論文の概要: Bayesian Joint Model of Multi-Sensor and Failure Event Data for Multi-Mode Failure Prediction

• arxiv url: http://arxiv.org/abs/2506.17036v1
• Date: Fri, 20 Jun 2025 14:44:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.488907
• Title: Bayesian Joint Model of Multi-Sensor and Failure Event Data for Multi-Mode Failure Prediction
• Title（参考訳）: マルチモード故障予測のためのマルチセンサと障害事象データのベイズ結合モデル
• Authors: Sina Aghaee Dabaghan Fard, Minhee Kim, Akash Deep, Jaesung Lee,
• Abstract要約: 現代の産業システムには複数の障害モードがあり、その状態は複数のセンサーで監視されている。 システムの残りの有用な寿命(RUL)を正確に予測するには、マルチセンサーの時系列データを効果的に活用する必要がある。 本稿では,マルチセンサの時系列データと複数障害モードに関する障害時間とを協調的にモデル化するための統一的なアプローチを提案する。
• 参考スコア（独自算出の注目度）: 2.8123958518740544
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern industrial systems are often subject to multiple failure modes, and their conditions are monitored by multiple sensors, generating multiple time-series signals. Additionally, time-to-failure data are commonly available. Accurately predicting a system's remaining useful life (RUL) requires effectively leveraging multi-sensor time-series data alongside multi-mode failure event data. In most existing models, failure modes and RUL prediction are performed independently, ignoring the inherent relationship between these two tasks. Some models integrate multiple failure modes and event prediction using black-box machine learning approaches, which lack statistical rigor and cannot characterize the inherent uncertainty in the model and data. This paper introduces a unified approach to jointly model the multi-sensor time-series data and failure time concerning multiple failure modes. This proposed model integrate a Cox proportional hazards model, a Convolved Multi-output Gaussian Process, and multinomial failure mode distributions in a hierarchical Bayesian framework with corresponding priors, enabling accurate prediction with robust uncertainty quantification. Posterior distributions are effectively obtained by Variational Bayes, and prediction is performed with Monte Carlo sampling. The advantages of the proposed model is validated through extensive numerical and case studies with jet-engine dataset.
• Abstract（参考訳）: 近代の産業システムは、しばしば複数の故障モードを受け、その状態は複数のセンサーによって監視され、複数の時系列信号を生成する。 さらに、タイム・トゥ・フェイルデータも一般的に利用可能である。 システムの残りの有用な寿命(RUL)を正確に予測するには、マルチモード障害イベントデータと並行して、マルチセンサ時系列データを効果的に活用する必要がある。 多くの既存モデルでは、これらの2つのタスクの間に固有の関係を無視して、障害モードとRUL予測が独立に実行される。 いくつかのモデルは、統計的厳密さに欠け、モデルとデータに固有の不確実性を特徴付けることができないブラックボックス機械学習アプローチを使用して、複数の障害モードとイベント予測を統合している。 本稿では,マルチセンサの時系列データと複数障害モードに関する障害時間とを協調的にモデル化するための統一的なアプローチを提案する。 提案モデルでは,Cox比例的ハザードモデル,Convolved Multi-output Gaussian Process,および階層型ベイズフレームワークにおけるマルチノード障害モードの分布と,それに対応する事前条件を組み込むことにより,ロバストな不確実性定量化による正確な予測を可能にする。 後方分布は変分ベイズにより効果的に得られ,モンテカルロサンプリングにより予測を行う。 提案モデルの利点は,ジェットエンジン・データセットを用いた大規模数値およびケーススタディによって検証される。

関連論文リスト

• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• Self-attention-based Diffusion Model for Time-series Imputation in Partial Blackout Scenarios [23.160007389272575]
  時系列データの欠落値は、機械学習のパフォーマンスを損なう可能性がある。 これまでの研究は、ランダムで完全なブラックアウトと予測シナリオにおいて、欠落したデータの計算に取り組んできた。 本稿では,自己意図と拡散過程を用いた2段階計算プロセスを導入し,特徴量と時間的相関をモデル化する。
  論文  参考訳（メタデータ） (2025-03-03T16:58:15Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Temporal Latent Auto-Encoder: A Method for Probabilistic Multivariate Time Series Forecasting [4.131842516813833]
  時間系列の非線形ファクタリゼーションを可能にする新しい時間的潜時オートエンコーダ法を提案する。 確率的潜時空間モデルにより、入力系列の複雑な分布はデコーダを介してモデル化される。 我々のモデルは、多くの一般的な多変量データセット上で最先端のパフォーマンスを達成し、いくつかの標準メトリクスに対して最大50%のゲインを得られることがある。
  論文  参考訳（メタデータ） (2021-01-25T22:29:40Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)
• Multivariate Probabilistic Time Series Forecasting via Conditioned Normalizing Flows [8.859284959951204]
  時系列予測は科学的・工学的な問題の基本である。 深層学習法はこの問題に適している。 多くの実世界のデータセットにおける標準メトリクスの最先端よりも改善されていることを示す。
  論文  参考訳（メタデータ） (2020-02-14T16:16:51Z)

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。