論文の概要: Predictive Maintenance Optimization for Smart Vending Machines Using IoT and Machine Learning
- arxiv url: http://arxiv.org/abs/2507.02934v1
- Date: Thu, 26 Jun 2025 16:33:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-13 12:05:57.536504
- Title: Predictive Maintenance Optimization for Smart Vending Machines Using IoT and Machine Learning
- Title(参考訳): IoTと機械学習を用いたスマート自動販売機の予測保守最適化
- Authors: Md. Nisharul Hasan,
- Abstract要約: 本研究では,モノのインターネット(IoT)センサと機械学習(ML)アルゴリズムを活用することにより,自動販売機に適した新しい予測メンテナンスフレームワークを提案する。
提案システムは,マシンコンポーネントと動作条件をリアルタイムで連続的に監視し,故障発生前の予測に予測モデルを適用する。
その結果,早期故障検出の精度が向上し,冗長なサービス介入の低減が図られた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing proliferation of vending machines in public and commercial environments has placed a growing emphasis on operational efficiency and customer satisfaction. Traditional maintenance approaches either reactive or time-based preventive are limited in their ability to preempt machine failures, leading to unplanned downtimes and elevated service costs. This research presents a novel predictive maintenance framework tailored for vending machines by leveraging Internet of Things (IoT) sensors and machine learning (ML) algorithms. The proposed system continuously monitors machine components and operating conditions in real time and applies predictive models to forecast failures before they occur. This enables timely maintenance scheduling, minimizing downtime and extending machine lifespan. The framework was validated through simulated fault data and performance evaluation using classification algorithms. Results show a significant improvement in early fault detection and a reduction in redundant service interventions. The findings indicate that predictive maintenance systems, when integrated into vending infrastructure, can transform operational efficiency and service reliability.
- Abstract(参考訳): 公共・商業環境における自動販売機の普及は、業務効率と顧客満足度に重点を置いている。
従来のメンテナンスアプローチは、マシン障害をプリエンプトする能力に制限があり、計画外のダウンタイムとサービスコストの上昇につながる。
本研究では,モノのインターネット(IoT)センサと機械学習(ML)アルゴリズムを活用することにより,自動販売機に適した新しい予測メンテナンスフレームワークを提案する。
提案システムは,マシンコンポーネントと動作条件をリアルタイムで連続的に監視し,故障発生前の予測に予測モデルを適用する。
これにより、スケジュールのタイムリーなメンテナンス、ダウンタイムの最小化、マシン寿命の延長が可能になる。
このフレームワークは, 分類アルゴリズムを用いて, シミュレーションされた故障データと性能評価により検証した。
その結果,早期故障検出の精度が向上し,冗長なサービス介入の低減が図られた。
その結果,自動販売システムに統合された予測メンテナンスシステムは,運用効率とサービスの信頼性を変革できることがわかった。
関連論文リスト
- Incremental Uncertainty-aware Performance Monitoring with Active Labeling Intervention [64.12447263206381]
Incrmental Uncertainty-aware Performance Monitoring (IUPM) というラベルのない手法を提案する。
IUPMは、性能予測の不確実性を定量化し、限られたラベル付け予算の下で信頼性の高い見積もりを復元するアクティブなラベル付け手順を導入する。
実験の結果、IUPMは様々な段階的なシフトシナリオにおいて、既存の性能推定基準よりも優れていることがわかった。
論文 参考訳(メタデータ) (2025-05-11T15:35:55Z) - Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model [0.0]
この研究は、SVM(Support Vector Machine)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、畳み込みニューラルネットワークLSTMベース(Convolutional Neural Network LSTM-based)など、さまざまな機械学習分類手法を掘り下げて、マシンのパフォーマンスを予測し分析することを目的としている。
本研究の主な目的は、精度、精度、リコール、F1スコアなどの要因を考慮して、これらのアルゴリズムの性能を評価し、機械性能を予測・解析することである。
論文 参考訳(メタデータ) (2024-03-15T12:47:45Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-29T02:27:54Z) - Optimization paper production through digitalization by developing an
assistance system for machine operators including quality forecast: a concept [50.591267188664666]
廃紙からの紙の製造は、特にエネルギー消費の観点からも、依然として非常に資源集約的な課題である。
我々は,その利用方法の欠如を特定し,操作支援システムと最先端の機械学習技術を用いた概念の実装を行った。
我々の主な目的は、利用可能なデータを活用するマシンオペレーターに状況に応じた知識を提供することである。
論文 参考訳(メタデータ) (2022-06-23T09:54:35Z) - Prescriptive maintenance with causal machine learning [4.169130102668252]
同様のマシン上での観測データから,保守条件が機械特性に与える影響を学習する。
産業パートナーから4000以上の保守契約に関する実生活データを用いて,提案手法を検証した。
論文 参考訳(メタデータ) (2022-06-03T13:35:57Z) - Predictive Maintenance using Machine Learning [0.0]
予測保守(PdM)は、資産の保守計画を効果的に管理するために実施される。
データは一定期間にわたって収集され、機器の状態を監視する。
論文 参考訳(メタデータ) (2022-05-19T09:05:37Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳(メタデータ) (2021-06-14T11:42:46Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳(メタデータ) (2021-05-10T08:02:27Z) - Predictive maintenance on event logs: Application on an ATM fleet [0.6961253535504979]
一部のアプリケーションでは、センサからの出力は利用できず、代わりにマシンによって生成されたイベントログが使用される。
本稿ではまず,予測保守問題の解決に文献で使用されるアプローチについて検討し,156台のマシンのイベントログを含む新しい公開データセットを提案する。
論文 参考訳(メタデータ) (2020-11-22T12:12:14Z) - 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。