論文の概要: Turbofan Engine Remaining Useful Life (RUL) Prediction Based on Bi-Directional Long Short-Term Memory (BLSTM)

• arxiv url: http://arxiv.org/abs/2411.16422v1
• Date: Mon, 25 Nov 2024 14:27:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:22:24.084441
• Title: Turbofan Engine Remaining Useful Life (RUL) Prediction Based on Bi-Directional Long Short-Term Memory (BLSTM)
• Title（参考訳）: 双方向長短期記憶(BLSTM)に基づくUseful Life(RUL)予測のためのターボファンエンジン
• Authors: Abedin Sherifi,
• Abstract要約: 本稿では,双方向長短期記憶(BLSTM)モデルについて述べる。 また、いくつかのRUL予測データベースモデルのベンチマークも提供する。 提案したRUL予測モデルは,エンジン故障予測ベンチマークデータセットに基づいて評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The aviation industry is rapidly evolving, driven by advancements in technology. Turbofan engines used in commercial aerospace are very complex systems. The majority of turbofan engine components are susceptible to degradation over the life of their operation. Turbofan engine degradation has an impact to engine performance, operability, and reliability. Predicting accurate remaining useful life (RUL) of a commercial turbofan engine based on a variety of complex sensor data is of paramount importance for the safety of the passengers, safety of flight, and for cost effective operations. That is why it is essential for turbofan engines to be monitored, controlled, and maintained. RUL predictions can either come from model-based or data-based approaches. The model-based approach can be very expensive due to the complexity of the mathematical models and the deep expertise that is required in the domain of physical systems. The data-based approach is more frequently used nowadays thanks to the high computational complexity of computers, the advancements in Machine Learning (ML) models, and advancements in sensors. This paper is going to be focused on Bi-Directional Long Short-Term Memory (BLSTM) models but will also provide a benchmark of several RUL prediction databased models. The proposed RUL prediction models are going to be evaluated based on engine failure prediction benchmark dataset Commercial Modular Aero-Propulsion System Simulation (CMAPSS). The CMAPSS dataset is from NASA which contains turbofan engine run to failure events.
• Abstract（参考訳）: 航空産業は急速に発展し、技術の進歩によって推進されている。 商用航空で使用されるターボファンエンジンは非常に複雑なシステムである。 ターボファンエンジンの部品の大部分は、その運転の寿命で劣化するおそれがある。 ターボファンエンジンの劣化はエンジンの性能、運転性、信頼性に影響を及ぼす。 様々な複雑なセンサーデータに基づく商用ターボファンエンジンの正確な寿命予測(RUL)は、乗客の安全、飛行の安全性、費用対効果において最重要となる。 そのため、ターボファンエンジンの監視、制御、維持が不可欠である。 RUL予測は、モデルベースまたはデータベースアプローチから得ることができる。 モデルに基づくアプローチは、数学的モデルの複雑さと、物理的システムの領域で必要とされる深い専門知識のため、非常に高価である。 データベースのアプローチは、コンピュータの高い計算複雑性、機械学習(ML)モデルの進歩、センサーの進歩などにより、今日ではより頻繁に使用されている。 本稿では,2方向長短期記憶モデル(BLSTM)に焦点を当てるが,RUL予測データベースモデルのベンチマークも提供する。 提案したRUL予測モデルは,エンジン故障予測ベンチマークデータセットに基づいて,CMAPSS(Commercial Modular Aero-Propulsion System Simulation)に基づいて評価する。 CMAPSSデータセットはNASAのもので、ターボファンエンジンが故障イベントのために実行されている。

関連論文リスト

• Open-Source High-Speed Flight Surrogate Modeling Framework [0.0]
  高速飛行車は音速よりもはるかに速く走行し、国防と宇宙探査に不可欠である。 様々な飛行条件下での行動の正確な予測は困難であり、しばしば高価である。 提案されたアプローチでは、より賢く、より効率的な機械学習モデルを作成する。
  論文  参考訳（メタデータ） (2024-11-06T01:34:06Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [51.244807332133696]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Fault Prognosis of Turbofan Engines: Eventual Failure Prediction and Remaining Useful Life Estimation [1.0742675209112622]
  ターボファンエンジンユニットの残余寿命を予測するための深層学習手法は、ラベル付き故障モード情報を利用していない。 新しい予後学的なアプローチは、現在の状態、最終的に失敗したコンポーネント、そして残りの有用な生活を同時に予測するために、カスタマイズされた損失関数で定式化される。 最も高性能なアルゴリズムであるANN-FluxはAUROCとAUPRのスコアを各分類で0.95を超えている。
  論文  参考訳（メタデータ） (2023-03-23T01:19:41Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Multi-Dimensional Self Attention based Approach for Remaining Useful Life Estimation [0.17205106391379021]
  RUL(Remaining Useful Life)推定は、予後・健康管理(PHM)において重要な役割を担っている。 本稿では,IIoTシナリオにおけるマルチセンサデバイスのための生活予測モデルについて検討する。 本稿では,RUL推定のためのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2022-12-12T08:50:27Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Explainable Artificial Intelligence for Exhaust Gas Temperature of Turbofan Engines [0.0]
  記号回帰は「ブラックボックス」モデルの解釈可能な代替品である。 本研究では, 実寿命排ガス温度(EGT)データにSRを適用し, 飛行全体を通して高周波数で収集する。 その結果, 3degCの絶対差は, モデル精度に有意な結果が得られた。
  論文  参考訳（メタデータ） (2022-03-24T15:05:32Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• In-flight Novelty Detection with Convolutional Neural Networks [0.0]
  本稿では,予防的保守意思決定者の注意を喚起するために,システム出力の測定をリアルタイムに優先することを提案する。 本稿では,異常データのオンライン検出と優先順位付けのためのデータ駆動システムを提案する。 このシステムは低消費電力の組み込みハードウェアでリアルタイムに動作可能で、現在ロールス・ロイス・パール15のエンジン飛行試験に配備中である。
  論文  参考訳（メタデータ） (2021-12-07T15:19:41Z)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)

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。