論文の概要: Predicting Survival Time of Ball Bearings in the Presence of Censoring

• arxiv url: http://arxiv.org/abs/2309.07188v1
• Date: Wed, 13 Sep 2023 08:30:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-15 17:18:30.743976
• Title: Predicting Survival Time of Ball Bearings in the Presence of Censoring
• Title（参考訳）: 検閲の有無によるボール軸受の生存時間予測
• Authors: Christian Marius Lillelund, Fernando Pannullo, Morten Opprud Jakobsen, Christian Fischer Pedersen
• Abstract要約: 本研究では,ボール軸受の故障時期を生存解析を用いて予測する新しい手法を提案する。 我々は、周波数領域におけるベアリングデータを解析し、Kullback-Leiblerの発散と標準偏差を比較することで、ベアリングが故障した場合にアノテートする。 我々は、注釈付きデータに基づいて失敗する時間を推定するために、いくつかの生存モデルを訓練する。
• 参考スコア（独自算出の注目度）: 44.99833362998488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ball bearings find widespread use in various manufacturing and mechanical domains, and methods based on machine learning have been widely adopted in the field to monitor wear and spot defects before they lead to failures. Few studies, however, have addressed the problem of censored data, in which failure is not observed. In this paper, we propose a novel approach to predict the time to failure in ball bearings using survival analysis. First, we analyze bearing data in the frequency domain and annotate when a bearing fails by comparing the Kullback-Leibler divergence and the standard deviation between its break-in frequency bins and its break-out frequency bins. Second, we train several survival models to estimate the time to failure based on the annotated data and covariates extracted from the time domain, such as skewness, kurtosis and entropy. The models give a probabilistic prediction of risk over time and allow us to compare the survival function between groups of bearings. We demonstrate our approach on the XJTU and PRONOSTIA datasets. On XJTU, the best result is a 0.70 concordance-index and 0.21 integrated Brier score. On PRONOSTIA, the best is a 0.76 concordance-index and 0.19 integrated Brier score. Our work motivates further work on incorporating censored data in models for predictive maintenance.
• Abstract（参考訳）: ボールベアリングは様々な製造分野や機械分野で広く使われており、機械学習に基づく手法は、障害につながる前に摩耗を監視し、欠陥を見つけるために広く採用されている。 しかし、誤りが観測されない検閲データの問題に対処する研究はほとんどない。 本稿では,ボール軸受の故障時期を生存解析を用いて予測する新しい手法を提案する。 まず、周波数領域のベアリングデータを解析し、Kulback-Leiblerのばらつきとブレークイン周波数ビンとブレークアウト周波数ビンとの標準偏差を比較してアノテートを行う。 第2に,スキューネス,クルトシス,エントロピーなどの時間領域から抽出したアノテートデータと共変量に基づいて,複数のサバイバルモデルを用いて障害発生時刻を推定する。 モデルは、時間とともにリスクを確率論的に予測し、軸受群間の生存機能を比較できるようにする。 我々は XJTU と PRONOSTIA のデータセットに対するアプローチを実証する。 xjtuでは、0.70コンコルダンスインデックスと0.21統合ブライアスコアが最良である。 PRONOSTIAでは0.76コンコーダンスインデックスと0.19統合ブライアスコアが最高である。 我々の研究は、予測保守のために検閲されたデータをモデルに組み込む作業をさらに動機付けている。

関連論文リスト

• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。 我々は多種多様な高次元データにまたがって理論を検証する。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• A probabilistic estimation of remaining useful life from censored time-to-event data [39.58317527488534]
  ボールベアリングの残りの有用寿命(RUL)は、予測維持において重要な役割を果たす。 本稿では,検閲データをサポートする生存分析を用いたRULの確率的推定法を提案する。 我々は、クロスバリデーションを用いたXJTU-SYデータセットにおけるアプローチを実証し、平均絶対誤差(MAE)の観点から、ランダムサバイバルフォレストがニューラルネットワークとニューラルネットワークの両方を一貫して上回っていることを発見した。
  論文  参考訳（メタデータ） (2024-05-02T16:17:29Z)
• Variational Deep Survival Machines: Survival Regression with Censored Outcomes [11.82370259688716]
  サバイバル・レグレッション(Survival regression)とは、ある出来事がいつ起こるか、通常は死か失敗かを予測することを目的としている。 本稿では,生存データをクラスタリングし,原始分布を組み合わせることで生存時間を予測できる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-24T02:16:00Z)
• TripleSurv: Triplet Time-adaptive Coordinate Loss for Survival Analysis [15.496918127515665]
  本稿では,学習過程の複雑さを扱える時間適応座標損失関数TripleSurvを提案する。 我々のTripleSurvは3つの実世界の生存データセットと公開合成データセットで評価されている。
  論文  参考訳（メタデータ） (2024-01-05T08:37:57Z)
• A Closer Look at Bearing Fault Classification Approaches [1.9531938396288886]
  近年,転がり軸受の異常診断が注目されている。 近年の技術進歩により、これらの資産の健全性を大規模に監視できるようになった。 近年,転がり軸受の異常診断が注目されている。
  論文  参考訳（メタデータ） (2023-09-29T06:11:11Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• 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。