論文の概要: Fed-Joint: Joint Modeling of Nonlinear Degradation Signals and Failure Events for Remaining Useful Life Prediction using Federated Learning

• arxiv url: http://arxiv.org/abs/2503.13404v1
• Date: Mon, 17 Mar 2025 17:34:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 16:00:46.951067
• Title: Fed-Joint: Joint Modeling of Nonlinear Degradation Signals and Failure Events for Remaining Useful Life Prediction using Federated Learning
• Title（参考訳）: Fed-Joint:Federated Learningを用いた生活予測のための非線形劣化信号と故障事象の連成モデリング
• Authors: Cheoljoon Jeong, Xubo Yue, Seokhyun Chung,
• Abstract要約: 非線形劣化信号と時間-障害データの連成モデリングを用いたRUL予測のための新しい予測フレームワークを提案する。 提案手法は, フェデレートされた多出力ガウスプロセスを用いて非パラメトリック劣化モデルを構築し, フェデレーションサバイバルモデルを用いて, サービス内機器の故障時間と確率を予測する。
• 参考スコア（独自算出の注目度）: 1.024113475677323
• License:
• Abstract: Many failure mechanisms of machinery are closely related to the behavior of condition monitoring (CM) signals. To achieve a cost-effective preventive maintenance strategy, accurate remaining useful life (RUL) prediction based on the signals is of paramount importance. However, the CM signals are often recorded at different factories and production lines, with limited amounts of data. Unfortunately, these datasets have rarely been shared between the sites due to data confidentiality and ownership issues, a lack of computing and storage power, and high communication costs associated with data transfer between sites and a data center. Another challenge in real applications is that the CM signals are often not explicitly specified \textit{a priori}, meaning that existing methods, which often usually a parametric form, may not be applicable. To address these challenges, we propose a new prognostic framework for RUL prediction using the joint modeling of nonlinear degradation signals and time-to-failure data within a federated learning scheme. The proposed method constructs a nonparametric degradation model using a federated multi-output Gaussian process and then employs a federated survival model to predict failure times and probabilities for in-service machinery. The superiority of the proposed method over other alternatives is demonstrated through comprehensive simulation studies and a case study using turbofan engine degradation signal data that include run-to-failure events.
• Abstract（参考訳）: 機械の故障機構の多くは、条件監視(CM)信号の挙動と密接に関連している。 コスト効率のよい予防維持戦略を実現するため、信号に基づく正確な有用寿命(RUL)予測が最重要となる。 しかし、CM信号は様々な工場や製造ラインで記録され、データ量は限られている。 残念ながら、これらのデータセットは、データの機密性やオーナシップの問題、コンピューティングとストレージ能力の欠如、サイトとデータセンタ間のデータ転送に関連する通信コストの高さなど、サイト間で共有されることはめったにない。 実際の応用におけるもう一つの課題は、CM信号が明示的に指定されていないことであり、通常はパラメトリック形式である既存のメソッドは適用できない。 これらの課題に対処するために,非線形劣化信号とフェデレート学習方式における時間-障害データの連成モデルを用いて,RUL予測のための新しい予測フレームワークを提案する。 提案手法は, フェデレートされた多出力ガウスプロセスを用いて非パラメトリック劣化モデルを構築し, フェデレーションサバイバルモデルを用いて, サービス内機器の故障時間と確率を予測する。 提案手法が他の方法よりも優れていることを示すために, ターボファンエンジン劣化信号データを用いた総合シミュレーションおよびケーススタディを行った。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• A Two-Stage Federated Learning Approach for Industrial Prognostics Using Large-Scale High-Dimensional Signals [1.2277343096128712]
  産業統計学は、アセットからの高次元劣化信号を利用して、その故障時間を予測するデータ駆動手法を開発することを目的としている。 実際には、個々の組織は信頼できる予測モデルを独立して訓練するのに十分なデータを持っていないことが多い。 本稿では,複数の組織が共同で予後モデルを訓練できる統計的学習に基づくフェデレーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-14T21:26:22Z)
• Data-driven Bayesian State Estimation with Compressed Measurement of Model-free Process using Semi-supervised Learning [57.04370580292727]
  研究テーマは、圧縮測定によるデータ駆動ベイズ状態推定である。 状態の基本的な力学モデルは未知であると仮定される。 既存の2つの教師なし学習ベースのデータ駆動手法は、BSCMの問題に対処できない。
  論文  参考訳（メタデータ） (2024-07-10T05:03:48Z)
• Deep Learning-Based Residual Useful Lifetime Prediction for Assets with Uncertain Failure Modes [1.2277343096128712]
  複数の障害モードを持つシステムの既存の予後モデルは、現実のアプリケーションにおいていくつかの課題に直面している。 本研究は,混合(log-location-scale distribution)と深層学習を組み合わせた2つの予後モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-09T19:37:57Z)
• Fault Detection and Monitoring using a Data-Driven Information-Based Strategy: Method, Theory, and Application [5.056456697289351]
  本稿では,新しいコンセプトドリフト検出器に基づく情報駆動型故障検出手法を提案する。 本手法は,加法雑音モデルの入出力関係におけるドリフトの同定に適している。 提案したMIに基づく故障検出手法の理論的特性を実証する。
  論文  参考訳（メタデータ） (2024-05-06T17:43:39Z)
• Real-time Adaptation for Condition Monitoring Signal Prediction using Label-aware Neural Processes [3.10770247120758]
  リアルタイム状態監視(CM)信号に迅速に適応する予測モデルの構築は、エンジニアリングシステムやユニットにとって重要である。 現在の手法は、オンライン設定における表現力とアジリティのトレードオフに悩まされている。 このトレードオフに対処するニューラルプロセスベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-25T02:47:29Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Data-Driven Failure Prediction in Brittle Materials: A Phase-Field Based Machine Learning Framework [1.3858051019755282]
  繰り返しまたは増加する負荷下でマイクロ・マクロ・クラックによって導かれる脆性材料の破壊は、しばしば破滅的である。 等温・線形弾性・等方位相場モデルにおける故障を予測するための教師付き機械学習(ML)フレームワークを開発した。 提案手法は,高い騒音レベルが存在する場合でも,許容精度で故障を予測できることを示す。
  論文  参考訳（メタデータ） (2020-03-24T17:13:08Z)

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。