論文の概要: Integrating Causal Foundation Model in Prescriptive Maintenance Framework for Optimizing Production Line OEE

• arxiv url: http://arxiv.org/abs/2512.00969v1
• Date: Sun, 30 Nov 2025 16:33:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.522171
• Title: Integrating Causal Foundation Model in Prescriptive Maintenance Framework for Optimizing Production Line OEE
• Title（参考訳）: 生産ラインOEE最適化のための規範的保守フレームワークにおける因果ファンデーションモデルの統合
• Authors: Felix Saretzky, Lucas Andersen, Thomas Engel, Fazel Ansari,
• Abstract要約: 製造業における規範的メンテナンスへの移行は、予測モデルへの依存によって決定的に制約される。 本稿では,このギャップを埋めるための因果機械学習に基づくモデルを提案する。
• 参考スコア（独自算出の注目度）: 1.4045035442386142
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The transition to prescriptive maintenance in manufacturing is critically constrained by a dependence on predictive models. These models tend to rely on spurious correlations rather than identifying the true causal drivers of failures, often leading to costly misdiagnoses and ineffective interventions. This fundamental limitation results in a key-challenge: while we can predict that a failure may occur, we lack a systematic method to understand why a failure occurs, thereby providing the basis for identifying the most effective intervention. This paper proposes a model based on causal machine learning to bridge this gap. Our objective is to move beyond diagnosis to active prescription by simulating and evaluating potential fixes toward optimizing KPIs such as Overall Equipment Effectiveness (OEE). For this purpose a pre-trained causal foundation model is used as a "what-if" model to estimate the effects of potential fixes. By measuring the causal effect of each intervention on system-level KPIs, it provides a data-driven ranking of actions to recommend at the production line. This process not only identifies root causes but also quantifies their operational impact. The model is evaluated using semi-synthetic manufacturing data and compared with a baseline machine learning model. This paper sets the technical basis for a robust prescriptive maintenance framework, allowing engineers to test potential solutions in a causal environment to make more effective operational decisions and reduce costly downtimes.
• Abstract（参考訳）: 製造業における規範的メンテナンスへの移行は、予測モデルへの依存によって決定的に制約される。 これらのモデルは、失敗の真の因果的要因を特定するよりも、急激な相関に依存する傾向があり、しばしばコストのかかる誤診や非効果的な介入につながる。 障害が発生する可能性を予測できる一方で、障害が発生した理由を理解するための体系的な方法が欠如しているため、最も効果的な介入を特定するための基盤を提供する。 本稿では,このギャップを埋めるための因果機械学習に基づくモデルを提案する。 本研究の目的は, 総合的設備効果(OEE)などのKPIの最適化に向けて, 潜在的な修正をシミュレートし, 評価することで, 診断を超えて, 能動的処方へ移行することである。 この目的のために、事前訓練された因果基盤モデルを「What-if」モデルとして使用し、潜在的な修正の効果を推定する。 システムレベルのKPIに対する各介入の因果効果を測定することで、生産ラインで推奨されるアクションのデータの駆動的ランキングを提供する。 このプロセスは根本原因を識別するだけでなく、その運用への影響を定量化する。 このモデルを半合成製造データを用いて評価し,ベースライン機械学習モデルと比較した。 本稿では,ロバストな規範的メンテナンスフレームワークの技術的基盤を定め,技術者が因果的環境における潜在的なソリューションをテストすることによって,より効率的な運用上の決定を下し,コストダウン時間を削減する。

関連論文リスト

• Causal Fuzzing for Verifying Machine Unlearning [9.923981046985771]
  CAF'Eは、ブラックボックスMLモデルの検証のために、データポイントとフィーチャーレベルのアンラーニングを統合する新しいフレームワークである。 評価の結果, CAF'Eは計算効率を保ちながら, ベースラインに欠落した残差を検出できた。
  論文  参考訳（メタデータ） (2025-09-20T04:19:37Z)
• Technical Report: Facilitating the Adoption of Causal Inference Methods Through LLM-Empowered Co-Pilot [44.336297829718795]
  CATE-Bは,大規模言語モデル(LLM)をエージェントフレームワーク内で使用して,治療効果推定を通じてユーザを誘導する,オープンソースのコパイロットシステムである。 CATE-B は (i) 因果発見と LLM に基づくエッジオリエンテーションによる構造因果モデルの構築、 (ii) 因果構造とデータセット特性に適合した適切な回帰方法を選択することによるロバストな調整セットの同定を支援する。
  論文  参考訳（メタデータ） (2025-08-14T12:20:51Z)
• CausalPFN: Amortized Causal Effect Estimation via In-Context Learning [19.54034651361769]
  CausalPFNは、ボックスから新しい観測データセットに因果効果を推測する。 提案手法は,不均一および平均処理効果評価ベンチマークにおいて,優れた平均性能を実現する。 CausalPFNはベイズ原理に基づく信頼性の高い意思決定を支援するために、校正された不確実性推定を提供する。
  論文  参考訳（メタデータ） (2025-06-09T16:31:06Z)
• Language Models as Causal Effect Generators [48.696932388555894]
  シーケンス駆動型構造因果モデル(SD-SCM)を提案する。 SD-SCMは、所望の因果構造に応じて観察的、介入的、および反ファクト的分布からのサンプリングを可能にする。 本稿では, 因果推論のための新しいタイプのベンチマークを提案し, 個別レベルの反事実データを生成し, 治療効果の評価を行う。
  論文  参考訳（メタデータ） (2024-11-12T18:50:35Z)
• Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
  実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。 概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。 我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:05:51Z)
• DAG-aware Transformer for Causal Effect Estimation [0.8192907805418583]
  因果推論は、医療、経済学、社会科学などの分野における重要な課題である。 本稿では,これらの課題を克服する因果推論のためのトランスフォーマーを用いた新しい手法を提案する。 我々のモデルの中核となる革新は、注意機構に直接因果非巡回グラフ(DAG)を統合することである。
  論文  参考訳（メタデータ） (2024-10-13T23:17:58Z)
• Evaluating Interventional Reasoning Capabilities of Large Language Models [58.52919374786108]
  大規模言語モデル(LLM)は意思決定タスクを自動化するために使用される。 本稿では,LPMが介入に応じてデータ生成プロセスの知識を正確に更新できるかどうかを評価する。 さまざまな因果グラフ(例えば、コンバウンディング、仲介)と変数タイプにまたがるベンチマークを作成します。 これらのベンチマークにより、LLMが事実を記憶したり、他のショートカットを見つけたりすることで、変化を正確に予測する能力を切り離すことができます。
  論文  参考訳（メタデータ） (2024-04-08T14:15:56Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)

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。