論文の概要: BACE-RUL: A Bi-directional Adversarial Network with Covariate Encoding for Machine Remaining Useful Life Prediction

• arxiv url: http://arxiv.org/abs/2503.11730v1
• Date: Fri, 14 Mar 2025 08:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:34:32.185551
• Title: BACE-RUL: A Bi-directional Adversarial Network with Covariate Encoding for Machine Remaining Useful Life Prediction
• Title（参考訳）: BACE-RUL: 有効寿命予測のための共変量符号化による双方向逆数ネットワーク
• Authors: Zekai Zhang, Dan Li, Shunyu Wu, Junya Cai, Bo Zhang, See Kiong Ng, Zibin Zheng,
• Abstract要約: 本稿では,RUL予測のための双方向適応・健康管理(PHM)フレームワークを提案する。 提案モデルは一般的なフレームワークであり、最先端の手法より優れている。 ターボファン航空機エンジンのデータセットを含む実世界のいくつかのデータセットの実験は、提案モデルが一般的なフレームワークであり、最先端の手法よりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 35.78166369270404
• License:
• Abstract: Prognostic and Health Management (PHM) are crucial ways to avoid unnecessary maintenance for Cyber-Physical Systems (CPS) and improve system reliability. Predicting the Remaining Useful Life (RUL) is one of the most challenging tasks for PHM. Existing methods require prior knowledge about the system, contrived assumptions, or temporal mining to model the life cycles of machine equipment/devices, resulting in diminished accuracy and limited applicability in real-world scenarios. This paper proposes a Bi-directional Adversarial network with Covariate Encoding for machine Remaining Useful Life (BACE-RUL) prediction, which only adopts sensor measurements from the current life cycle to predict RUL rather than relying on previous consecutive cycle recordings. The current sensor measurements of mechanical devices are encoded to a conditional space to better understand the implicit inner mechanical status. The predictor is trained as a conditional generative network with the encoded sensor measurements as its conditions. Various experiments on several real-world datasets, including the turbofan aircraft engine dataset and the dataset collected from degradation experiments of Li-Ion battery cells, show that the proposed model is a general framework and outperforms state-of-the-art methods.
• Abstract（参考訳）: CPS(Cyber-Physical Systems)の不要なメンテナンスを回避し、システムの信頼性を向上させるため、PHM(Prognostic and Health Management)は重要な方法である。 RUL (Predicting the Remaining Useful Life) はPHMにとって最も難しい課題の1つである。 既存の手法では、機械機器やデバイスのライフサイクルをモデル化するために、システム、探索された仮定、時間的マイニングに関する事前知識が必要であり、現実のシナリオでは精度が低下し、適用性が制限される。 本稿では,従来の連続したサイクル記録に頼らずに,現在のライフサイクルからのセンサ計測のみを適用してRULを予測できる,機械残ライフ(BACE-RUL)予測用共変量符号化を用いた双方向逆数ネットワークを提案する。 機械装置の現在のセンサ測定は、暗黙の機械的状態を理解するために条件空間に符号化される。 予測器は、符号化されたセンサ測定を条件として、条件生成ネットワークとして訓練される。 ターボファン航空機エンジンのデータセットやLi-Ion電池の劣化実験から収集したデータセットなど、実世界のいくつかのデータセットに関する様々な実験により、提案モデルは汎用的なフレームワークであり、最先端の手法よりも優れていることが示された。

関連論文リスト

• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Remaining Useful Life Prediction: A Study on Multidimensional Industrial Signal Processing and Efficient Transfer Learning Based on Large Language Models [6.118896920507198]
  本稿では,大言語モデル(LLM)をRUL予測に用いる革新的な回帰フレームワークを提案する。 ターボファンエンジンのRUL予測タスクの実験では、提案モデルが最先端(SOTA)法を超越していることが示されている。 微調整のための最小限のターゲットドメインデータでは、モデルは完全なターゲットドメインデータに基づいて訓練されたSOTAメソッドよりも優れている。
  論文  参考訳（メタデータ） (2024-10-04T04:21:53Z)
• Spatio-temporal Attention-based Hidden Physics-informed Neural Network for Remaining Useful Life Prediction [1.8554335256160261]
  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。
  論文  参考訳（メタデータ） (2024-05-20T21:10:18Z)
• Analysis of the Memorization and Generalization Capabilities of AI Agents: Are Continual Learners Robust? [91.682459306359]
  連続学習(CL)では、AIエージェントが動的環境下で非定常データストリームから学習する。 本稿では,過去の知識を維持しつつ,動的環境への堅牢な一般化を実現するための新しいCLフレームワークを提案する。 提案フレームワークの一般化と記憶性能を理論的に解析した。
  論文  参考訳（メタデータ） (2023-09-18T21:00:01Z)
• Two-stage Early Prediction Framework of Remaining Useful Life for Lithium-ion Batteries [6.917843782772814]
  本稿では,リチウムイオン電池のRUL予測手法を提案する。 提案フレームワークは、ニューラルネットワークモデルを用いてFPCを決定することにより、劣化データを異なる健康状態に分割し、FPC後の劣化パターンを予測する。 実験の結果,提案手法は従来のRUL予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-08-07T15:28:39Z)
• 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)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• 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)
• Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach [68.40429597811071]
  未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。 機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。 従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2020-07-07T10:00:32Z)

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。