論文の概要: Degradation Modeling and Prognostic Analysis Under Unknown Failure Modes
- arxiv url: http://arxiv.org/abs/2402.19294v1
- Date: Thu, 29 Feb 2024 15:57:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 14:05:02.555910
- Title: Degradation Modeling and Prognostic Analysis Under Unknown Failure Modes
- Title（参考訳）: 未知障害モードにおける劣化モデルと予後解析
- Authors: Ying Fu, Ye Kwon Huh and Kaibo Liu
- Abstract要約: 操作ユニットは複雑なシステムで様々な障害モードを経験します。
現在の予測的アプローチは、劣化中の障害モードを無視したり、既知の障害モードラベルを仮定する。
センサ信号の高次元性と複雑な関係は、故障モードを正確に識別することが困難である。
- 参考スコア（独自算出の注目度）: 17.72961616186932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Operating units often experience various failure modes in complex systems,
leading to distinct degradation paths. Relying on a prognostic model trained on
a single failure mode may lead to poor generalization performance across
multiple failure modes. Therefore, accurately identifying the failure mode is
of critical importance. Current prognostic approaches either ignore failure
modes during degradation or assume known failure mode labels, which can be
challenging to acquire in practice. Moreover, the high dimensionality and
complex relations of sensor signals make it challenging to identify the failure
modes accurately. To address these issues, we propose a novel failure mode
diagnosis method that leverages a dimension reduction technique called UMAP
(Uniform Manifold Approximation and Projection) to project and visualize each
unit's degradation trajectory into a lower dimension. Then, using these
degradation trajectories, we develop a time series-based clustering method to
identify the training units' failure modes. Finally, we introduce a
monotonically constrained prognostic model to predict the failure mode labels
and RUL of the test units simultaneously using the obtained failure modes of
the training units. The proposed prognostic model provides failure
mode-specific RUL predictions while preserving the monotonic property of the
RUL predictions across consecutive time steps. We evaluate the proposed model
using a case study with the aircraft gas turbine engine dataset.
- Abstract（参考訳）: 運用ユニットは複雑なシステムで様々な障害モードを経験し、異なる劣化経路につながる。
単一障害モードでトレーニングされた予測モデルに依存すると、複数の障害モードにわたる一般化性能が低下する可能性がある。
したがって、失敗モードを正確に識別することが重要である。
現在の確率論的アプローチは、劣化中の障害モードを無視したり、既知の障害モードラベルを仮定する。
また,センサ信号の高次元と複雑な関係は,故障モードを正確に識別することが困難である。
これらの問題に対処するために,UMAP (Uniform Manifold Approximation and Projection) と呼ばれる次元削減手法を用いて,各ユニットの劣化軌跡を低次元に投影・可視化する新しい故障モード診断手法を提案する。
そして,これらの劣化軌跡を用いて,トレーニングユニットの故障モードを特定する時系列クラスタリング手法を開発した。
最後に,単調拘束型予測モデルを導入し,得られた学習ユニットの故障モードを用いて,テストユニットの故障モードラベルとrulを同時に予測する。
提案した予測モデルは、連続時間ステップでRUL予測の単調性を保ちながら、障害モード固有のRUL予測を提供する。
提案モデルは,航空機用ガスタービンエンジンデータセットを用いたケーススタディを用いて評価する。
関連論文リスト
- LLM-Assisted Red Teaming of Diffusion Models through "Failures Are Fated, But Can Be Faded" [7.736445799116692]
『失敗は太っているが、消えることがある』は、事前学習された世代モデルにおける失敗の状況を探究し、構築するための枠組みである。
発見された障害モードから離れることで、障害状況の再構築をより望ましいものにする方法を示します。
論文 参考訳（メタデータ） (2024-10-22T06:46:09Z) - Double Gradient Reversal Network for Single-Source Domain Generalization in Multi-mode Fault Diagnosis [1.9389881806157316]
未確認モード障害診断のための単一モードデータからのドメイン不変のフォールト特徴が課題となる。
既存の方法は、ジェネレータモジュールを使用して、目に見えないモードのサンプルをシミュレートする。
二重勾配反転ネットワーク(DGRN)は、目に見えないモードで高い分類精度を実現するために提案される。
論文 参考訳（メタデータ） (2024-07-19T02:06:41Z) - Prototype Clustered Diffusion Models for Versatile Inverse Problems [11.55838697574475]
測定に基づく確率は、逆の確率的図形方向を通した復元に基づく確率で再現可能であることを示す。
提案手法は, サンプル品質を考慮に入れた逆問題に対処し, 精度の高い劣化制御を実現する。
論文 参考訳（メタデータ） (2024-07-13T04:24:53Z) - Deep Learning-Based Residual Useful Lifetime Prediction for Assets with Uncertain Failure Modes [1.2277343096128712]
複数の障害モードを持つシステムの既存の予後モデルは、現実のアプリケーションにおいていくつかの課題に直面している。
本研究は,混合(log-location-scale distribution)と深層学習を組み合わせた2つの予後モデルを提案する。
論文 参考訳（メタデータ） (2024-05-09T19:37:57Z) - Diversity-Measurable Anomaly Detection [106.07413438216416]
本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。
PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
論文 参考訳（メタデータ） (2023-03-09T05:52:42Z) - Distilling Model Failures as Directions in Latent Space [87.30726685335098]
本稿では,モデルの故障モードを自動的に抽出するスケーラブルな方法を提案する。
線形分類器を用いて一貫したエラーパターンを識別し、これらの障害モードを特徴空間内の方向として自然な表現を誘導する。
このフレームワークにより、トレーニングデータセット内の課題のあるサブポピュレーションを発見し、自動的にキャプションし、これらのサブポピュレーションにおけるモデルのパフォーマンスを改善することができることを示す。
論文 参考訳（メタデータ） (2022-06-29T16:35:24Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。
これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。
提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
論文 参考訳（メタデータ） (2022-06-04T19:45:02Z) - Overcoming Mode Collapse with Adaptive Multi Adversarial Training [5.09817514580101]
GAN(Generative Adversarial Networks)は、様々なアプリケーションで使用される生成モデルのクラスである。
GANは、ターゲット分布のいくつかのモードがジェネレータによって無視されるモード崩壊問題に悩まされていることが知られている。
本稿では,従来の世代形態を記憶するために,新たな差別者を適応的に生成する新たな訓練手法を提案する。
論文 参考訳（メタデータ） (2021-12-29T05:57:55Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z) - Simple and Effective Prevention of Mode Collapse in Deep One-Class
Classification [93.2334223970488]
深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。
第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。
第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
論文 参考訳（メタデータ） (2020-01-24T03:44:47Z)
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。