論文の概要: A Survey of Predictive Maintenance Methods: An Analysis of Prognostics via Classification and Regression

• arxiv url: http://arxiv.org/abs/2506.20090v1
• Date: Wed, 25 Jun 2025 02:22:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.582538
• Title: A Survey of Predictive Maintenance Methods: An Analysis of Prognostics via Classification and Regression
• Title（参考訳）: 予測保守法に関する調査:分類・回帰による予後分析
• Authors: Ainaz Jamshidi, Dongchan Kim, Muhammad Arif,
• Abstract要約: 予測保守(PdM)は近代工業の実践において重要な要素となっている。 機械学習とディープラーニングは、機器の故障と有用寿命(RUL)のより正確な予測を可能にした 本稿では, PdM の方法論を概観するとともに, 分類法と回帰法の比較に強く焦点をあてる。
• 参考スコア（独自算出の注目度）: 0.9802228981482947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive maintenance (PdM) has become a crucial element of modern industrial practice. PdM plays a significant role in operational dependability and cost management by decreasing unforeseen downtime and optimizing asset life cycle management. Machine learning and deep learning have enabled more precise forecasts of equipment failure and remaining useful life (RUL). Although many studies have been conducted on PdM, there has not yet been a standalone comparative study between regression- and classification-based approaches. In this review, we look across a range of PdM methodologies, while focusing more strongly on the comparative use of classification and regression methods in prognostics. While regression-based methods typically provide estimates of RUL, classification-based methods present a forecast of the probability of failure across defined time intervals. Through a comprehensive analysis of recent literature, we highlight key advancements, challenges-such as data imbalance and high-dimensional feature spaces-and emerging trends, including hybrid approaches and AI-enabled prognostic systems. This review aims to provide researchers and practitioners with an awareness of the strengths and compromises of various PdM methods and to help identify future research and build more robust, directed adaptive maintenance systems. Future work may include a systematic review of practical aspects such as public datasets, benchmarking platforms, and open-source tools to support the advancement of PdM research.
• Abstract（参考訳）: 予測保守(PdM)は近代工業の実践において重要な要素となっている。 PdMは、予期せぬダウンタイムを減らし、資産ライフサイクル管理を最適化することにより、運用上の信頼性とコスト管理において重要な役割を果たす。 機械学習とディープラーニングは、機器の故障と有用寿命(RUL)のより正確な予測を可能にした。 PdMについて多くの研究が行われてきたが、回帰に基づくアプローチと分類に基づくアプローチの独立的な比較研究はまだ行われていない。 本稿では, PdM の方法論を概観するとともに, 分類法と回帰法の比較に強く焦点をあてる。 回帰に基づく手法は通常、RULの見積を提供するが、分類に基づく手法は、定義された時間間隔で失敗の確率を予測する。 近年の文献を包括的に分析することで、データ不均衡や高次元の特徴空間といった課題や、ハイブリッドアプローチやAI対応の予後システムなど、新たなトレンドに注目する。 本総説は,PdM法の長所と短所を認識した研究者や実践者に対して,今後の研究の特定と,より堅牢で適応型メンテナンスシステムの構築を支援することを目的としている。 今後の作業には、公開データセットやベンチマークプラットフォーム、PdM研究の進歩をサポートするオープンソースツールなど、実践的な側面の体系的なレビューが含まれる。

関連論文リスト

• Distribution Learning for Molecular Regression [10.96062816455682]
  Distributional Mixture of Experts (DMoE) はモデルに依存しない、データに依存しない回帰法である。 分子特性予測データセットを用いたDMoEの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-30T00:21:51Z)
• POGEMA: A Benchmark Platform for Cooperative Multi-Agent Pathfinding [76.67608003501479]
  POGEMAは、学習のための高速環境、問題インスタンスジェネレータ、可視化ツールキットを含む、総合的なツールセットである。 また、プライマリ評価指標に基づいて計算されるドメイン関連メトリクスの範囲を規定する評価プロトコルを導入し、定義する。 この比較の結果は、様々な最先端のMARL、検索ベース、ハイブリッド手法を含む。
  論文  参考訳（メタデータ） (2024-07-20T16:37:21Z)
• Constrained Reinforcement Learning with Average Reward Objective: Model-Based and Model-Free Algorithms [34.593772931446125]
  モノグラフは、平均報酬決定過程(MDPs)の文脈内で制約された様々なモデルベースおよびモデルフリーアプローチの探索に焦点を当てている このアルゴリズムは制約付きMDPの解法として検討されている。
  論文  参考訳（メタデータ） (2024-06-17T12:46:02Z)
• Chain-of-Thought Prompting for Demographic Inference with Large Multimodal Models [58.58594658683919]
  大規模マルチモーダルモデル (LMM) は、様々な研究課題において変換可能性を示している。 以上の結果から,LMMはゼロショット学習,解釈可能性,未修正入力の処理に長所があることが示唆された。 本稿では,目標外予測問題を効果的に緩和するChain-of-Thought拡張プロンプト手法を提案する。
  論文  参考訳（メタデータ） (2024-05-24T16:26:56Z)
• Offline Reinforcement Learning with Instrumental Variables in Confounded Markov Decision Processes [93.61202366677526]
  未測定の共同設立者を対象にオフライン強化学習(RL)について検討した。 そこで本稿では, 最適クラスポリシーを見つけるための, 有限サンプルの準最適性を保証した多種多様なポリシー学習手法を提案する。
  論文  参考訳（メタデータ） (2022-09-18T22:03:55Z)
• Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
  人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。 本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。 理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-01-31T20:58:47Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Interpretable Off-Policy Evaluation in Reinforcement Learning by Highlighting Influential Transitions [48.91284724066349]
  強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。 信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。 我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-10T00:26:43Z)

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。