論文の概要: Enhancing failure prediction in nuclear industry: Hybridization of knowledge- and data-driven techniques

• arxiv url: http://arxiv.org/abs/2511.11604v1
• Date: Sat, 01 Nov 2025 16:52:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-23 18:31:12.283668
• Title: Enhancing failure prediction in nuclear industry: Hybridization of knowledge- and data-driven techniques
• Title（参考訳）: 原子力産業における失敗予測の強化:知識とデータ駆動技術のハイブリッド化
• Authors: Amaratou Mahamadou Saley, Thierry Moyaux, Aïcha Sekhari, Vincent Cheutet, Jean-Baptiste Danielou,
• Abstract要約: 本稿では,データ駆動技術と原子力機器のドメイン知識を組み合わせた新しい予測保守手法を提案する。 この研究の適用上の新規性は、安全保障、経済、環境上の懸念から非常に制限され、超敏感な核産業のような領域内での使用にある。
• 参考スコア（独自算出の注目度）: 1.118478900782898
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The convergence of the Internet of Things (IoT) and Industry 4.0 has significantly enhanced data-driven methodologies within the nuclear industry, notably enhancing safety and economic efficiency. This advancement challenges the precise prediction of future maintenance needs for assets, which is crucial for reducing downtime and operational costs. However, the effectiveness of data-driven methodologies in the nuclear sector requires extensive domain knowledge due to the complexity of the systems involved. Thus, this paper proposes a novel predictive maintenance methodology that combines data-driven techniques with domain knowledge from a nuclear equipment. The methodological originality of this paper is located on two levels: highlighting the limitations of purely data-driven approaches and demonstrating the importance of knowledge in enhancing the performance of the predictive models. The applicative novelty of this work lies in its use within a domain such as a nuclear industry, which is highly restricted and ultrasensitive due to security, economic and environmental concerns. A detailed real-world case study which compares the current state of equipment monitoring with two scenarios, demonstrate that the methodology significantly outperforms purely data-driven methods in failure prediction. While purely data-driven methods achieve only a modest performance with a prediction horizon limited to 3 h and a F1 score of 56.36%, the hybrid approach increases the prediction horizon to 24 h and achieves a higher F1 score of 93.12%.
• Abstract（参考訳）: IoT(Internet of Things)と産業4.0の収束により、原子力産業におけるデータ駆動手法が大幅に強化され、特に安全性と経済効率が向上した。 この進歩は、ダウンタイムと運用コストの削減に不可欠である資産の将来のメンテナンスニーズの正確な予測に挑戦する。 しかし、核セクターにおけるデータ駆動手法の有効性は、関連するシステムの複雑さのために広範なドメイン知識を必要とする。 そこで本研究では,データ駆動技術と原子力機器のドメイン知識を組み合わせた新しい予測保守手法を提案する。 本論文の方法論的独創性は, 純粋にデータ駆動アプローチの限界を強調することと, 予測モデルの性能向上における知識の重要性を示すものである。 この研究の適用上の新規性は、安全保障、経済、環境上の懸念から非常に制限され、超敏感な核産業のような領域内での使用にある。 機器監視の現状と2つのシナリオを比較した実世界の詳細なケーススタディでは、この手法が故障予測において純粋にデータ駆動の手法を著しく上回っていることを実証している。 純粋にデータ駆動方式は予測地平線が3h、F1スコアが56.36%に制限された控えめな性能しか達成しないが、ハイブリッド方式では予測地平線が24hに増加し、より高いF1スコアが93.12%に達する。

関連論文リスト

• IoT and Predictive Maintenance in Industrial Engineering: A Data-Driven Approach [0.0]
  第4次産業革命は、モノのインターネットとデータ駆動方式の応用が従来の保守に革命をもたらしている、スマート製造の新しい時代をもたらした。 IoTと機械学習アルゴリズムのリアルタイムデータによって、予測メンテナンスにより、産業システムは障害を予測し、マシンの寿命を最適化できる。
  論文  参考訳（メタデータ） (2025-11-07T01:55:16Z)
• Contrastive-KAN: A Semi-Supervised Intrusion Detection Framework for Cybersecurity with scarce Labeled Data [0.0]
  半教師付きコントラスト学習フレームワークに基づくリアルタイム侵入検知システムを提案する。 本手法は, ラベルのないデータを利用して, 正常な動作と攻撃動作を効果的に識別する。 実験結果から,本手法は既存のコントラスト学習手法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） (2025-07-14T21:02:34Z)
• Rethinking Data Protection in the (Generative) Artificial Intelligence Era [138.07763415496288]
  現代の(生産的な)AIモデルやシステムに生じる多様な保護ニーズを捉える4段階の分類法を提案する。 当社のフレームワークは、データユーティリティとコントロールのトレードオフに関する構造化された理解を提供し、AIパイプライン全体にわたっています。
  論文  参考訳（メタデータ） (2025-07-03T02:45:51Z)
• Towards robust prediction of material properties for nuclear reactor design under scarce data -- a study in creep rupture property [7.068581430279433]
  主な課題は、データセットの可用性と、データ、モデル、予測の不確実性についての十分な考慮である。 本稿では, 原子炉設計における材料特性の信頼性予測を目的とした, 不確実性と事前知識の両面でのメタラーニングに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-28T06:20:14Z)
• DETECTA 2.0: Research into non-intrusive methodologies supported by Industry 4.0 enabling technologies for predictive and cyber-secure maintenance in SMEs [0.19972837513980318]
  DETECTA 2.0プロジェクトは、リアルタイム異常検出、高度な分析、予測予測機能を調和させる。 中心となるのはDigital Twinインターフェースで、マシン状態と検出された異常の直感的なリアルタイム可視化を提供する。 予測エンジンは、N-HiTSのような高度な時系列アルゴリズムを使用して、将来のマシン利用トレンドを予測する。
  論文  参考訳（メタデータ） (2024-05-24T08:38:38Z)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• Agnostic Learning for Packing Machine Stoppage Prediction in Smart Factories [0.0]
  サイバー物理コンバージェンス(サイバー物理コンバージェンス)は、産業界に新たなビジネスチャンスを開こうとしている。 サイバーと物理世界の深い統合の必要性は、新しいシステムとネットワークエンジニアリングのアプローチを統合するための豊富なビジネスアジェンダを確立する。 このデータ豊かでサイバー物理学的でスマートな工場環境から生まれた、最も実りある研究と実践の分野の1つは、データ駆動のプロセス監視分野である。
  論文  参考訳（メタデータ） (2022-12-12T23:45:59Z)
• Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
  我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。 S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。 我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
  論文  参考訳（メタデータ） (2022-11-28T14:16:22Z)

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。