論文の概要: Review of Machine Learning Approaches for Diagnostics and Prognostics of
Industrial Systems Using Industrial Open Source Data
- arxiv url: http://arxiv.org/abs/2312.16810v1
- Date: Thu, 28 Dec 2023 04:00:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 17:47:25.042458
- Title: Review of Machine Learning Approaches for Diagnostics and Prognostics of
Industrial Systems Using Industrial Open Source Data
- Title(参考訳): 産業用オープンソースデータを用いた産業システムの診断・予後予測のための機械学習手法のレビュー
- Authors: Hanqi Su, Jay Lee
- Abstract要約: 本稿では,オープンソースのデータセットを用いた産業システムの診断・診断のための機械学習手法について概説する。
これは、複雑な産業タスクに取り組む上で、従来の機械学習とディープラーニングの両方が進化する役割を強調している。
- 参考スコア(独自算出の注目度): 0.38850145898707145
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the field of Prognostics and Health Management (PHM), recent years have
witnessed a significant surge in the application of machine learning (ML).
Despite this growth, the field grapples with a lack of unified guidelines and
systematic approaches for effectively implementing these ML techniques and
comprehensive analysis regarding industrial open-source data across varied
scenarios. To address these gaps, this paper provides a comprehensive review of
machine learning approaches for diagnostics and prognostics of industrial
systems using open-source datasets from PHM Data Challenge Competitions held
between 2018 and 2023 by PHM Society and IEEE Reliability Society and
summarizes a unified ML framework. This review systematically categorizes and
scrutinizes the problems, challenges, methodologies, and advancements
demonstrated in these competitions, highlighting the evolving role of both
conventional machine learning and deep learning in tackling complex industrial
tasks related to detection, diagnosis, assessment, and prognosis. Moreover,
this paper delves into the common challenges in PHM data challenge competitions
by emphasizing both data-related and model-related issues and summarizes the
solutions that have been employed to address these challenges. Finally, we
identify key themes and potential directions for future research, providing
opportunities and prospects for ML further development in PHM.
- Abstract(参考訳): 近年、PHM(Prognostics and Health Management)の分野では、機械学習(ML)の適用が大幅に急増している。
この成長にもかかわらず、この分野は、これらのMLテクニックを効果的に実装するための統一されたガイドラインと体系的なアプローチの欠如と、さまざまなシナリオにわたる産業用オープンソースデータに関する包括的な分析に悩まされている。
これらのギャップに対処するため,本稿では,2018年から2023年にかけて開催されたphmデータチャレンジコンペティションのオープンソースデータセットを用いた産業システムの診断と予後に関する機械学習アプローチの包括的レビューを行い,統一mlフレームワークを要約する。
本稿では,これらのコンペで示された問題,課題,方法論,進歩を体系的に分類・精査し,検出,診断,評価,予後に関する複雑な産業課題に取り組む上で,従来の機械学習と深層学習の両方が果たす役割を明らかにする。
さらに,データ関連問題とモデル関連問題の両方を強調し,これらの課題に対処するためのソリューションを要約することによって,PHMデータチャレンジコンペティションにおける共通課題を考察する。
最後に、今後の研究の鍵となるテーマと潜在的方向性を特定し、PHMにおけるMLのさらなる発展の機会と展望を提供する。
関連論文リスト
- Large Language Models for Forecasting and Anomaly Detection: A
Systematic Literature Review [10.325003320290547]
本稿では,Large Language Models (LLMs) の予測・異常検出への応用について概説する。
LLMは、パターンを特定し、将来の事象を予測し、様々な領域にまたがる異常な振る舞いを検出するために、広範囲なデータセットを解析し分析する大きな可能性を示してきた。
このレビューでは、膨大な歴史的データセットへの依存、さまざまな文脈における一般化可能性の問題、モデル幻覚の現象など、より広範な採用と有効性を阻害するいくつかの重要な課題を取り上げている。
論文 参考訳(メタデータ) (2024-02-15T22:43:02Z) - Intelligent Condition Monitoring of Industrial Plants: An Overview of
Methodologies and Uncertainty Management Strategies [2.600463444320238]
本稿では, 産業プラントの知的状態モニタリングと故障検出, 診断方法の概要について述べる。
最もポピュラーで最先端のディープラーニング(DL)と機械学習(ML)アルゴリズムは、産業プラントの状態監視、故障検出、診断のためのアルゴリズムである。
テネシー・イーストマン・プロセス(TEP)を利用したアルゴリズムの精度と仕様の比較を行った。
論文 参考訳(メタデータ) (2024-01-03T21:35:03Z) - Data Acquisition: A New Frontier in Data-centric AI [65.90972015426274]
まず、現在のデータマーケットプレースを調査し、データセットに関する詳細な情報を提供するプラットフォームが不足していることを明らかにする。
次に、データプロバイダと取得者間のインタラクションをモデル化するベンチマークであるDAMチャレンジを紹介します。
提案手法の評価は,機械学習における効果的なデータ取得戦略の必要性を浮き彫りにしている。
論文 参考訳(メタデータ) (2023-11-22T22:15:17Z) - A Survey on Interpretable Cross-modal Reasoning [64.37362731950843]
マルチメディア分析から医療診断に至るまで、クロスモーダル推論(CMR)が重要な分野として浮上している。
この調査は、解釈可能なクロスモーダル推論(I-CMR)の領域を掘り下げる
本調査では,I-CMRの3段階分類法について概説する。
論文 参考訳(メタデータ) (2023-09-05T05:06:48Z) - Integration of Domain Expert-Centric Ontology Design into the CRISP-DM
for Cyber-Physical Production Systems [63.62764375279861]
機械学習(ML)とデータマイニング(DM)の手法は、収集されたデータから複雑で隠れたパターンを抽出する上で有望であることが証明されている。
しかし、このようなデータ駆動プロジェクトは、通常、CRISPDM(Cross-Industry Standard Process for Data Mining)で実行され、データの理解と準備に要する時間の不均等さのために失敗することが多い。
このコントリビューションは、データサイエンティストがCPPSの課題に対してより迅速かつ確実に洞察を得ることができるように、統合されたアプローチを提供することを目的としている。
論文 参考訳(メタデータ) (2023-07-21T15:04:00Z) - ChatGPT-Like Large-Scale Foundation Models for Prognostics and Health
Management: A Survey and Roadmaps [8.62142522782743]
産業生産と設備整備において,PHM技術は重要な役割を担っている。
ChatGPTやDALLE-Eといった大規模ファンデーションモデル(LSF-Model)は、AIがAI-2.0の新しい時代に入ることを象徴している。
本稿では,LSFモデルの主要なコンポーネントと最新の開発について,体系的に解説する。
論文 参考訳(メタデータ) (2023-05-10T21:37:44Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳(メタデータ) (2022-07-19T16:15:11Z) - Big Machinery Data Preprocessing Methodology for Data-Driven Models in
Prognostics and Health Management [0.0]
本稿では,複雑なシステムからの監視データの事前処理のための包括的,ステップバイステップパイプラインを提案する。
データ選択とラベル生成の文脈で専門家の知識の重要性を論じる。
検証のために2つのケーススタディが提示され、最終的な目標は、健全で不健康なラベルでクリーンなデータセットを作成することである。
論文 参考訳(メタデータ) (2021-10-08T17:10:12Z) - Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。
AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
論文 参考訳(メタデータ) (2021-01-15T10:43:10Z) - Machine Learning Towards Intelligent Systems: Applications, Challenges,
and Opportunities [8.68311678910946]
機械学習(ML)は、人間が大量のデータを処理するためのメカニズムを提供する。
このレビューは教育、医療、ネットワークセキュリティ、銀行と金融、ソーシャルメディアといった分野と応用に焦点を当てている。
論文 参考訳(メタデータ) (2021-01-11T01:32:15Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z)
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。