論文の概要: A probabilistic estimation of remaining useful life from censored time-to-event data

• arxiv url: http://arxiv.org/abs/2405.01614v1
• Date: Thu, 2 May 2024 16:17:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-06 15:04:28.152601
• Title: A probabilistic estimation of remaining useful life from censored time-to-event data
• Title（参考訳）: 検閲された時間-時間データから有用寿命の確率論的推定
• Authors: Christian Marius Lillelund, Fernando Pannullo, Morten Opprud Jakobsen, Manuel Morante, Christian Fischer Pedersen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the remaining useful life (RUL) of ball bearings plays an important role in predictive maintenance. A common definition of the RUL is the time until a bearing is no longer functional, which we denote as an event, and many data-driven methods have been proposed to predict the RUL. However, few studies have addressed the problem of censored data, where this event of interest is not observed, and simply ignoring these observations can lead to an overestimation of the failure risk. In this paper, we propose a probabilistic estimation of RUL using survival analysis that supports censored data. First, we analyze sensor readings from ball bearings in the frequency domain and annotate when a bearing starts to deteriorate by calculating the Kullback-Leibler (KL) divergence between the probability density function (PDF) of the current process and a reference PDF. Second, we train several survival models on the annotated bearing dataset, capable of predicting the RUL over a finite time horizon using the survival function. This function is guaranteed to be strictly monotonically decreasing and is an intuitive estimation of the remaining lifetime. We demonstrate our approach in the XJTU-SY dataset using cross-validation and find that Random Survival Forests consistently outperforms both non-neural networks and neural networks in terms of the mean absolute error (MAE). Our work encourages the inclusion of censored data in predictive maintenance models and highlights the unique advantages that survival analysis offers when it comes to probabilistic RUL estimation and early fault detection.
• Abstract（参考訳）: ボールベアリングの残りの有用寿命(RUL)を予測することは, 予測維持において重要な役割を担っている。 RULの一般的な定義は、軸受がもはや機能しなくなるまでの時間であり、我々はイベントと表現し、RULを予測するために多くのデータ駆動手法が提案されている。 しかし、この現象が観察されず、単にこれらの観測を無視しただけで失敗リスクの過大評価につながるという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,検閲データをサポートする生存分析を用いたRULの確率的推定を提案する。 まず,現在のプロセスの確率密度関数(PDF)と参照PDFとの間のKL(Kullback-Leibler)のばらつきを計算し,周波数領域におけるボールベアリングからのセンサ読み取りを分析し,ベアリングが劣化し始めるとアノテートする。 第二に、アノテートされた軸受データセット上の生存モデルをトレーニングし、生存関数を用いて有限時間水平線上でRULを予測する。 この関数は厳密に単調に減少することが保証され、残りの寿命を直感的に推定する。 我々は,クロスバリデーションを用いたXJTU-SYデータセットの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ることを示した。 我々の研究は、予測保守モデルに検閲データを組み込むことを奨励し、確率的RUL推定や早期故障検出において生存分析がもたらす独特な利点を強調した。

関連論文リスト

• 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)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Predicting Survival Time of Ball Bearings in the Presence of Censoring [44.99833362998488]
  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。
  論文  参考訳（メタデータ） (2023-09-13T08:30:31Z)
• 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)
• Copula-Based Deep Survival Models for Dependent Censoring [10.962520289040336]
  本稿では, 条件付き独立性の仮定を緩和することにより, 現代の非線形生存分析を拡張できるパラメトリックモデルを提案する。 合成データと半合成データでは,データに条件付き独立性を仮定する標準よりも生存確率分布の推定が有意に向上する。
  論文  参考訳（メタデータ） (2023-06-20T21:51:13Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Conformalized Survival Analysis [6.92027612631023]
  既存の生存分析技術は、強いモデリング仮定に大きく依存している。 共形予測のアイデアに基づく推論手法を開発した。 本手法の有効性と有効性は,英国バイオバンクの合成データと実際のCOVID-19データに基づいて実証した。
  論文  参考訳（メタデータ） (2021-03-17T16:32:26Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。