論文の概要: Short-Horizon Predictive Maintenance of Industrial Pumps Using Time-Series Features and Machine Learning

• arxiv url: http://arxiv.org/abs/2508.19974v1
• Date: Wed, 27 Aug 2025 15:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.683783
• Title: Short-Horizon Predictive Maintenance of Industrial Pumps Using Time-Series Features and Machine Learning
• Title（参考訳）: 時系列特徴と機械学習を用いた産業用ポンプの短軸予測保守
• Authors: Khaled M. A. Alghtus, Aiyad Gannan, Khalid M. Alhajri, Ali L. A. Al Jubouri, Hassan A. I. Al-Janahi,
• Abstract要約: 本研究では,実時間センサデータを用いた産業用遠心ポンプの短期故障予測のための機械学習フレームワークを提案する。 60分120分という2つの見返り期間をスライディングウインドウアプローチを用いて評価した。 その結果,ランダムフォレストモデルでは,60分間のウィンドウで予測性能が最良であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a machine learning framework for forecasting short-term faults in industrial centrifugal pumps using real-time sensor data. The approach aims to predict {EarlyWarning} conditions 5, 15, and 30 minutes in advance based on patterns extracted from historical operation. Two lookback periods, 60 minutes and 120 minutes, were evaluated using a sliding window approach. For each window, statistical features including mean, standard deviation, minimum, maximum, and linear trend were extracted, and class imbalance was addressed using the SMOTE algorithm. Random Forest and XGBoost classifiers were trained and tested on the labeled dataset. Results show that the Random Forest model achieved the best short-term forecasting performance with a 60-minute window, reaching recall scores of 69.2\% at 5 minutes, 64.9\% at 15 minutes, and 48.6\% at 30 minutes. With a 120-minute window, the Random Forest model achieved 57.6\% recall at 5 minutes, and improved predictive accuracy of 65.6\% at both 15 and 30 minutes. XGBoost displayed similar but slightly lower performance. These findings highlight that optimal history length depends on the prediction horizon, and that different fault patterns may evolve at different timescales. The proposed method offers an interpretable and scalable solution for integrating predictive maintenance into real-time industrial monitoring systems.
• Abstract（参考訳）: 本研究では,実時間センサデータを用いた産業用遠心ポンプの短期故障予測のための機械学習フレームワークを提案する。 この手法は, 歴史的操作から抽出したパターンに基づいて, 5, 15, 30分前もって {EarlyWarning} 条件を予測することを目的としている。 60分120分という2つの見返り期間をスライディングウインドウアプローチを用いて評価した。 各ウィンドウに対して,平均,標準偏差,最小,最大,線形傾向などの統計的特徴を抽出し,SMOTEアルゴリズムを用いてクラス不均衡に対処した。 Random ForestとXGBoostの分類器はラベル付きデータセットでトレーニングされ、テストされた。 その結果、ランダムフォレストモデルは60分の窓で最高の短期予測性能を達成し、リコールスコアは5分で69.2\%、15分で64.9\%、30分で48.6\%に達した。 120分の窓で、ランダムフォレストモデルは5分で57.6\%リコールし、15分と30分で65.6\%の予測精度を向上した。 XGBoostも同様だが、性能はわずかに低かった。 これらの知見は、最適な歴史の長さは予測の地平線に依存し、異なる時間スケールで異なる断層パターンが進化する可能性があることを示唆している。 提案手法は,予測保守をリアルタイム産業監視システムに統合するための,解釈可能かつスケーラブルなソリューションを提供する。

関連論文リスト

• Hybrid Feature Learning with Time Series Embeddings for Equipment Anomaly Prediction [0.0]
  本研究では,Granite TinyTimeMixerの64次元時系列埋め込みと28次元統計特性を統合するハイブリッド手法を提案する。 64の機器ユニットと51,564のサンプルを用いた実験では,30日間,60日間,90日間の地平線における異常予測のために,91-95%の精度と0.995のROC-AUCを達成した。
  論文  参考訳（メタデータ） (2026-02-16T15:00:15Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• Individualized and Interpretable Sleep Forecasting via a Two-Stage Adaptive Spatial-Temporal Model [1.7904458681854372]
  睡眠の質は幸福に大きく影響する。 本稿では,睡眠の質を評価するための2段階適応時空間モデルを提案する。
  論文  参考訳（メタデータ） (2025-08-28T19:01:40Z)
• Output Scaling: YingLong-Delayed Chain of Thought in a Large Pretrained Time Series Forecasting Model [55.25659103706409]
  このフレームワークは,設計した基盤モデルであるYingLongの最先端性能を実現する。 YingLongは、マスク付きトークンリカバリによってトレーニングされた非因果的双方向アテンションエンコーダのみのトランスフォーマーである。 我々は、6Mから3Mパラメータの4つの基礎モデルをリリースし、ゼロショットタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2025-05-20T14:31:06Z)
• Balancing Computational Efficiency and Forecast Error in Machine Learning-based Time-Series Forecasting: Insights from Live Experiments on Meteorological Nowcasting [0.0]
  本稿では,気象情報を用いた計算コストと予測誤差の関係について述べる。 5日間のライブ実験では、4000のデータソースがトレーニングのためにストリームされ、1時間あたり144モデルが参照された。 その結果, 分散ホライゾンを用いることで計算使用量を50%以上削減し, 誤差は0～15%増加した。
  論文  参考訳（メタデータ） (2023-09-26T19:10:00Z)
• 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)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Convolutional Long Short-Term Memory (convLSTM) for Spatio-Temporal Forecastings of Saturations and Pressure in the SACROC Field [6.068759908400391]
  テキサス州の油田における時間的パラメータを予測するために,畳み込み長短期記憶(LSLSTM)からなる機械学習アーキテクチャを開発した。 パラメータは毎月の終わりに30年間記録され、約83%がトレーニングに使われ、残りの17%がテストに使用される。
  論文  参考訳（メタデータ） (2022-10-15T15:22:28Z)
• Sub-seasonal forecasting with a large ensemble of deep-learning weather prediction models [6.882042556551611]
  深層学習天気予報(DLWP)モデルを用いたアンサンブル予測システムを提案する。 このモデルは、立方体球格子上の畳み込みニューラルネットワーク(CNN)を用いて、グローバルな予測を生成する。 エンサンブルスプレッドは、主に32のDLWPモデルを作成するためにCNNトレーニングプロセスのランダム化によって生成される。
  論文  参考訳（メタデータ） (2021-02-09T20:14:43Z)

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。