論文の概要: RULSurv: A probabilistic survival-based method for early censoring-aware prediction of remaining useful life in ball bearings

• arxiv url: http://arxiv.org/abs/2405.01614v3
• Date: Mon, 14 Apr 2025 11:57:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:47:01.476435
• Title: RULSurv: A probabilistic survival-based method for early censoring-aware prediction of remaining useful life in ball bearings
• Title（参考訳）: RULSurv:ボールベアリングにおける有効寿命の早期検閲認識のための確率的生存に基づく予測法
• Authors: Christian Marius Lillelund, Fernando Pannullo, Morten Opprud Jakobsen, Manuel Morante, Christian Fischer Pedersen,
• Abstract要約: Kullback-Leibler分散とRUL推定を用いた早期故障検出のための新しいフレキシブルな手法を提案する。 我々は,XJTU-SYデータセットにおいて,3つの異なる操作条件にまたがる5倍のクロスバリデーション戦略を用いてアプローチを実証する。 提案手法は,最大荷重下での5軸受の平均累積相対精度(CRA)を0.7586で達成し,複数の最先端ベースラインを改良する。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License:
• Abstract: Predicting the remaining useful life (RUL) of ball bearings is an active area of research, where novel machine learning techniques are continuously being applied to predict degradation trends and anticipate failures before they occur. However, few studies have explicitly addressed the challenge of handling censored data, where information about a specific event (\eg mechanical failure) is incomplete or only partially observed. To address this issue, we introduce a novel and flexible method for early fault detection using Kullback-Leibler (KL) divergence and RUL estimation using survival analysis that naturally supports censored data. We demonstrate our approach in the XJTU-SY dataset using a 5-fold cross-validation strategy across three different operating conditions. When predicting the time to failure for bearings under the highest load (C1, 12.0 kN and 2100 RPM) with 25% random censoring, our approach achieves a mean absolute error (MAE) of 14.7 minutes (95% CI = 13.6-15.8) using a linear CoxPH model, and an MAE of 12.6 minutes (95% CI = 11.8-13.4) using a nonlinear Random Survival Forests model, compared to an MAE of 18.5 minutes (95% CI = 17.4-19.6) using a linear LASSO model that does not support censoring. Moreover, our approach achieves a mean cumulative relative accuracy (CRA) of 0.7586 over 5 bearings under the highest load, which improves over several state-of-the-art baselines. Our work highlights the importance of considering censored data as part of the model design when building predictive models for early fault detection and RUL estimation.
• 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、新しい機械学習技術が継続的に適用され、劣化傾向を予測し、それが起こる前に失敗を予測している研究の活発な領域である。 しかし、特定の事象(機械的故障)に関する情報が不完全あるいは部分的にのみ観察されるような、検閲されたデータを扱うという課題に明示的に対処する研究はほとんどない。 この問題に対処するために,Kullback-Leibler (KL) の発散を用いた早期故障検出手法と,自然に検閲されたデータをサポートする生存分析を用いたRUL推定手法を提案する。 我々は,XJTU-SYデータセットにおいて,3つの異なる操作条件にまたがる5倍のクロスバリデーション戦略を用いてアプローチを実証する。 25%のランダム検閲で最大負荷(C1, 12.0 kN, 2100 RPM)でベアリングの故障時間を予測する場合、線形CoxPHモデルを用いた平均絶対誤差(MAE)が14.7分(95% CI = 13.6-15.8)、非線形ランダム生存林モデルを用いたMAE(95% CI = 11.8-13.4)が18.5分(95% CI = 17.4-19.6)であるのに対し、線形LASSOモデルでは検閲をサポートしないMAEが12.6分(95% CI = 11.8-13.4)となる。 さらに,本手法は,最大荷重下での5軸受の平均累積相対精度(CRA)を0.7586で達成し,複数の最先端ベースラインを改良する。 本研究は,早期故障検出とRUL推定のための予測モデルを構築する際のモデル設計の一部として,検閲データを検討することの重要性を強調した。

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。