論文の概要: Deep Domain Adaptation for Turbofan Engine Remaining Useful Life Prediction: Methodologies, Evaluation and Future Trends
- arxiv url: http://arxiv.org/abs/2510.03604v1
- Date: Sat, 04 Oct 2025 01:37:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 16:52:59.146216
- Title: Deep Domain Adaptation for Turbofan Engine Remaining Useful Life Prediction: Methodologies, Evaluation and Future Trends
- Title（参考訳）: 生活予測に有効なターボファンエンジンの深部ドメイン適応:方法論,評価,将来動向
- Authors: Yucheng Wang, Mohamed Ragab, Yubo Hou, Zhenghua Chen, Min Wu, Xiaoli Li,
- Abstract要約: ドメイン適応(DA)は、豊富なデータを持つソースドメインから少ないデータを持つターゲットドメインへの知識伝達を可能にする、有望なソリューションとして登場した。
本稿では,ターボファンエンジンRUL予測のためのDAソリューションの総合的なレビュー,主要な方法論,課題,最近の進歩について分析する。
ターボファンエンジンに合わせた新しい分類法を導入し、方法論に基づくアプローチ(DAの適用方法)、アライメントに基づくアプローチ(運用変動による分布シフトの発生)、問題に基づくアプローチを導入している。
- 参考スコア（独自算出の注目度）: 27.14212676712141
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Remaining Useful Life (RUL) prediction for turbofan engines plays a vital role in predictive maintenance, ensuring operational safety and efficiency in aviation. Although data-driven approaches using machine learning and deep learning have shown potential, they face challenges such as limited data and distribution shifts caused by varying operating conditions. Domain Adaptation (DA) has emerged as a promising solution, enabling knowledge transfer from source domains with abundant data to target domains with scarce data while mitigating distributional shifts. Given the unique properties of turbofan engines, such as complex operating conditions, high-dimensional sensor data, and slower-changing signals, it is essential to conduct a focused review of DA techniques specifically tailored to turbofan engines. To address this need, this paper provides a comprehensive review of DA solutions for turbofan engine RUL prediction, analyzing key methodologies, challenges, and recent advancements. A novel taxonomy tailored to turbofan engines is introduced, organizing approaches into methodology-based (how DA is applied), alignment-based (where distributional shifts occur due to operational variations), and problem-based (why certain adaptations are needed to address specific challenges). This taxonomy offers a multidimensional view that goes beyond traditional classifications by accounting for the distinctive characteristics of turbofan engine data and the standard process of applying DA techniques to this area. Additionally, we evaluate selected DA techniques on turbofan engine datasets, providing practical insights for practitioners and identifying key challenges. Future research directions are identified to guide the development of more effective DA techniques, advancing the state of RUL prediction for turbofan engines.
- Abstract（参考訳）: ターボファンエンジンの寿命予測(Remaining Useful Life, RUL)は、航空の安全と効率の確保に重要な役割を担っている。
機械学習とディープラーニングを用いたデータ駆動アプローチは潜在的な可能性を示しているが、さまざまな運用条件によるデータ制限や分散シフトといった課題に直面している。
ドメイン適応(DA)は、分散シフトを緩和しながら、豊富なデータを持つソースドメインから少ないデータを持つターゲットドメインへの知識伝達を可能にする、有望なソリューションとして登場した。
複雑な運転条件、高次元センサデータ、低変速信号などのターボファンエンジンのユニークな特性を考えると、ターボファンエンジンに特化されたDA技術の集中的なレビューを行うことが不可欠である。
本論文は,ターボファンエンジンRUL予測のためのDAソリューションの総合的なレビュー,主要な方法論,課題,最近の進歩について分析する。
ターボファンエンジンに適した新しい分類法を導入し、方法論に基づくアプローチ(DAの適用方法)、アライメントに基づくアプローチ(運用変動による分散シフトが発生する場合)、問題に基づくアプローチ(なぜ特定の課題に対処するために特定の適応が必要なのか)を整理する。
この分類学は、ターボファンエンジンデータの特徴と、この分野にDA技術を適用する標準的なプロセスを考慮することで、従来の分類を超えた多次元的視点を提供する。
さらに,ターボファンエンジンのデータセットから選択したDA技術を評価し,実践者に対して実践的な洞察を提供し,重要な課題を特定する。
将来の研究の方向性は、より効果的なDA技術の開発を導くことであり、ターボファンエンジンのRUL予測を推し進めるものである。
関連論文リスト
- Predicting Onflow Parameters Using Transfer Learning for Domain and Task Adaptation [4.267911393791743]
本稿では,オンフローパラメータ,特に攻撃角度とオンフロー速度を予測するための転送学習手法を提案する。
結果は、データ分散の変更、ドメイン拡張、タスク更新への適応に対するアプローチの可能性の実証に成功している。
論文 参考訳（メタデータ） (2025-05-26T13:39:42Z) - A Physics-guided Multimodal Transformer Path to Weather and Climate Sciences [59.05404971880922]
気象学における多くの問題は、AIモデルを使って解決できる。
データ駆動アルゴリズムは従来の手法に比べて精度が大幅に向上した。
本稿では,異なる視点からの観測データをマルチモーダルデータとして扱い,変換器を介して統合する新たなパラダイムを提案する。
論文 参考訳（メタデータ） (2025-04-19T04:31:35Z) - C(NN)FD -- Deep Learning Modelling of Multi-Stage Axial Compressors Aerodynamics [0.0]
本稿では,多段軸圧縮機の流れ場および空力特性の予測のための一般化されたディープラーニングフレームワークの開発と応用について述べる。
物理に基づく次元の減少は、大規模領域のフロー場予測の可能性を解き、非構造化領域から構造化領域への回帰問題を再定式化する。
提案フレームワークは,0D/1D/2D/3Dレベルで対応する空力ドライバを識別できるため,物理的に説明可能な性能予測の利点を有する。
論文 参考訳（メタデータ） (2025-03-18T15:58:58Z) - A Supervised Machine-Learning Approach For Turboshaft Engine Dynamic Modeling Under Real Flight Conditions [0.0]
本研究では、レオナルドのAW189P4プロトタイプのターボシャフトエンジンをモデル化するための異なるニューラルネットワークアーキテクチャについて検討する。
これらのモデルは、様々な操作を含む実飛行テストの広範なデータベースで訓練されている。
ニューラルネットワークのアプローチを補完するために,SINDy(Sparse Identification of Dynamics)を用いて低次元力学モデルを導出する。
論文 参考訳（メタデータ） (2025-02-19T21:45:53Z) - Turbofan Engine Remaining Useful Life (RUL) Prediction Based on Bi-Directional Long Short-Term Memory (BLSTM) [0.0]
本稿では,双方向長短期記憶(BLSTM)モデルについて述べる。
また、いくつかのRUL予測データベースモデルのベンチマークも提供する。
提案したRUL予測モデルは,エンジン故障予測ベンチマークデータセットに基づいて評価する。
論文 参考訳（メタデータ） (2024-11-25T14:27:07Z) - AutoFT: Learning an Objective for Robust Fine-Tuning [60.641186718253735]
ファンデーションモデルは、微調整によって下流タスクに適応できるリッチな表現をエンコードする。
手作り正則化技術を用いた頑健な微調整への最近のアプローチ
我々は、堅牢な微調整のためのデータ駆動型アプローチであるAutoFTを提案する。
論文 参考訳（メタデータ） (2024-01-18T18:58:49Z) - ViDA: Homeostatic Visual Domain Adapter for Continual Test Time Adaptation [48.039156140237615]
目標ドメインの継続的な変更に事前訓練されたモデルを適用するために、連続的なテスト時間適応タスクを提案する。
我々はCTTA用のVisual Domain Adapter (ViDA) を設計し、ドメイン固有知識とドメイン共有知識の両方を明示的に扱う。
提案手法は,CTTAタスクの分類とセグメント化の両方において,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-06-07T11:18:53Z) - 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) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z)
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。