論文の概要: Controlled physics-informed data generation for deep learning-based
remaining useful life prediction under unseen operation conditions
- arxiv url: http://arxiv.org/abs/2304.11702v1
- Date: Sun, 23 Apr 2023 17:34:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 16:54:58.427744
- Title: Controlled physics-informed data generation for deep learning-based
remaining useful life prediction under unseen operation conditions
- Title（参考訳）: 未知操作条件下での深層学習に基づく生命予測のための物理制御型データ生成
- Authors: Jiawei Xiong, Olga Fink, Jian Zhou, Yizhong Ma
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.6750425865066925
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Limited availability of representative time-to-failure (TTF) trajectories
either limits the performance of deep learning (DL)-based approaches on
remaining useful life (RUL) prediction in practice or even precludes their
application. Generating synthetic data that is physically plausible is a
promising way to tackle this challenge. In this study, a novel hybrid framework
combining the controlled physics-informed data generation approach with a deep
learning-based prediction model for prognostics is proposed. In the proposed
framework, a new controlled physics-informed generative adversarial network
(CPI-GAN) is developed to generate synthetic degradation trajectories that are
physically interpretable and diverse. Five basic physics constraints are
proposed as the controllable settings in the generator. A physics-informed loss
function with penalty is designed as the regularization term, which ensures
that the changing trend of system health state recorded in the synthetic data
is consistent with the underlying physical laws. Then, the generated synthetic
data is used as input of the DL-based prediction model to obtain the RUL
estimations. The proposed framework is evaluated based on new Commercial
Modular Aero-Propulsion System Simulation (N-CMAPSS), a turbofan engine
prognostics dataset where a limited avail-ability of TTF trajectories is
assumed. The experimental results demonstrate that the proposed framework is
able to generate synthetic TTF trajectories that are consistent with underlying
degradation trends. The generated trajectories enable to significantly improve
the accuracy of RUL predictions.
- Abstract（参考訳）: 代表的なTTF(Time-to-failure)トラジェクトリの限られた可用性は、ディープラーニング(DL)ベースのアプローチによる、実用上の有用寿命(RUL)予測の維持や、その適用を妨げている。
物理的に妥当な合成データを生成することは、この課題に取り組むための有望な方法だ。
本研究では,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測モデルを組み合わせた新しいハイブリッドフレームワークを提案する。
提案手法では, 物理的に解釈可能で多様な合成劣化軌跡を生成するために, 新しい制御物理インフォームド生成逆数ネットワーク (CPI-GAN) を開発した。
5つの基本的な物理制約がジェネレータの制御可能な設定として提案されている。
物理インフォームド損失関数を正規化項として設計することにより、合成データに記録されたシステム状態の変化傾向が、基礎となる物理法則と一致していることを保証する。
そして、生成した合成データをDLベースの予測モデルの入力として使用し、RUL推定値を得る。
提案手法は,TTFトラジェクトリの限られた有効性を想定したターボファンエンジンのプログノスティックデータセットである,新しい商用モジュール型エアロ推進システムシミュレーション (N-CMAPSS) に基づいて評価される。
実験により, 本フレームワークは, 劣化傾向に整合した合成TTFトラジェクトリを生成することができることを示した。
生成された軌道はRUL予測の精度を大幅に向上させる。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Data-Driven Dynamic Friction Models based on Recurrent Neural Networks [0.0]
ゲーテッド・リカレント・ユニット(GRU)アーキテクチャに基づくリカレントニューラルネットワーク(RNN)は、合成データからレート・アンド・ステート摩擦則の複雑な力学を学習する。
その結果, GRUをベースとしたRNNは, 速度ジャンプによる摩擦係数の変化を効果的に予測できることがわかった。
論文 参考訳（メタデータ） (2024-02-21T22:11:01Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - 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) - Physics-Informed Graph Neural Network for Spatial-temporal Production
Forecasting [0.0]
歴史的データに基づく生産予測は、炭化水素資源の開発に不可欠な価値を提供する。
生産予測のためのグリッドフリーな物理インフォームドグラフニューラルネットワーク(PI-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T23:28:40Z) - Quantifying Uncertainty In Traffic State Estimation Using Generative
Adversarial Networks [4.737519767218666]
本稿では, 生成逆数ネットワークに基づく物理インフォームドディープラーニング(PIDL)を用いた交通状態推定(TSE)の不確かさの定量化を目的とする。
2つの物理モデル、Lighthill-Whitham-Richards (LWR) とAw-Rascle-Zhang (ARZ) がPhysGANの物理成分として比較される。
その結果,ARZベースのPhysGANはLWRベースのPhysGANよりも優れた性能を示した。
論文 参考訳（メタデータ） (2022-06-19T08:10:15Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Congestion-aware Multi-agent Trajectory Prediction for Collision
Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。
学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。
実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文 参考訳（メタデータ） (2021-03-26T02:42:33Z) - 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)
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。