論文の概要: A Novel Method to Manage Production on Industry 4.0: Forecasting Overall Equipment Efficiency by Time Series with Topological Features

• arxiv url: http://arxiv.org/abs/2507.02890v1
• Date: Fri, 20 Jun 2025 10:04:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-13 12:05:57.488312
• Title: A Novel Method to Manage Production on Industry 4.0: Forecasting Overall Equipment Efficiency by Time Series with Topological Features
• Title（参考訳）: 産業生産管理の新手法4.0:地形特性を考慮した時系列による総設備効率予測
• Authors: Korkut Anapa, İsmail Güzel, Ceylan Yozgatlıgil,
• Abstract要約: 全体的な設備効率(OEE)は重要な製造工程であるが、揮発性の性質は短期的な予測を複雑にしている。 本研究では,時系列分解とトポロジカルデータ解析を組み合わせた新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Overall equipment efficiency (OEE) is a key manufacturing KPI, but its volatile nature complicates short-term forecasting. This study presents a novel framework combining time series decomposition and topological data analysis to improve OEE prediction across various equipment, such as hydraulic press systems. Methods: The approach begins by decomposing hourly OEE data into trend, seasonal, and residual components. The residual, capturing short-term variability, is modeled using a seasonal ARIMA with exogenous variables (SARIMAX). These exogenous features include statistical descriptors and topological summaries from related time series. To manage the high-dimensional input space, we propose a hybrid feature selection strategy using recursive feature elimination based on statistically significant SARIMAX predictors, coupled with BIC-guided particle swarm optimization. The framework is evaluated on real-world datasets from multiple production systems. Results: The proposed model consistently outperforms conventional time series models and advanced transformer-based approaches, achieving significantly lower mean absolute error and mean absolute percentage error. Conclusion: Integrating classical forecasting with topological data analysis enhances OEE prediction accuracy, enabling proactive maintenance and informed production decisions in complex manufacturing environments.
• Abstract（参考訳）: 目的: 総合設備効率(OEE)はKPIの重要な製造要素であるが, 揮発性の性質は短期的な予測を複雑にしている。 本研究では, 時系列分解とトポロジカルデータ解析を組み合わせて油圧プレスシステムなどの各種機器におけるOEE予測を改善する手法を提案する。 メソッド: このアプローチは、時間単位のOEEデータをトレンド、季節、残留コンポーネントに分解することから始まります。 短期変動を捉えた残差は、季節的ARIMAと外因性変数(SARIMAX)を用いてモデル化される。 これらの外生的特徴には、統計記述子や関連する時系列のトポロジカル要約が含まれる。 高次元入力空間を管理するために,統計的に有意なSARIMAX予測器に基づく再帰的特徴除去とBIC誘導粒子群最適化を組み合わせたハイブリッド特徴選択戦略を提案する。 このフレームワークは、複数のプロダクションシステムの実世界のデータセットに基づいて評価される。 結果: 提案モデルは従来の時系列モデルと高度なトランスフォーマーベースのアプローチを一貫して上回り, 平均絶対誤差と平均絶対パーセンテージ誤差を著しく低減する。 結論: 古典的な予測とトポロジカルなデータ分析を統合することで、OEE予測精度が向上し、複雑な製造環境における積極的な保守と生産決定が可能になる。

関連論文リスト

• Advanced Hybrid Transformer LSTM Technique with Attention and TS Mixer for Drilling Rate of Penetration Prediction [1.2432046687586285]
  掘削作業の最適化には, 浸透速度(ROP)が重要である。 伝統的な経験的、物理学的、基礎的な機械学習モデルは、複雑な時間的および文脈的関係を捉えないことが多い。 本稿では,Long Short-Term Memory(LSTM)ネットワーク,Transformerエンコーダ,Time-Series Mixer(TS-Mixer)ブロックを統合するハイブリッドディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-08-07T09:45:56Z)
• Galerkin-ARIMA: A Two-Stage Polynomial Regression Framework for Fast Rolling One-Step-Ahead Forecasting [9.953821298617473]
  Galerkin-ARIMAは、Galerkinプロジェクション技術と古典的なARIMAモデルを統合する時系列予測フレームワークである。 ガレルキン・アリバは, ローリング予測タスクにおいて, マグニチュード・オブ・マグニチュード・スピードアップを達成しつつ, アリバの予測精度と一致するか, あるいは密接に近似していることを示す。
  論文  参考訳（メタデータ） (2025-07-10T06:53:18Z)
• QGAPHEnsemble : Combining Hybrid QLSTM Network Ensemble via Adaptive Weighting for Short Term Weather Forecasting [0.0]
  本研究は,高度な機械学習技術を用いた実践的有効性を強調した。 本モデルでは,気象予測の精度と信頼性が大幅に向上したことを示す。 本稿では,天気予報タスクの性能向上のために,最適化アンサンブル技術の重要性を強調した。
  論文  参考訳（メタデータ） (2025-01-18T20:18:48Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。 我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。 CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective RAN KPI Forecasting [0.18416014644193066]
  我々は、精度と計算複雑性のトレードオフを最適化するために、QBSDというライブシングルステップ予測手法を紹介した。 QBSDは数千セル以上の実ネットワークRANデータセットで大きな成功を収めています。 その結果,提案手法は主要なアルゴリズムに比べて実行効率が優れていることがわかった。
  論文  参考訳（メタデータ） (2023-06-09T15:59:27Z)
• Mlinear: Rethink the Linear Model for Time-series Forecasting [9.841293660201261]
  Mlinearは、主に線形層に基づく単純だが効果的な方法である。 複数のデータセット上で広く使われている平均二乗誤差(MSE)を大幅に上回る新しい損失関数を導入する。 提案手法は,PatchTSTを336列長入力で21:3,512列長入力で29:10で有意に上回った。
  論文  参考訳（メタデータ） (2023-05-08T15:54:18Z)
• Ensemble Modeling for Time Series Forecasting: an Adaptive Robust Optimization Approach [3.7565501074323224]
  本稿では,時系列予測モデルの堅牢なアンサンブルを構築するための新しい手法を提案する。 本手法の有効性を,一連の合成実験と実世界の応用を通して実証する。
  論文  参考訳（メタデータ） (2023-04-09T20:30:10Z)
• 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)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。