論文の概要: Fault Prognosis of Turbofan Engines: Eventual Failure Prediction and
Remaining Useful Life Estimation
- arxiv url: http://arxiv.org/abs/2303.12982v1
- Date: Thu, 23 Mar 2023 01:19:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 15:59:57.439633
- Title: Fault Prognosis of Turbofan Engines: Eventual Failure Prediction and
Remaining Useful Life Estimation
- Title（参考訳）: ターボファンエンジンの故障予後:最終的な故障予測と有効寿命推定
- Authors: Joseph Cohen, Xun Huan, Jun Ni
- Abstract要約: ターボファンエンジンユニットの残余寿命を予測するための深層学習手法は、ラベル付き故障モード情報を利用していない。
新しい予後学的なアプローチは、現在の状態、最終的に失敗したコンポーネント、そして残りの有用な生活を同時に予測するために、カスタマイズされた損失関数で定式化される。
最も高性能なアルゴリズムであるANN-FluxはAUROCとAUPRのスコアを各分類で0.95を超えている。
- 参考スコア（独自算出の注目度）: 1.0742675209112622
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the era of industrial big data, prognostics and health management is
essential to improve the prediction of future failures to minimize inventory,
maintenance, and human costs. Used for the 2021 PHM Data Challenge, the new
Commercial Modular Aero-Propulsion System Simulation dataset from NASA is an
open-source benchmark containing simulated turbofan engine units flown under
realistic flight conditions. Deep learning approaches implemented previously
for this application attempt to predict the remaining useful life of the engine
units, but have not utilized labeled failure mode information, impeding
practical usage and explainability. To address these limitations, a new
prognostics approach is formulated with a customized loss function to
simultaneously predict the current health state, the eventual failing
component(s), and the remaining useful life. The proposed method incorporates
principal component analysis to orthogonalize statistical time-domain features,
which are inputs into supervised regressors such as random forests, extreme
random forests, XGBoost, and artificial neural networks. The highest performing
algorithm, ANN-Flux, achieves AUROC and AUPR scores exceeding 0.95 for each
classification. In addition, ANN-Flux reduces the remaining useful life RMSE by
38% for the same test split of the dataset compared to past work, with
significantly less computational cost.
- Abstract（参考訳）: 産業ビッグデータの時代には、在庫、メンテナンス、人的コストを最小限に抑えるために将来の失敗の予測を改善するためには、予測と健康管理が不可欠である。
2021 phmデータチャレンジに使用されるnasaの新しい商用モジュール型空力推進システムシミュレーションデータセットは、現実的な飛行条件下で飛行するターボファンエンジンユニットをシミュレーションしたオープンソースベンチマークである。
このアプリケーションのために以前に実装されたディープラーニングアプローチは、エンジンユニットの有効寿命を予測しようとするが、ラベル付き障害モード情報を利用せず、実用的な使用と説明可能性を妨げる。
これらの制限に対処するため、新しい予後学的なアプローチがカスタマイズされた損失関数で定式化され、現在の状態、最終的に失敗したコンポーネント、そして残りの有用な寿命を同時に予測する。
提案手法は,ランダム林,極端ランダム林,XGBoost,人工ニューラルネットワークなどの教師付き回帰器に入力される統計時間領域の特徴を直交化するための主成分分析を含む。
最も高性能なアルゴリズムであるANN-FluxはAUROCとAUPRのスコアを各分類で0.95を超えている。
さらに、ANN-Fluxは、過去の作業と比べてデータセットの同じテスト分割に対して、RMSEを38%削減し、計算コストを大幅に削減した。
関連論文リスト
- NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。
我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。
NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
論文 参考訳（メタデータ） (2024-06-21T17:59:02Z) - Controlled physics-informed data generation for deep learning-based
remaining useful life prediction under unseen operation conditions [3.6750425865066925]
本研究は,制御された物理インフォームドデータ生成手法と深層学習に基づく予後予測モデルを組み合わせたものである。
新たに制御された物理インフォームド生成逆数ネットワーク (CPI-GAN) を開発し, 合成劣化軌道を生成する。
生成された軌道はRUL予測の精度を大幅に向上させる。
論文 参考訳（メタデータ） (2023-04-23T17:34:26Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z) - Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient
for Out-of-Distribution Generalization [52.7137956951533]
既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。
本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。
自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
論文 参考訳（メタデータ） (2022-02-14T16:42:16Z) - Accurate Remaining Useful Life Prediction with Uncertainty
Quantification: a Deep Learning and Nonstationary Gaussian Process Approach [0.0]
有用寿命 (Retaining useful life, RUL) とは、あるコンポーネントやシステムの寿命が期待されていることを指す。
我々は、深層学習と非定常ガウス過程回帰(DL-NSGPR)の利点を統合し、活用する、不確実な定量化を伴う高精度なRUL予測モデルを考案した。
計算実験の結果,DL-NSGPR予測はルート平均2乗誤差1.7～6.2倍の精度で精度が高いことがわかった。
論文 参考訳（メタデータ） (2021-09-23T18:19:58Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - 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) - Adaptive Degradation Process with Deep Learning-Driven Trajectory [5.060233857860902]
RUL(Remaining useful Life)推定は、インテリジェントな予測保守と健康管理の実装において重要な要素である。
本論文では, ハイブリットDNNベースの予後予測モデルを開発し, 適応ドリフトを用いてシステム劣化を特徴づける。
LSTM-CNNエンコーダデコーダを開発し、ノイズ係数とドリフト係数を併用して将来の劣化軌道を予測し、ベイズ推論により適応ドリフトを更新する。
論文 参考訳（メタデータ） (2021-03-22T06:00:42Z) - Data-driven method for real-time prediction and uncertainty
quantification of fatigue failure under stochastic loading using artificial
neural networks and Gaussian process regression [0.0]
早期故障予測の方法は、工学、軍事、および市民の用途に不可欠です。
不確実性(UQ)は、リアルタイム意思決定の目的において重要である。
論文 参考訳（メタデータ） (2021-03-11T13:57:08Z)
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。