論文の概要: Multi-Dimensional Self Attention based Approach for Remaining Useful Life Estimation

• arxiv url: http://arxiv.org/abs/2212.05772v1
• Date: Mon, 12 Dec 2022 08:50:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 15:25:52.360755
• Title: Multi-Dimensional Self Attention based Approach for Remaining Useful Life Estimation
• Title（参考訳）: 多次元自己注意に基づく生活推定のためのアプローチ
• Authors: Zhi Lai, Mengjuan Liu, Yunzhu Pan, Dajiang Chen
• Abstract要約: RUL(Remaining Useful Life)推定は、予後・健康管理(PHM)において重要な役割を担っている。 本稿では,IIoTシナリオにおけるマルチセンサデバイスのための生活予測モデルについて検討する。 本稿では,RUL推定のためのデータ駆動手法を提案する。
• 参考スコア（独自算出の注目度）: 0.17205106391379021
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Remaining Useful Life (RUL) estimation plays a critical role in Prognostics and Health Management (PHM). Traditional machine health maintenance systems are often costly, requiring sufficient prior expertise, and are difficult to fit into highly complex and changing industrial scenarios. With the widespread deployment of sensors on industrial equipment, building the Industrial Internet of Things (IIoT) to interconnect these devices has become an inexorable trend in the development of the digital factory. Using the device's real-time operational data collected by IIoT to get the estimated RUL through the RUL prediction algorithm, the PHM system can develop proactive maintenance measures for the device, thus, reducing maintenance costs and decreasing failure times during operation. This paper carries out research into the remaining useful life prediction model for multi-sensor devices in the IIoT scenario. We investigated the mainstream RUL prediction models and summarized the basic steps of RUL prediction modeling in this scenario. On this basis, a data-driven approach for RUL estimation is proposed in this paper. It employs a Multi-Head Attention Mechanism to fuse the multi-dimensional time-series data output from multiple sensors, in which the attention on features is used to capture the interactions between features and attention on sequences is used to learn the weights of time steps. Then, the Long Short-Term Memory Network is applied to learn the features of time series. We evaluate the proposed model on two benchmark datasets (C-MAPSS and PHM08), and the results demonstrate that it outperforms the state-of-art models. Moreover, through the interpretability of the multi-head attention mechanism, the proposed model can provide a preliminary explanation of engine degradation. Therefore, this approach is promising for predictive maintenance in IIoT scenarios.
• Abstract（参考訳）: Remaining Useful Life (RUL) は、予後・健康管理(PHM)において重要な役割を担っている。 従来の機械の健康維持システムはしばしばコストがかかり、事前の専門知識が必要であり、高度に複雑で変化する産業シナリオに適合することは困難である。 産業機器へのセンサーの普及に伴い、これらの機器を相互接続するための産業用モノのインターネット(iiot)の構築は、デジタル工場の発展において不可解なトレンドとなっている。 IIoTが収集したリアルタイムな運用データを用いて、推定されたRULをRUL予測アルゴリズムにより取得し、PHMシステムはデバイスに対する前向きなメンテナンス対策を開発することにより、メンテナンスコストを低減し、運用中の障害時間を短縮することができる。 本稿では,IIoTシナリオにおけるマルチセンサデバイスのための生活予測モデルについて検討する。 本シナリオでは,主流rul予測モデルを調査し,rul予測モデリングの基本ステップを要約した。 そこで本論文では,RUL推定のためのデータ駆動手法を提案する。 複数のセンサから出力される多次元時系列データを融合するために、マルチヘッド注意機構を使用し、特徴に対する注意が特徴とシーケンスに対する注意の相互作用を捉え、時間ステップの重みを学習する。 そして、時系列の特徴を学習するためにLong Short-Term Memory Networkを適用する。 提案モデルを2つのベンチマークデータセット(c-mapssとphm08)で評価し,結果が最先端モデルを上回ることを示した。 さらに, マルチヘッドアテンション機構の解釈可能性により, 提案モデルはエンジン劣化の予備的な説明を与えることができる。 したがって、このアプローチはIIoTシナリオの予測メンテナンスを約束する。

関連論文リスト

• Remaining Useful Life Prediction: A Study on Multidimensional Industrial Signal Processing and Efficient Transfer Learning Based on Large Language Models [6.118896920507198]
  本稿では,大言語モデル(LLM)をRUL予測に用いる革新的な回帰フレームワークを提案する。 ターボファンエンジンのRUL予測タスクの実験では、提案モデルが最先端(SOTA)法を超越していることが示されている。 微調整のための最小限のターゲットドメインデータでは、モデルは完全なターゲットドメインデータに基づいて訓練されたSOTAメソッドよりも優れている。
  論文  参考訳（メタデータ） (2024-10-04T04:21:53Z)
• Oscillations enhance time-series prediction in reservoir computing with feedback [3.3686252536891454]
  貯留層コンピューティング(Reservoir computing)は、脳のモデリングに使用される機械学習フレームワークである。 貯水池系が不安定になるため、長期目標時系列を正確に再現することは困難である。 本研究では,振動駆動型貯水池計算 (ODRC) をフィードバックで提案する。
  論文  参考訳（メタデータ） (2024-06-05T02:30:29Z)
• Perceiver-based CDF Modeling for Time Series Forecasting [25.26713741799865]
  本稿では,時系列データの累積分布関数(CDF)をモデル化するための新しいアーキテクチャであるPerceiver-CDFを提案する。 提案手法は,マルチモーダル時系列予測に適したコプラに基づくアテンション機構と,知覚アーキテクチャを組み合わせたものである。 単調かつマルチモーダルなベンチマークの実験は、最先端の手法よりも20%改善されていることを一貫して示している。
  論文  参考訳（メタデータ） (2023-10-03T01:13:17Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• 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)
• 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)
• 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)
• Attention Sequence to Sequence Model for Machine Remaining Useful Life Prediction [13.301585196004796]
  本稿では,ATS2Sモデルを用いた新しいアテンションベースシーケンスを考案する。 我々は、トレーニング過程において重要な入力情報すべてに焦点を合わせるために、注意機構を採用している。 提案手法は,13の最先端手法よりも優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2020-07-20T03:40:51Z)
• 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)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。