論文の概要: KPI Extraction from Maintenance Work Orders -- A Comparison of Expert Labeling, Text Classification and AI-Assisted Tagging for Computing Failure Rates of Wind Turbines

• arxiv url: http://arxiv.org/abs/2311.04064v2
• Date: Wed, 6 Dec 2023 17:17:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 18:03:34.082933
• Title: KPI Extraction from Maintenance Work Orders -- A Comparison of Expert Labeling, Text Classification and AI-Assisted Tagging for Computing Failure Rates of Wind Turbines
• Title（参考訳）: 保守作業順序からのKPI抽出 -風車の故障率計算のための専門家ラベル、テキスト分類、AI支援タグの比較-
• Authors: Marc-Alexander Lutz, Bastian Sch\"afermeier, Rachael Sexton, Michael Sharp, Alden Dima, Stefan Faulstich, Jagan Mohini Aluri
• Abstract要約: 保守作業命令は、風力タービンの運転とメンテナンスに関する情報を文書化するために一般的に使用される。 しかし、メンテナンス作業の順序に含まれる情報は、しばしば構造化されておらず、分析が困難である。 この研究は、メンテナンス作業順序からパフォーマンス指標による信頼性を計算するための3つの異なるアプローチを比較する。
• 参考スコア（独自算出の注目度）: 4.752037990529832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Maintenance work orders are commonly used to document information about wind turbine operation and maintenance. This includes details about proactive and reactive wind turbine downtimes, such as preventative and corrective maintenance. However, the information contained in maintenance work orders is often unstructured and difficult to analyze, presenting challenges for decision-makers wishing to use it for optimizing operation and maintenance. To address this issue, this work compares three different approaches to calculate reliability by performance indicators from maintenance work orders. The first approach involves manual labeling of the maintenance work orders by domain experts, using the schema defined in an industrial guideline to assign the label accordingly. The second approach involves the development of a model that automatically labels the maintenance work orders using text classification methods. Through this method, we are able to achieve macro average and weighted average F1-Scores of 0.75 and 0.85 respectively. The third technique uses an AI-assisted tagging tool to tag and structure the raw maintenance information, together with a novel rule-based approach for extracting relevant maintenance work orders for failure rate calculation. In our experiments the AI-assisted tool leads to a 88% drop in tagging time in comparison to the other two approaches, while expert labeling and text classification are more accurate in KPI extraction. Overall, our findings make extracting maintenance information from maintenance work orders more efficient, enable the assessment of reliability key performance indicators and therefore support the optimization of wind turbine operation and maintenance.
• Abstract（参考訳）: 保守作業命令は、風力タービンの運転とメンテナンスに関する情報を文書化するために一般的に使用される。 これには、予防や修正メンテナンスなど、アクティブで反応性のある風力タービンのダウンタイムの詳細が含まれている。 しかし、保守作業命令に含まれる情報は、しばしば構造化されておらず、分析が難しいため、運用とメンテナンスの最適化に利用したい意思決定者には課題が提示される。 この問題に対処するため,本研究では,保守作業の順序から性能指標による信頼性を算出するための3つの異なる手法を比較した。 最初のアプローチでは、ドメインの専門家によるメンテナンス作業の順序を手動でラベリングし、産業ガイドラインで定義されたスキーマを使用してラベルを割り当てる。 第2のアプローチは、テキスト分類手法を使用してメンテナンス作業順序を自動的にラベル付けするモデルの開発である。 この手法により,それぞれ0.75と0.85のマクロ平均値と重み付き平均F1スコアを達成できる。 第3のテクニックは、AI支援のタグ付けツールを使用して、生のメンテナンス情報をタグ付けし、構造化すると同時に、障害率計算のための関連保守作業順序を抽出する新しいルールベースのアプローチである。 我々の実験では、AI支援ツールが他の2つのアプローチと比較してタグ付け時間を88%削減する一方、専門家のラベル付けとテキスト分類はKPI抽出においてより正確である。 全体として,メンテナンス作業順序からメンテナンス情報を抽出し,信頼性の高いキー性能指標の評価を可能にし,風力タービンの運転とメンテナンスの最適化を支援する。

関連論文リスト

• LLM-R: A Framework for Domain-Adaptive Maintenance Scheme Generation Combining Hierarchical Agents and RAG [7.864939415613373]
  本稿では,大規模言語モデル(LLM-R)に基づくメンテナンススキーム生成手法を提案する。 提案手法にはいくつかの重要な革新が含まれている。 実験の結果,提案手法が生成したメンテナンス方式の精度は91.59%に達した。
  論文  参考訳（メタデータ） (2024-11-07T07:07:34Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• Towards Interpretable and Efficient Automatic Reference-Based Summarization Evaluation [160.07938471250048]
  解釈可能性と効率性は、ニューラル自動メトリクスを採用する上で重要な2つの考慮事項である。 我々は,参照ベース要約評価のための高性能自動メトリクスを開発する。
  論文  参考訳（メタデータ） (2023-03-07T02:49:50Z)
• EDGAR: Embedded Detection of Gunshots by AI in Real-time [0.0]
  機械学習を用いて、ショット検出とショットカウントの問題を汎用的に解決することを目的としている。 我々の知る限りでは、弱いラベルを活用できるラベル比から学習する手法を提案するのは、これが初めてである。 本手法は, 厳しいリアルタイム(100ms)の推論を継続しながら, 制約の厳しいマイクロコントローラに展開可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-25T12:51:19Z)
• AI-Driven Road Maintenance Inspection v2: Reducing Data Dependency & Quantifying Road Damage [11.052502162865206]
  道路インフラの整備検査は、通常、全ての道路利用者の安全を確保するために労働集約的で重要な作業である。 道路損傷検出のためのラベルを生成するために,少数ショット学習やアウト・オブ・ディストリビューション検出といった手法を活用することで,自動ラベリングパイプラインを提案する。 これらの技術で訓練されたAIモデルは、人間のアノテーションの要求を減らした実世界のデータをより一般化するだけでなく、メンテナンスの緊急さを見積もることも示している。
  論文  参考訳（メタデータ） (2022-10-07T14:11:27Z)
• Prescriptive maintenance with causal machine learning [4.169130102668252]
  同様のマシン上での観測データから,保守条件が機械特性に与える影響を学習する。 産業パートナーから4000以上の保守契約に関する実生活データを用いて,提案手法を検証した。
  論文  参考訳（メタデータ） (2022-06-03T13:35:57Z)
• A Natural Language Processing and Deep Learning based Model for Automated Vehicle Diagnostics using Free-Text Customer Service Reports [3.970010025578998]
  自動車両診断を改善するための機械学習パイプラインを実演する。 第一に、自然言語処理(NLP)は、自由テキスト障害レポートから重要な情報の抽出を自動化するために使用される。 深層学習アルゴリズムは、サービス要求を検証するために使われ、曖昧で誤解を招くクレームをフィルタリングする。
  論文  参考訳（メタデータ） (2021-11-29T21:41:34Z)
• 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)
• AutoTriggER: Label-Efficient and Robust Named Entity Recognition with Auxiliary Trigger Extraction [54.20039200180071]
  我々は,エンティティトリガの自動生成と活用によるNER性能向上のための新しいフレームワークを提案する。 筆者らのフレームワークは,ポストホックな説明を活用して合理的な知識を生成し,埋め込み手法を用いてモデルの事前知識を強化する。 AutoTriggERは強力なラベル効率を示し、目に見えないエンティティを一般化し、RoBERTa-CRFベースラインを平均0.5F1ポイント上回る性能を持つ。
  論文  参考訳（メタデータ） (2021-09-10T08:11:56Z)
• DAGA: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks [88.62288327934499]
  線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。 本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
  論文  参考訳（メタデータ） (2020-11-03T07:49:15Z)
• How Useful is Self-Supervised Pretraining for Visual Tasks? [133.1984299177874]
  我々は、総合的な合成データセットと下流タスクにまたがる様々な自己教師付きアルゴリズムを評価する。 我々の実験は、利用可能なラベルの数が増えるにつれて、セルフスーパービジョンの有用性がどう変化するかについての洞察を提供する。
  論文  参考訳（メタデータ） (2020-03-31T16:03:22Z)

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。