Fugu-MT 論文翻訳(概要): Spatio-temporal Attention-based Hidden Physics-informed Neural Network for Remaining Useful Life Prediction

論文の概要: Spatio-temporal Attention-based Hidden Physics-informed Neural Network for Remaining Useful Life Prediction

arxiv url: http://arxiv.org/abs/2405.12377v1
Date: Mon, 20 May 2024 21:10:18 GMT
ステータス: 処理完了
システム内更新日: 2024-05-22 14:57:39.878830
Title: Spatio-temporal Attention-based Hidden Physics-informed Neural Network for Remaining Useful Life Prediction
Title（参考訳）: 時空間アテンションに基づく隠れた物理インフォームドニューラルネットワークによる生活予測
Authors: Feilong Jiang, Xiaonan Hou, Min Xia,
Abstract要約: STA-HPINN(spatatio-temporal Attention-based Hidden Physics-informed Neural Network)を導入する。隠れた物理インフォームドニューラルネットワークを用いて、RULの進化を管理する次元物理機構を捉える。このアプローチはベンチマークデータセットで検証され、最先端のメソッドと比較して、例外的なパフォーマンスを示している。
参考スコア（独自算出の注目度）: 1.8554335256160261
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predicting the Remaining Useful Life (RUL) is essential in Prognostic Health Management (PHM) for industrial systems. Although deep learning approaches have achieved considerable success in predicting RUL, challenges such as low prediction accuracy and interpretability pose significant challenges, hindering their practical implementation. In this work, we introduce a Spatio-temporal Attention-based Hidden Physics-informed Neural Network (STA-HPINN) for RUL prediction, which can utilize the associated physics of the system degradation. The spatio-temporal attention mechanism can extract important features from the input data. With the self-attention mechanism on both the sensor dimension and time step dimension, the proposed model can effectively extract degradation information. The hidden physics-informed neural network is utilized to capture the physics mechanisms that govern the evolution of RUL. With the constraint of physics, the model can achieve higher accuracy and reasonable predictions. The approach is validated on a benchmark dataset, demonstrating exceptional performance when compared to cutting-edge methods, especially in the case of complex conditions.
Abstract（参考訳）: RUL(Representing Useful Life)の予測は、産業システムにおける予後健康管理(PHM)に不可欠である。ディープラーニングアプローチはRUL予測においてかなりの成功を収めているが、予測精度の低下や解釈可能性の低下といった課題が大きな課題となり、実践的な実装を妨げている。本研究では,RUL予測のための時空間アテンションに基づく隠れ物理インフォームドニューラルネットワーク(STA-HPINN)を提案する。時空間的注意機構は、入力データから重要な特徴を抽出することができる。センサ次元と時間ステップ次元の両方における自己認識機構により、提案モデルは劣化情報を効果的に抽出することができる。隠れた物理インフォームドニューラルネットワークを用いて、RULの進化を管理する物理機構を捉える。物理の制約により、モデルはより高い精度と妥当な予測を達成できる。このアプローチはベンチマークデータセットで検証され、特に複雑な条件の場合、最先端の手法と比較して、例外的なパフォーマンスを示す。

関連論文リスト

Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
Enhanced Spatiotemporal Prediction Using Physical-guided And Frequency-enhanced Recurrent Neural Networks [17.91230192726962]
本稿では,時空間力学を推定する物理誘導型ニューラルネットワークを提案する。また、物理状態をより正確にモデル化するための物理制約付き適応二階ルンゲ・クッタ法を提案する。我々のモデルは最先端の手法より優れ、より少ないパラメータ数でデータセットで最高の性能を発揮する。
論文参考訳（メタデータ） (2024-05-23T12:39:49Z)
AirPhyNet: Harnessing Physics-Guided Neural Networks for Air Quality Prediction [40.58819011476455]
本稿では,空気質予測のための物理誘導ニューラルネットワーク(AirPhyNet)という新しいアプローチを提案する。我々は、空気粒子移動(拡散と対流)の2つの確立された物理原理を微分方程式ネットワークとして表現することで活用する。 2つの実世界のベンチマークデータセットの実験では、AirPhyNetがさまざまなテストシナリオの最先端モデルを上回っていることが示されている。
論文参考訳（メタデータ） (2024-02-06T07:55:54Z)
Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-28T14:27:27Z)
Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文参考訳（メタデータ） (2022-06-07T13:51:35Z)
Remaining Useful Life Prediction Using Temporal Deep Degradation Network for Complex Machinery with Attention-based Feature Extraction [17.831515307314802]
ニューラルネットワークを用いたセンサストリーミングデータから抽出した劣化関連特徴は、RUL予測の精度を劇的に向上させることができる。 1次元畳み込みニューラルネットワーク (1D CNN) による劣化関連特徴を持つRUL予測を行うため, 時間分解ネットワークモデル(TDDN)を提案する。その結果,TDDNモデルでは,現在の機械学習モデルと比較して,複雑な条件下で最高のRUL予測精度が得られることがわかった。
論文参考訳（メタデータ） (2022-02-21T10:23:40Z)
Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文参考訳（メタデータ） (2021-12-15T20:09:20Z)
Physics-enhanced Neural Networks in the Small Data Regime [0.0]
トレーニング中の実エネルギーレベルを正規化用語として考えることで、さらに改善できることが示される。特に、少量のデータしか利用できない場合、これらの改善は予測能力を著しく向上させることができる。
論文参考訳（メタデータ） (2021-11-19T17:21:14Z)
Physics-Coupled Spatio-Temporal Active Learning for Dynamical Systems [15.923190628643681]
主な課題の1つは、認識されたデータストリームを生成する根本原因を推測することである。機械学習ベースの予測モデルの成功は、モデルトレーニングに大量の注釈付きデータを必要とする。提案するST-PCNNは, 実世界のデータセットと実世界のデータセットの両方において, 極めて少ないインスタンスで最適精度に収束することを示した。
論文参考訳（メタデータ） (2021-08-11T18:05:55Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。