論文の概要: Early Fault Detection on CMAPSS with Unsupervised LSTM Autoencoders

• arxiv url: http://arxiv.org/abs/2601.10269v1
• Date: Thu, 15 Jan 2026 10:38:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.10655
• Title: Early Fault Detection on CMAPSS with Unsupervised LSTM Autoencoders
• Title（参考訳）: 非教師型LSTMオートエンコーダによるCMAPSSの早期故障検出
• Authors: P. Sánchez, K. Reyes, B. Radu, E. Fernández,
• Abstract要約: 本稿では, ラン・トゥ・フェイルラベルを必要としないターボファンエンジンの非監視型ヘルスモニタリングフレームワークを提案する。 第一に、NASA CMAPSSセンサーストリームの動作条件効果は回帰ベースの正規化によって除去される。 LSTM(Long Short-Term Memory)オートエンコーダは、各トラジェクトリの健全な部分にのみ訓練される。
• 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 paper introduces an unsupervised health-monitoring framework for turbofan engines that does not require run-to-failure labels. First, operating-condition effects in NASA CMAPSS sensor streams are removed via regression-based normalisation; then a Long Short-Term Memory (LSTM) autoencoder is trained only on the healthy portion of each trajectory. Persistent reconstruction error, estimated using an adaptive data-driven threshold, triggers real-time alerts without hand-tuned rules. Benchmark results show high recall and low false-alarm rates across multiple operating regimes, demonstrating that the method can be deployed quickly, scale to diverse fleets, and serve as a complementary early-warning layer to Remaining Useful Life models.
• Abstract（参考訳）: 本稿では, ラン・トゥ・フェイルラベルを必要としないターボファンエンジンの非監視型ヘルスモニタリングフレームワークを提案する。 まず、NASA CMAPSSセンサーストリームの動作条件の影響を回帰に基づく正規化により除去し、その後、Long Short-Term Memory(LSTM)オートエンコーダを各軌道の健全な部分にのみ訓練する。 適応データ駆動しきい値を用いて推定される永続的再構成エラーは、手作業によるルールなしでリアルタイムアラートをトリガーする。 ベンチマークの結果は、複数のオペレーティングシステムにまたがる高いリコールと低い偽アラーム率を示し、この手法を迅速に展開し、多様なフリートに拡張し、実用ライフモデルを維持するための補完的な早期警戒層として機能することを実証している。

関連論文リスト

• Time-Series Anomaly Classification for Launch Vehicle Propulsion Systems: Fast Statistical Detectors Enhancing LSTM Accuracy and Data Quality [0.0]
  本稿では,マハラノビス距離と前方後方検出率に基づいて,教師付きトレーニングラベルの調整を行う新しい統計検出器を提案する。 実験1回あたり20.8分間の運転時間とO(108)の訓練時間を有する地上段推進システムのディジタルツインシミュレーションについて実験を行った。
  論文  参考訳（メタデータ） (2026-01-07T23:43:27Z)
• LLM-Enhanced Reinforcement Learning for Time Series Anomaly Detection [1.1852406625172216]
  時系列異常検出は、しばしばスパースラベル、複雑な時間パターン、高価な専門家アノテーションに悩まされる。 本稿では,LL(Reinforcement Learning),VAE(Variational Autoencoder)の強化された動的報酬スケーリング,ラベル伝搬によるアクティブラーニングを併用した,LLM(Large Language Model)に基づく報酬形成機能の統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-05T19:33:30Z)
• GRAD: Real-Time Gated Recurrent Anomaly Detection in Autonomous Vehicle Sensors Using Reinforced EMA and Multi-Stage Sliding Window Techniques [0.0]
  本稿では,自動運転車センサのリアルタイム異常検出手法であるGRADを紹介する。 提案手法は,スムーズな要因に適応するReinforced Exponential moving Average (REMA) と,短期パターンと長期パターンの両方をキャプチャするMulti-Stage Sliding Window (MS-SW) 技術を組み合わせたものである。 GRADはGRUの2つの層からなる軽量なアーキテクチャで、ニューロンの数が限られており、リアルタイムアプリケーションに適している。
  論文  参考訳（メタデータ） (2025-10-27T13:44:15Z)
• Fault detection and diagnosis for the engine electrical system of a space launcher based on a temporal convolutional autoencoder and calibrated classifiers [0.0]
  本稿では,次世代再利用可能な宇宙ランチャーの故障検出・診断機能開発に向けた第一歩を概説する。 文献における既存のアプローチとは異なり、我々のソリューションはより広い範囲の重要な要件を満たすように設計されています。 提案手法は、時間畳み込みオートエンコーダに基づいて、原センサデータから低次元特徴を自動的に抽出する。
  論文  参考訳（メタデータ） (2025-07-17T11:50:29Z)
• Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
  本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。 このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-15T12:55:57Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• 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。