論文の概要: Optimizing Predictive Maintenance in Intelligent Manufacturing: An Integrated FNO-DAE-GNN-PPO MDP Framework

• arxiv url: http://arxiv.org/abs/2511.05594v1
• Date: Wed, 05 Nov 2025 13:21:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.480698
• Title: Optimizing Predictive Maintenance in Intelligent Manufacturing: An Integrated FNO-DAE-GNN-PPO MDP Framework
• Title（参考訳）: インテリジェント製造における予測保守の最適化:FNO-DAE-GNN-PPO統合MDPフレームワーク
• Authors: Shiqing Qiu,
• Abstract要約: 本稿では,高度なソフトコンピューティング技術を統合する新しいマルコフ決定プロセス(MDP)フレームワークを提案する。 このフレームワークは、最大13%のコスト削減で、複数のディープラーニングベースラインモデルよりも大幅に優れていることを示す。 このフレームワークは、データ駆動戦略を通じて、ダウンタイムと運用コストを効果的に削減する、相当な工業的可能性を秘めている。
• 参考スコア（独自算出の注目度）: 1.6921396880325779
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the era of smart manufacturing, predictive maintenance (PdM) plays a pivotal role in improving equipment reliability and reducing operating costs. In this paper, we propose a novel Markov Decision Process (MDP) framework that integrates advanced soft computing techniques - Fourier Neural Operator (FNO), Denoising Autoencoder (DAE), Graph Neural Network (GNN), and Proximal Policy Optimisation (PPO) - to address the multidimensional challenges of predictive maintenance in complex manufacturing systems. Specifically, the proposed framework innovatively combines the powerful frequency-domain representation capability of FNOs to capture high-dimensional temporal patterns; DAEs to achieve robust, noise-resistant latent state embedding from complex non-Gaussian sensor data; and GNNs to accurately represent inter-device dependencies for coordinated system-wide maintenance decisions. Furthermore, by exploiting PPO, the framework ensures stable and efficient optimisation of long-term maintenance strategies to effectively handle uncertainty and non-stationary dynamics. Experimental validation demonstrates that the approach significantly outperforms multiple deep learning baseline models with up to 13% cost reduction, as well as strong convergence and inter-module synergy. The framework has considerable industrial potential to effectively reduce downtime and operating expenses through data-driven strategies.
• Abstract（参考訳）: スマートマニュファクチャリングの時代において、予測保守(PdM)は機器の信頼性の向上と運用コストの削減において重要な役割を担っている。 本稿では,高度なソフトコンピューティング技術 - フーリエニューラル演算子(FNO)、デノイングオートエンコーダ(DAE)、グラフニューラルネット(GNN)、およびPPO(Proximal Policy Optimisation) - を統合した新しいマルコフ決定プロセス(MDP)フレームワークを提案する。 具体的には、FNOの強力な周波数領域表現機能を革新的に組み合わせ、高次元の時間パターンを捕捉し、複雑な非ガウスセンサデータから堅牢で耐雑音性の潜伏状態の埋め込みを実現するDAEと、協調したシステム全体の保守決定のためのデバイス間依存関係を正確に表現するGNNとを組み合わせる。 さらに、PPOを活用することにより、長期維持戦略の安定かつ効率的な最適化を保証し、不確実性や非定常力学を効果的に処理する。 実験的な検証により、このアプローチは最大13%のコスト削減と強力な収束とモジュール間相乗効果で、複数のディープラーニングベースラインモデルよりも大幅に優れていることが示された。 このフレームワークは、データ駆動戦略を通じて、ダウンタイムと運用コストを効果的に削減する、相当な工業的可能性を秘めている。

関連論文リスト

• COMponent-Aware Pruning for Accelerated Control Tasks in Latent Space Models [1.6874375111244326]
  資源制約のあるモバイルプラットフォームの急速な成長により、計算効率の良いニューラルネットワークコントローラ(NNC)の需要が高まっている。 ディープニューラルネットワーク(DNN)は、制御アプリケーションにおいて優れたパフォーマンスを示し、その相当な計算複雑性とメモリ要件は、エッジデバイスへの実践的なデプロイに重大な障壁をもたらす。 本稿では,各プルーニング群に対する最適プルーニングサイズを決定するために,コンポーネント認識型構造化プルーニングを利用した包括的モデル圧縮手法を提案する。
  論文  参考訳（メタデータ） (2025-08-11T16:16:51Z)
• The Larger the Merrier? Efficient Large AI Model Inference in Wireless Edge Networks [56.37880529653111]
  大規模計算モデル(LAIM)サービスの需要は、従来のクラウドベースの推論から、低レイテンシでプライバシ保護のアプリケーションのためのエッジベースの推論へのパラダイムシフトを推進している。 本稿では,事前学習したLAIMをデバイス上のサブモデルとサーバ上のサブモデルに分割して配置するLAIM推論方式について検討する。
  論文  参考訳（メタデータ） (2025-05-14T08:18:55Z)
• Privacy-Aware Joint DNN Model Deployment and Partitioning Optimization for Collaborative Edge Inference Services [14.408050197587654]
  エッジ推論(EI)は、クラウドベースのDeep Neural Network(DNN)推論サービスの増加に対処する、有望なパラダイムとして登場した。 リソース制約のあるエッジデバイスにDNNモデルをデプロイすることは、制限/ストレージリソース、動的サービス要求、プライバシーリスクの増大など、さらなる課題をもたらす。 本稿では,DNNモデルデプロイメント,ユーザサーバアソシエーション,モデルパーティショニングを共同で扱う,新たなプライバシ対応最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-22T05:27:24Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• 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)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)

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。