングを用いたreedリレーのハイブリッド型ディープラーニングモデルに基づく有効寿命推定
- Authors: Chinthaka Gamanayake, Yan Qin, Chau Yuen, Lahiru Jayasinghe,
Dominique-Ea Tan and Jenny Low
- Abstract要約: リードリレーは機能テストの基本的な構成要素であり、電子機器の品質検査の成功と密接に関係している。
リードリレーの有効寿命(RUL)を正確に推定するために,劣化パターンクラスタリングを用いたハイブリッドディープラーニングネットワークを提案する。
- 参考スコア（独自算出の注目度）: 12.631122036403864
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reed relay serves as the fundamental component of functional testing, which
closely relates to the successful quality inspection of electronics. To provide
accurate remaining useful life (RUL) estimation for reed relay, a hybrid deep
learning network with degradation pattern clustering is proposed based on the
following three considerations. First, multiple degradation behaviors are
observed for reed relay, and hence a dynamic time wrapping-based $K$-means
clustering is offered to distinguish degradation patterns from each other.
Second, although proper selections of features are of great significance, few
studies are available to guide the selection. The proposed method recommends
operational rules for easy implementation purposes. Third, a neural network for
remaining useful life estimation (RULNet) is proposed to address the weakness
of the convolutional neural network (CNN) in capturing temporal information of
sequential data, which incorporates temporal correlation ability after
high-level feature representation of convolutional operation. In this way,
three variants of RULNet are constructed with health indicators, features with
self-organizing map, or features with curve fitting. Ultimately, the proposed
hybrid model is compared with the typical baseline models, including CNN and
long short-term memory network (LSTM), through a practical reed relay dataset
with two distinct degradation manners. The results from both degradation cases
demonstrate that the proposed method outperforms CNN and LSTM regarding the
index root mean squared error.
- Abstract（参考訳）: リードリレーは、電子機器の品質検査の成功に密接に関連している機能テストの基本部品である。
リードリレーの有効寿命(RUL)を正確に推定するために、以下の3つの考察に基づいて、劣化パターンクラスタリングを伴うハイブリッドディープラーニングネットワークを提案する。
まず, リードリレーにおいて複数の劣化挙動が観察され, 動的時間ラッピングに基づく$K$-meansクラスタリングが提供され, 劣化パターンを区別する。
第二に、適切な特徴の選択は極めて重要であるが、その選択を導く研究はほとんどない。
提案手法は,実装が容易な運用ルールを推奨する。
第3に,畳み込み動作の高レベル特徴表現後の時間相関能力を取り入れた逐次データの時間情報取得における畳み込みニューラルネットワーク(cnn)の弱点に対処するために,rulnet(convolutional life estimation)を継続するニューラルネットワークを提案する。
このようにして、rulnetの3つの変種は健康指標、自己組織化マップのある特徴、カーブフィットのある特徴で構築される。
最終的に、提案したハイブリッドモデルは、CNNと長期記憶ネットワーク(LSTM)を含む典型的なベースラインモデルと比較され、実用的なリードリレーデータセットを2つの異なる分解方式で実現している。
その結果,提案手法は指数根平均二乗誤差に関してCNNとLSTMより優れていた。
関連論文リスト
- Time Elastic Neural Networks [2.1756081703276]
時間弾性ニューラルネットワーク(teNN)という,非定型ニューラルネットワークアーキテクチャの導入と詳細化について述べる。
古典的ニューラルネットワークアーキテクチャと比較して新しいのは、時間ゆがみ能力を明確に組み込んでいることだ。
トレーニング過程において,TENNは各細胞に必要となるニューロン数を減少させることに成功した。
論文 参考訳（メタデータ） (2024-05-27T09:01:30Z) - DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。
弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。
我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
論文 参考訳（メタデータ） (2024-03-14T02:11:38Z) - A Library of Mirrors: Deep Neural Nets in Low Dimensions are Convex Lasso Models with Reflection Features [54.83898311047626]
2層から有限層まで線形に活性化するニューラルネットワークについて検討する。
まず, 分岐深さの離散辞書を用いたLassoモデルについて検討した。
論文 参考訳（メタデータ） (2024-03-02T00:33:45Z) - Iterative self-transfer learning: A general methodology for response
time-history prediction based on small dataset [0.0]
本研究では,小さなデータセットに基づいてニューラルネットワークを学習するための反復的自己伝達学習手法を提案する。
提案手法は,小さなデータセットに対して,ほぼ一桁の精度でモデル性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2023-06-14T18:48:04Z) - JANA: Jointly Amortized Neural Approximation of Complex Bayesian Models [0.5872014229110214]
難治度関数と後部密度の共振型ニューラル近似(JANA)を提案する。
JANAの忠実度を、最先端のベイズ手法に対して様々なシミュレーションモデルで評価する。
論文 参考訳（メタデータ） (2023-02-17T20:17:21Z) - Case-Base Neural Networks: survival analysis with time-varying,
higher-order interactions [0.20482269513546458]
本稿では、ケースベースサンプリングフレームワークとフレキシブルニューラルネットワークアーキテクチャを組み合わせた新しいアプローチとして、ケースベースニューラルネットワーク(CBNN)を提案する。
CBNNは、ある時点に発生した事象の確率を予測し、完全なハザード関数を推定する。
この結果から,ケースベースサンプリングとディープラーニングを組み合わせることで,単一イベントサバイバル結果のデータ駆動モデリングのための,シンプルで柔軟なフレームワークを提供することができた。
論文 参考訳（メタデータ） (2023-01-16T17:44:16Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳（メタデータ） (2021-04-11T16:45:18Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。
種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。
共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
論文 参考訳（メタデータ） (2020-10-01T17:51:49Z)
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。