論文の概要: A Large-Scale Annotated Multivariate Time Series Aviation Maintenance Dataset from the NGAFID

• arxiv url: http://arxiv.org/abs/2210.07317v1
• Date: Thu, 13 Oct 2022 19:43:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 17:08:39.736017
• Title: A Large-Scale Annotated Multivariate Time Series Aviation Maintenance Dataset from the NGAFID
• Title（参考訳）: NGAFIDによる大規模多変量時系列航空整備データセット
• Authors: Hong Yang, Travis Desell
• Abstract要約: 本報告では, 飛行記録とメンテナンスログデータを用いて, 部品の故障とメンテナンスの必要性を予測する。 28,935回の飛行で31,177時間の飛行データがあり、これは計画外のメンテナンスイベント2,111件に対して発生します。 飛行は前または後のように注釈付けされ、一部の飛行はメンテナンスの日に行われる。
• 参考スコア（独自算出の注目度）: 20.38907456958682
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper presents the largest publicly available, non-simulated, fleet-wide aircraft flight recording and maintenance log data for use in predicting part failure and maintenance need. We present 31,177 hours of flight data across 28,935 flights, which occur relative to 2,111 unplanned maintenance events clustered into 36 types of maintenance issues. Flights are annotated as before or after maintenance, with some flights occurring on the day of maintenance. Collecting data to evaluate predictive maintenance systems is challenging because it is difficult, dangerous, and unethical to generate data from compromised aircraft. To overcome this, we use the National General Aviation Flight Information Database (NGAFID), which contains flights recorded during regular operation of aircraft, and maintenance logs to construct a part failure dataset. We use a novel framing of Remaining Useful Life (RUL) prediction and consider the probability that the RUL of a part is greater than 2 days. Unlike previous datasets generated with simulations or in laboratory settings, the NGAFID Aviation Maintenance Dataset contains real flight records and maintenance logs from different seasons, weather conditions, pilots, and flight patterns. Additionally, we provide Python code to easily download the dataset and a Colab environment to reproduce our benchmarks on three different models. Our dataset presents a difficult challenge for machine learning researchers and a valuable opportunity to test and develop prognostic health management methods
• Abstract（参考訳）: 本論文は、部品の故障やメンテナンスの必要性を予測するために使用される、最大で、非シミュレーション、フリートワイドの航空機飛行記録およびメンテナンスログデータを提供する。 28,935回の飛行で31,177時間の飛行データを報告し、36種類のメンテナンス問題に集約された2,111件の未計画のメンテナンスイベントと比較した。 飛行は前または後のように注釈付けされ、一部の飛行はメンテナンスの日に行われる。 漏洩した航空機からデータを生成するのは困難で危険であり、倫理的ではないため、予測メンテナンスシステムを評価するためのデータ収集は困難である。 これを克服するために、航空機の定期運用中に記録された飛行とメンテナンスログを含む国立一般航空情報データベース(NGAFID)を用いて、部品故障データセットを構築する。 本稿では,Remaining Useful Life (RUL) 予測の新たな枠組みを用いて,ある部分の RUL が 2 日を超える確率を考察する。 シミュレーションや実験室で生成された以前のデータセットとは異なり、ngafidの航空メンテナンスデータセットには、実際の飛行記録と異なる季節、気象条件、パイロット、飛行パターンのメンテナンスログが含まれている。 さらに,データセットとColab環境を簡単にダウンロードして,ベンチマークを3つの異なるモデルで再現するためのPythonコードも提供しています。 私たちのデータセットは、機械学習研究者にとって難しい課題であり、予後の高い健康管理手法をテストし開発する貴重な機会である。

関連論文リスト

• Machine Learning-Enhanced Aircraft Landing Scheduling under Uncertainties [14.474624795989824]
  自動化と安全性の向上を目的とした,革新的な機械学習(ML)強化型ランディングスケジューリング手法を提案する。 ML予測は、時間制約のある旅行セールスマン問題の定式化において、安全制約として統合される。 ケーススタディでは、FCFS(First-Come-First-Served)ルールと比較して、総着陸時間が平均17.2%減少している。
  論文  参考訳（メタデータ） (2023-11-27T17:50:14Z)
• Big data-driven prediction of airspace congestion [40.02298833349518]
  国立航空宇宙システム(NAS)内の特定の空域セクターの航空機数を正確に予測する新しいデータ管理・予測システムを提案する。 前処理ステップでは、システムは受信した生データを処理し、それをコンパクトなサイズに減らし、コンパクトなデータベースに格納する。 予測段階において、システムは歴史的軌跡から学習し、そのセグメントを使用して、セクター境界交差、気象パラメータ、その他の航空交通データなどの重要な特徴を収集する。
  論文  参考訳（メタデータ） (2023-10-13T09:57:22Z)
• Data-Copilot: Bridging Billions of Data and Humans with Autonomous Workflow [49.724842920942024]
  金融、気象学、エネルギーといった産業は毎日大量のデータを生み出している。 本研究では,データ分析エージェントであるData-Copilotを提案する。
  論文  参考訳（メタデータ） (2023-06-12T16:12:56Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Predicting Breakdown Risk Based on Historical Maintenance Data for Air Force Ground Vehicles [0.0]
  予定外のメンテナンスは、航空機のダウンタイムの延長と、空軍のロジスティック・レディネス飛行隊(LRS)のコストの増大に寄与している。 LRSの現在の保守システムにおける主要な傾向は、予定外の修理の流入に対処するための予測された保守インフラがないことである。 正確な予測システムを構築するために3つの異なるアルゴリズムを独立に適用し、いつでもメンテナンススケジュールを最適化する。
  論文  参考訳（メタデータ） (2021-12-22T21:13:01Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)
• Predictive Maintenance for General Aviation Using Convolutional Transformers [15.030537285435573]
  本研究はNGAFID保守分類(NGAFID-MC)データセットを,難易度,サンプル数,シーケンス長の新たなベンチマークとして導入する。 NGAFID-MCは7,500回以上のラベル付き飛行で構成され、23のセンサーパラメータからなる秒間1秒あたり11,500時間以上のデータレコーダーの読み取りを表現している。 本稿では,コンボリューショナル・マルチヘッド・セルフアテンション(Conv-MHSA)と呼ばれる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-10-07T19:18:52Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Spatio-Temporal Data Mining for Aviation Delay Prediction [15.621546618044173]
  本研究では,商業飛行における長期記憶ネットワーク(LSTM)に基づく航空機遅延予測システムを提案する。 このシステムは、自動監視放送(ADS-B)メッセージから歴史的軌跡から学習する。 従来と比べ,大規模なハブ空港ではより堅牢で正確であることが実証された。
  論文  参考訳（メタデータ） (2021-03-20T18:37:06Z)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。