論文の概要: A Digital Twin Framework Utilizing Machine Learning for Robust Predictive Maintenance: Enhancing Tire Health Monitoring
- arxiv url: http://arxiv.org/abs/2408.06220v1
- Date: Mon, 12 Aug 2024 15:21:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-13 13:56:12.977904
- Title: A Digital Twin Framework Utilizing Machine Learning for Robust Predictive Maintenance: Enhancing Tire Health Monitoring
- Title（参考訳）: ロバスト予測保守のための機械学習を活用したディジタルツインフレームワーク:タイアヘルスモニタリングの強化
- Authors: Vispi Karkaria, Jie Chen, Christopher Luey, Chase Siuta, Damien Lim, Robert Radulescu, Wei Chen,
- Abstract要約: 本稿では,長期的物理システムの予測保守のための新しいデジタルツインフレームワークを提案する。
我々は、このフレームワークが自動車の安全性と効率を高めるためにどのように使用できるかを示す。
- 参考スコア（独自算出の注目度）: 6.469230177693753
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a novel digital twin framework for predictive maintenance of long-term physical systems. Using monitoring tire health as an application, we show how the digital twin framework can be used to enhance automotive safety and efficiency, and how the technical challenges can be overcome using a three-step approach. Firstly, for managing the data complexity over a long operation span, we employ data reduction techniques to concisely represent physical tires using historical performance and usage data. Relying on these data, for fast real-time prediction, we train a transformer-based model offline on our concise dataset to predict future tire health over time, represented as Remaining Casing Potential (RCP). Based on our architecture, our model quantifies both epistemic and aleatoric uncertainty, providing reliable confidence intervals around predicted RCP. Secondly, to incorporate real-time data, we update the predictive model in the digital twin framework, ensuring its accuracy throughout its life span with the aid of hybrid modeling and the use of discrepancy function. Thirdly, to assist decision making in predictive maintenance, we implement a Tire State Decision Algorithm, which strategically determines the optimal timing for tire replacement based on RCP forecasted by our transformer model. This approach ensures our digital twin accurately predicts system health, continually refines its digital representation, and supports predictive maintenance decisions. Our framework effectively embodies a physical system, leveraging big data and machine learning for predictive maintenance, model updates, and decision-making.
- Abstract（参考訳）: 本稿では,長期的物理システムの予測保守のための新しいデジタルツインフレームワークを提案する。
タイヤの健康状態のモニタリングをアプリケーションとして使用することにより、自動車の安全性と効率を高めるためにデジタルツインフレームワークをどのように使用できるか、そして3段階のアプローチで技術的課題を克服できるかを示す。
まず、長い操作範囲でデータ複雑性を管理するために、歴史的性能と使用法データを用いて物理的タイヤを簡潔に表現するために、データ削減技術を用いる。
これらのデータに基づいて、高速なリアルタイム予測のために、当社の簡潔データセット上でトランスフォーマーベースのモデルをオフラインでトレーニングし、Remaining Casing Potential(RCP)として表される、将来的なタイヤの状態を予測します。
提案手法は, 疫学的およびアレタリックな不確実性の両方を定量的に評価し, 予測されたRCPの周囲に信頼性の高い信頼区間を提供する。
第二に、リアルタイムデータを組み込むために、ディジタルツイン・フレームワークの予測モデルを更新し、ハイブリッド・モデリングと不一致関数の活用により、その精度を生涯にわたって確保する。
第3に, タイヤ交換のタイミングを, 変圧器モデルにより予測されたRCPに基づいて戦略的に決定するタイヤ状態決定アルゴリズムを実装した。
このアプローチにより、ディジタルツインがシステムの健全性を正確に予測し、デジタル表現を継続的に洗練し、予測保守決定をサポートする。
我々のフレームワークは物理的システムを効果的に具体化し、予測保守、モデル更新、意思決定にビッグデータと機械学習を活用する。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。
製品ライフサイクルを通じてデータをデジタル化することで、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。
産業用IoT(Industrial Internet of Things, IIoT)デバイスを利用すれば、DTを構築するためのデータを共有するメカニズムは、悪い選択問題の影響を受けやすい。
論文 参考訳（メタデータ） (2024-08-02T10:47:10Z) - 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) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T02:27:54Z) - A digital twin framework for civil engineering structures [0.6249768559720122]
デジタルツインの概念は、条件ベースの予測保守パラダイムを前進させる魅力的な機会である。
本研究は, 土木構造物の健康モニタリング, 保守, 管理計画に対する予測的ディジタルツインアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-02T21:38:36Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Using Neural Networks by Modelling Semi-Active Shock Absorber [0.0]
絶え間なく増加する自動車制御システムには、デジタルマッピングに対する新しいアプローチが必要である。
ニューラルネットワーク(NN)を適用する様々な手法は、自動車制御系設計における関連するデジタルツイン(DT)ツールの候補となる。
本稿では, 半能動衝撃吸収器のモデリングにより, 回帰タスクを効率的に処理する方法を示す。
論文 参考訳（メタデータ） (2022-07-19T09:21:21Z) - Data-driven method for real-time prediction and uncertainty
quantification of fatigue failure under stochastic loading using artificial
neural networks and Gaussian process regression [0.0]
早期故障予測の方法は、工学、軍事、および市民の用途に不可欠です。
不確実性(UQ)は、リアルタイム意思決定の目的において重要である。
論文 参考訳（メタデータ） (2021-03-11T13:57:08Z) - Machine learning based digital twin for dynamical systems with multiple
time-scales [0.0]
デジタルツイン技術は、インフラ、航空宇宙、自動車といった様々な産業分野で広く応用される可能性がある。
ここでは、2つの異なる運用時間スケールで進化する線形単一自由度構造力学系のためのデジタルツインフレームワークに焦点を当てる。
論文 参考訳（メタデータ） (2020-05-12T15:33:25Z)
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。